.
第一章 推動機器學習專案的方法1.1 機器學習都如何應用?1.2 機器學習專案的流程1.3 系統實際常見的機器學習問題與處理方法1.4 如何成功打造機器學習的系統?第二章 機器學習的功能2.1 該選擇何種演算法?2.2 分類2.3 迴歸2.4 集群、降維2.5 其他第三章 評估學習結果3.1 分類的評估矩陣3.2 迴歸的評估3.3 將機器學習嵌入系統的A/B測試第四章 在系統嵌入機器學習4.1 讓機器學習嵌入系統的流程4.2 系統設計4.3 歷程設計第五章 收集學習所需的資源5.1 取得學習所需的資源的方法5.2 使用公開的資料集或模型製作訓練資料5.3 開發者自行建立訓練資料5.4 請同事或朋友輸入資料,藉此建立訓練資料5.5 透過群眾外包的方式建立訓練資料5.6 在服務建立由使用者輸入的機制第六章 效果驗證6.1 效果驗證的概要6.2 假設檢定的框架6.3 假設檢定的注意事項6.4 因果效果的推測6.5 A/B 測試第七章 打造電影推薦系統7.1 劇本7.2 進一步了解推薦系統7.3 觀察MovieLens 的資料傾向7.4 建置推薦系統7.5 本章總結第八章 Kickstarter的分析、不使用機器學習的選項8.1 調查Kickstarter 的API8.2 製作Kickstarter 的網路爬蟲8.3 將JSON 資料轉換成CSV8.4 在Excel 稍微瀏覽內容8.5 利用樞紐分析表從各角度分析8.6 觀察目標金額達成卻取消的專案8.7 觀察各國情況 8.8 製作報表 8.9 今後預定事項8.10 本章總結 第九章 利用Uplift Modeling 有效分配行銷資源9.1 Uplift Modeling 的四象限9.2 相當於A/B測試強化版的Uplift Modeling的概要9.3 製作Uplift Modeling 所需的資料集9.4 使用兩個預測模組的Uplift Modeling9.5 Upift Modeling的評估方法AUUC9.6 於實務問題的應用9.7 如何於正式環境使用Uplift Modeling?
Deep Learning|用Python進行深度學習的基礎理論實作 初探深度學習|使用TensorFlow Deep Learning深度學習基礎|設計下一代人工智慧演算法