| 1 |
|
|
|
|
| 作者：
Susan Shu Chang |
價格：
780 |
書號：
A766 |
啟動你的機器學習與資料科學職涯
「這是一本關於機器學習面試的全方位指南。本書涵蓋了大多數機器學習面試的內容，對於該領域的新手、經驗豐富的機器學習（ML）從業者以及資料科學家來說，都非常實用。」
--Prithvishankar Srinivasan
Instacart的ML工程師（曾任職於Twitter、Micr...
more
|
|
 |
|
|
|
|
|
|
| 作者：
Anthony Chaudhary |
價格：
780 |
書號：
A767 |
從標註到資料科學的人類監督
掌握訓練資料的訣竅，提升AI專案成功率
「本書以全方位的視角解說如何產生高品質的訓練資料以及啟動新專案。」
— Anirudh Koul
Pinterest機器學習、資料科學負責人
「要做好機器學習，必須學習如何訓練資料。本書的價值比黃金還要珍貴。」
— Neal Linso...
more
|
|
|
|
|
|
|
|
|
| 作者：
Patrick Hall, James Curtis, Parul Pandey |
價格：
780 |
書號：
A756 |
「作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」
—Christoph Molnar
Interpretable Machine Learning作者
「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，...
more
|
|
|
|
|
|
|
|
|
| 作者：
魯偉 |
價格：
580 |
書號：
ACD023000 |
進行機器學習的開發時，精通相關數學理論是關鍵的基礎。本書基於對所有機器學習演算法的系統分類，詳細介紹了監督學習單模型、監督學習集成模型、無監督學習模型、概率模型等四大類共26個經典演算法，並進行詳細的公式推導和程式碼實現。旨在協助讀者充分了解演算法細節、實現方法和內在邏輯。
本書適合數理基礎扎實的初學者，也適合深入學...
more
|
|
|
|
|
|
|
|
|
| 作者：
Paris and Mars Buttfield-Addison, Tim Nugent & Jon Manning |
價格：
680 |
書號：
A715 |
「在資料需求很高但可存取資料稀少的時代，建立逼真的模擬環境以產生更強大的研究和ML應用程式將比以往任何時候都更加重要。本書對於機器學習和Unity開發人員來說是進入該領域的最佳途徑。」
—Dominic Monn
機器學習工程師
模擬和合成將是人工智慧和機器學習的未來核心。想像一下，程式設計師、資料科學家和機器學...
more
|
|
|
|
|
|
|
| 機器學習入門：使用Scikit-Learn與TensorFlow(電子書) |
|
|
|
| 作者：
黃建庭 |
價格：
420 |
書號：
IEL025700 |
◎從機器學習的基礎知識開始，逐步建構相關的延伸應用。
◎以經典範例搭配步驟化解說，帶領讀者掌握應用的訣竅！
．使用Kaggle網站的資料集，讀者可以透過本書所提供連結或關鍵字搜尋下載。
．使用Pandas與Numpy處理與分析資料。
．以Scikit-L...
more
|
|
|
|
|
|
|
| 機器學習入門：使用Scikit-Learn與TensorFlow |
|
|
|
| 作者：
黃建庭 |
價格：
420 |
書號：
AEL025700 |
◎從機器學習的基礎知識開始，逐步建構相關的延伸應用。
◎以經典範例搭配步驟化解說，帶領讀者掌握應用的訣竅！
．使用Kaggle網站的資料集，讀者可以透過本書所提供連結或關鍵字搜尋下載。
．使用Pandas與Numpy處理與分析資料。
．以Scikit-L...
more
|
|
|
|
|
|
|
|
|
| 作者：
Valliappa Lakshmanan, Sara Robinson, Michael Munn |
價格：
680 |
書號：
A665 |
資料準備、模型建構與MLOps常見挑戰的解決方案
「本書提供了豐富的範例，如果你是資料科學家或ML工程師，而且想要了解如何使用行之有效的解決方案來處理複雜的ML問題，你一定要看這本書。」
—David Kanter
ML Commons執行長
「如果你想在建構ML解決方案的過程中減少傷害、碰撞和磨擦，Lak...
more
|
|
|
|
|
|
|
|
|
| 作者：
有賀康顕、中山心太、西林孝 |
價格：
580 |
書號：
A576 |
本書是專為想要將機器學習實際應用在工作上的讀者所寫的書，說明如何在職場上應用機器學習與資料分析的工具。
透過本書，您可以了解：
．如何啟動機器學習的專案
．如何讓機器學習與現存的系統互動
．如何收集機器學習的資料
．如何建立假設與分析
．機器學習的基礎知識
．分門別類介紹機器學習演算法的各種特徵
．以阻...
more
|
|
|
|
|
| 1 |