內容簡介
熱門資料科學與機器學習演算法學習指南
本書介紹並說明資料科學領域常見且重要的機器學習演算法,這些演算法可用於監督式與非監督學習、強化學習與半監督式學習。書中所討論的演算法包括線性迴歸、logistic迴歸、SVM、樸素貝氏、k-means、隨機森林、TensorFlow與特徵工程。
你將會學到如何使用這些演算法來解決問題,以及它們的工作原理。同時也會介紹自然語言處理與推薦系統,以協助同時執行多種演算法。
最後將會知道如何挑選正確的機器學習演算法,來為你的問題進行分群、分類或迴歸。
你將學會: •
熟悉機器學習的重要元素
•
瞭解特徵選擇與特徵工程流程
•
平衡線性迴歸的效能與誤差
•
建立資料模型,與使用各種類型的演算法來瞭解它的工作方式
•
微調SVM的參數
•
實作資料集的群聚
•
探索自然語言處理與推薦系統的概念
•
從零開始建立機器學習架構