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
．以阻絕垃圾郵件的範例說明如何評估離線預測模型的方法
．如何在機器學習的分類工作收集正確資料的方法
．使用統計學的檢定、因果推論、A/B測試驗證方案效果
| FindBook |
|
有 1 項符合
有賀康顯的圖書 |
 |
$ 300 ～ 551 | 機器學習: 工作現場的評估、導入與實作
作者：有賀康顯/中山心太/西林孝 ／ 譯者：許郁文 出版社：美商歐萊禮股份有限公司台灣分公司 出版日期：2018-09-06 語言：繁體書  共 10 筆 → 查價格、看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：機器學習|工作現場的評估、導入與實作
內容簡介
作者介紹
作者簡介
有賀康顕
歷任電機製造商的研究所、食譜服務的公司後，目前任職於Cloudera服務，擔任現場數據工程師負責應用資料與支援機器學習。
．twitter.com/chezou
．www.slideshare.net/chezou
．chezo.uno/
中山心太
歷任電話公司的研究所、社群遊戲的公司、以機器學習進行網頁行銷的公司、自由職業者之後，創立Next Int公司至今。除了開發自家公司的服務之外，也受理遊戲開發企劃與機器學習的委託案件。
從事機器學習、遊戲設計、商業設計、新事業企劃這類工作，是知識廣而不深的高級雜工。
．twitter.com/tokoroten
．www.slideshare.net/TokorotenNakayama
．medium.com/@tokoroten/
西林孝
目前是名軟體工程師。歷任獨立軟體供應商之後，目前任職於VOYAGE GROUP股票有限公司，負責開發網路廣告寄送服務的廣告寄送邏輯。
．hagino3000.blogspot.jp/
．speakerdeck.com/hagino3000
．twitter.com/hagino3000
有賀康顕
歷任電機製造商的研究所、食譜服務的公司後，目前任職於Cloudera服務，擔任現場數據工程師負責應用資料與支援機器學習。
．twitter.com/chezou
．www.slideshare.net/chezou
．chezo.uno/
中山心太
歷任電話公司的研究所、社群遊戲的公司、以機器學習進行網頁行銷的公司、自由職業者之後，創立Next Int公司至今。除了開發自家公司的服務之外，也受理遊戲開發企劃與機器學習的委託案件。
從事機器學習、遊戲設計、商業設計、新事業企劃這類工作，是知識廣而不深的高級雜工。
．twitter.com/tokoroten
．www.slideshare.net/TokorotenNakayama
．medium.com/@tokoroten/
西林孝
目前是名軟體工程師。歷任獨立軟體供應商之後，目前任職於VOYAGE GROUP股票有限公司，負責開發網路廣告寄送服務的廣告寄送邏輯。
．hagino3000.blogspot.jp/
．speakerdeck.com/hagino3000
．twitter.com/hagino3000
目錄
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API
8.2 製作Kickstarter 的網路爬蟲
8.3 將JSON 資料轉換成CSV
8.4 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 Modeling
9.5 Upift Modeling的評估方法AUUC
9.6 於實務問題的應用
9.7 如何於正式環境使用Uplift Modeling？
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API
8.2 製作Kickstarter 的網路爬蟲
8.3 將JSON 資料轉換成CSV
8.4 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 Modeling
9.5 Upift Modeling的評估方法AUUC
9.6 於實務問題的應用
9.7 如何於正式環境使用Uplift Modeling？
序
序
機械學習在軟體工程師之間，已是每天都會出現的詞彙。放眼全世界，也常聽到「人工智慧會搶走工作」、「不懂機器學習可不行」這類說法。會出現這種說法，是因為電腦打敗職業圍棋棋士，人們開始對人工智慧抱著莫大期待的緣故。在機器學習方面，處理大量資料的硬體持續進化，透過開源軟體使用最新演算法的Framework或函式庫的普及，也讓機器學習造成更大的影響。
隨著人們對機器學習的期待日益高漲，也有越來越多人希望我們「指導機械學習」。可喜的是，現在已有許多介紹機器學習Framework使用方法與撰寫方法的書籍或雜誌，原本不懂機械學習的軟體工程師也能更輕鬆地投入機械學習的世界。若能透過本書按部就班地學會這項解決問題的工具，那真的是作者無上的榮幸。
機械學習在軟體工程師之間，已是每天都會出現的詞彙。放眼全世界，也常聽到「人工智慧會搶走工作」、「不懂機器學習可不行」這類說法。會出現這種說法，是因為電腦打敗職業圍棋棋士，人們開始對人工智慧抱著莫大期待的緣故。在機器學習方面，處理大量資料的硬體持續進化，透過開源軟體使用最新演算法的Framework或函式庫的普及，也讓機器學習造成更大的影響。
隨著人們對機器學習的期待日益高漲，也有越來越多人希望我們「指導機械學習」。可喜的是，現在已有許多介紹機器學習Framework使用方法與撰寫方法的書籍或雜誌，原本不懂機械學習的軟體工程師也能更輕鬆地投入機械學習的世界。若能透過本書按部就班地學會這項解決問題的工具，那真的是作者無上的榮幸。
|
