作者簡介

陳昭明

　　★曾任職於 IBM、工研院等全球知名企業

• 1 Scikit-learn 入門(第1-1頁)
  • 1-1 Scikit-learn 簡介(第1-2頁)
  • 1-2 學習地圖(第1-4頁)
  • 1-3 開發環境安裝(第1-6頁)
  • 1-4 Jupyter Notebook(第1-9頁)
  • 1-5 撰寫第一支程式(第1-14頁)
  • 1-6 本章小結(第1-26頁)
  • 1-7 延伸練習(第1-27頁)
  • 參考資料 (References)(第1-27頁)
• 2 資料前置處理 (Data Preprocessing)(第2-1頁)
  • 2-1 資料源 (Data Sources)(第2-3頁)
  • 2-2 Scikit-learn 內建資料集(第2-7頁)
  • 2-3 資料清理(第2-19頁)
  • 2-4 遺失值 (Missing value) 處理(第2-20頁)
  • 2-5 離群值 (Outlier) 處理(第2-23頁)
  • 2-6 類別變數編碼(第2-26頁)
  • 2-7 其他資料清理(第2-31頁)
  • 2-8 本章小結(第2-36頁)
  • 2-9 延伸練習(第2-36頁)
  • 參考資料 (References)(第2-36頁)
• 3 資料探索與分析 (EDA)(第3-1頁)
  • 3-1 資料探索的方式(第3-2頁)
  • 3-2 描述統計量 (Descriptive statistics)(第3-4頁)
  • 3-3 統計圖(第3-7頁)
  • 3-4 實務作法(第3-16頁)
  • 3-5 本章小結(第3-17頁)
  • 3-6 延伸閱讀(第3-17頁)
  • 參考資料 (References)(第3-18頁)
• 4 特徵工程 (Feature Engineering)(第4-1頁)
  • 4-1 特徵縮放 (Feature Scaling)(第4-2頁)
  • 4-2 特徵選取 (Feature Selection)(第4-9頁)
  • 4-3 特徵萃取 (Feature Extraction)(第4-18頁)
  • 4-4 特徵生成 (Feature Generation)(第4-49頁)
  • 4-5 本章小結(第4-60頁)
  • 4-6 延伸練習(第4-60頁)
  • 參考資料 (References)(第4-60頁)
• 5 迴歸 (Regression)(第5-1頁)
  • 5-1 線性迴歸 (Linear regression)(第5-2頁)
  • 5-2 非線性迴歸 (Non-linear regression)(第5-14頁)
  • 5-3 迴歸的假設與缺點(第5-19頁)
  • 5-4 時間序列分析 (Time Series Analysis)(第5-22頁)
  • 5-5 過度擬合 (Overfitting) 與正則化 (Regularization)(第5-33頁)
  • 5-6 偏差 (Bias) 與變異 (Variance)(第5-40頁)
  • 5-7 本章小結(第5-41頁)
  • 5-8 延伸練習(第5-42頁)
  • 參考資料 (References)(第5-42頁)
6 分類 (Classification) 演算法(一)(第6-1頁)
• 6-1 羅吉斯迴歸 (Logistic Regression)(第6-2頁)
• 6-2 最近鄰 (K nearest neighbor)(第6-22頁)
• 6-3 單純貝氏分類法 (Naïve Bayes Classifier)(第6-36頁)
• 6-4 本章小結(第6-48頁)
• 6-5 延伸練習(第6-48頁)
• 參考資料 (References)(第6-48頁)
7 分類 (Classification) 演算法(二)(第7-1頁)
• 7-1 支援向量機 (Support Vector Machine)(第7-2頁)
• 7-2 決策樹 (Decision Tree)(第7-18頁)
• 7-3 隨機森林 (Random Forest)(第7-42頁)
• 7-4 ExtraTreesClassifier(第7-44頁)
• 7-5 本章小結(第7-45頁)
• 7-6 延伸練習(第7-45頁)
• 參考資料 (References)(第7-45頁)
8 模型效能評估與調校(第8-1頁)
• 8-1 模型效能評估(第8-3頁)
• 8-2 效能衡量指標 (Performance Metrics)(第8-14頁)
• 8-3 ROC/AUC(第8-27頁)
• 8-4 詐欺偵測 (Fraud Detection) 個案研究(第8-40頁)
• 8-5 本章小結(第8-45頁)
• 8-6 延伸練習(第8-46頁)
• 參考資料 (References)(第8-47頁)
9 集群 (Clustering)(第9-1頁)
• 9-1 K-Means Clustering(第9-3頁)
• 9-2 階層集群 (Hierarchical Clustering)(第9-20頁)
• 9-3 以密度為基礎的集群 (DBSCAN)(第9-28頁)
• 9-4 高斯混合模型 (Gaussian Mixture Models)(第9-34頁)
• 9-5 影像壓縮 (Image Compression)(第9-44頁)
• 9-6 客戶區隔 (Customer Segmentation)(第9-48頁)
• 9-7 本章小結(第9-60頁)
• 9-8 延伸練習(第9-60頁)
• 參考資料 (References)(第9-61頁)
10 整體學習 (Ensemble Learning)(第10-1頁)
• 10-1 整體學習概念說明(第10-2頁)
• 10-2 多數決 (Majority Voting)(第10-4頁)
• 10-3 裝袋法 (Bagging)(第10-7頁)
• 10-4 強化法 (Boosting)(第10-9頁)
• 10-5 堆疊 (Stacking)(第10-21頁)
• 10-6 本章小結(第10-23頁)
• 10-7 延伸練習(第10-23頁)
• 參考資料 (References)(第10-24頁)
11 其他課題(第11-1頁)
• 11-1 半監督式學習 (Semi-supervised learning)(第11-2頁)
• 11-2 可解釋的 AI (Explainable AI, XAI)(第11-11頁)
• 11-3 機器學習系統架構(第11-25頁)
• 11-4 結語(第11-31頁)
• 參考資料 (References)(第11-35頁)