必學！Python 資料科學‧機器學習最強套件－ NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras-FindBook 找書網 ISBN:9789863126157

型式

價格

供應商

所屬目錄

Computers & Technology

$ 537

蝦皮商城

Computers & Technology

Computers & Technology

$ 680

蝦皮商城

Computers & Technology

第 1 章 Python 基礎：變數、資料型別與 if 判斷式

第 2 章 Python 基礎：list、dict 與迴圈

第 3 章函式、類別與模組

第 4 章進階函式及特殊容器

第 5 章 NumPy 高速運算套件
5-1 NumPy 的基本介紹
5-2 陣列的基本操作
5-2-1 建立陣列
5-2-2 陣列的切片操作
5-2-3 使用布林陣列篩選值
5-2-4 陣列的四則計算
5-2-5 體驗好用的 NumPy 函式
5-3 NumPy 多軸陣列
5-3-1 陣列的軸 (axis)
5-3-2 陣列的 shape
5-3-3 多軸陣列的切片做法
5-3-4 陣列轉置 (transpose)
5-3-5 陣列排序
5-3-6 陣列擴張 (Broadcasting)
5-3-7 用 NumPy 函式計算矩陣乘積

第 6 章 pandas 的基礎
6-1 pandas 簡介
6-2 Series 物件的操作處理
6-2-1 建立 Series 物件
6-2-2 取出 Series 當中的元素
6-2-3 單取出「索引值」或者「內容值」-.index、.values
6-2-4 新增 Series 物件的元素–append()
6-2-5 刪除 Series 物件的元素–drop()
6-2-6 從 Series 物件篩選出想要的元素
6-2-7 將 Series 的元素排序–sort_index()、 sort_values()
6-3 DataFrame 物件的操作處理
6-3-1 建立 DataFrame 物件–pd.DataFrame()
6-3-2 修改 index 和 column 的名稱–.index、.column
6-3-4 加入新的資料列–append()
6-3-4 加入新的欄位
6-3-5 取出 DataFrame 當中的元素–df.loc[]、df.iloc[]
6-3-6 刪除 df 物件的列或行–drop()
6-3-7 將欄位值依大小排序–sort_values()
6-3-8 從 df 物件篩選出想要的資料

第 7 章 DataFrame 的串接與合併
7-1 概念說明
7-2 用 concat() 串接多個 DataFrame
7-3 用 merge() 合併多個 DataFrame

第 8 章 DataFrame 的進階應用
8-1 載入外部檔案並做資料整理
8-2 處理 DataFrame 中的缺失值
8-2-1 用 dropna() 刪除含有 NaN (缺失值) 的列
8-2-2 用 fllna() 填補 NaN 值
8-3 分析數據常用到的技巧 (一)
8-3-1 duplicated()、drop_duplicated() - 尋找或刪除 DataFrame 內重複的資料
8-3-2 map()–利用 DataFrame 的既有欄位生成新的欄位
8-3-3 用 cut() 劃分、篩選資料
8-4 分析數據常用到的技巧 (二)
8-4-1 取頭尾列–head()、tail()
8-4-2 對 DataFrame 的值做運算
8-4-3 快速取得 DataFrame 各種統計數據
8-4-4 計算行 (列) 之間的差
8-4-5 用 groupy() 做分組統計

第 9 章 Matplotlib 資料視覺化套件的基礎
9-1 常見的圖表類型
9-2 單一筆資料的視覺化
9-2-1 繪製折線圖
9-2-2 指定圖表的座標軸範圍–xlim()、 ylim()
9-2-3 設定圖表標題與兩軸名稱–title()、xlabel()、ylabel()
9-2-4 在圖表上顯示網格–grid()
9-2-5 自訂座標軸的刻度及標籤 – xticks()、 yticks()
9-3 多筆資料的視覺化
9-3-1 在同一張圖表繪製多筆資料並指定不同顏色
9-3-2 設定圖例–legend()
9-4 繪製內含多張子圖的圖表
9-4-1 設定整張圖表的尺寸–fgure()
9-4-2 在畫布切出子圖區, 並繪製內容–add_subplot()
9-4-3 調整子圖間距–subplots_adjust()
9-4-4 設定子圖的座標範圍–set_xlim() / 座標說明文字–set_xlabel() / 子圖標題 - set_title()
9-4-5 設定子圖是否顯示網格– grid() / 設定子圖的兩軸刻度 set_xticks()、set_xticklabels()

第 10 章用 Matplotlib 繪製各類圖表
10-1 再探折線圖 (plot chart)
10-2 繪製長條圖 (bar chart)
10-3 繪製直方圖 (histogram chart)
10-4 繪製散佈圖 (scatter chart)
10-5 繪製圓餅圖 (pie chart)
10-6 繪製 3D 圖表

第 11 章用 OpenCV 處理影像資料
11-1 認識影像資料
11-2 OpenCV 的基礎
11-3 OpenCV 的進階處理功能
11-3-1 圖片的二值化 (binarization) 處理
11-3-2 套用遮罩
11-3-3 模糊效果
11-3-4 去除圖片的雜訊

第 12 章用 scikit-learn 進行監督式機器學習
12-1 監督式學習 / 分類
12-2 資料集的準備
12-3 用常見的監督式學習分類器來做預測
12-3-1 k 鄰近演算法 (KNN)
12-3-2 邏輯斯迴歸 (logistic regression)
12-3-3 線性支援向量機 (Linear SVM)
12-3-4 非線性 SVM
12-3-5 決策樹 (decision tree)
12-3-6 隨機森林 (random forest)
12-4 k-fold 交叉驗證及模型的預測性能

第 13 章監督式學習模型的超參數調整
13-1 KNN 的超參數
13-2 邏輯斯迴歸與線性 SVM 的超參數
13-3 非線性 SVM
13-4 決策樹與隨機森林的超參數

第 14 章用 tf.Keras 套件實作深度學習
14-1 深度學習簡介
14-2 用神經網路辨識手寫數字圖片

第 15 章優化神經網路模型
15-1 認識超參數 (Hyperparameter)
15-2 隱藏層的數量、隱藏層設計多少神經元
15-3 丟棄法 (Dropout)
15-4 損失函數 (Loss function) 與優化器 (Optimizer)
15-5 小批次 (mini-batch) 訓練
15-6 訓練週期 (epoch)

第 16 章利用卷積神經網路 (CNN) 做影像辨識
16-1 認識 CNN
16-2 卷積層 (Convolution Layer)
16-3 池化層 (Pooling Layer)
16-4 用 tf.Keras 建構 CNN 模型
16-5 實例：使用 CNN 辨識熉g數字圖片
16-6 實例：使用 CNN 辨識. cifar 10 圖片資料集

第 17 章優化 CNN 模型
17-1 資料的正規化 (Normalization)
17-2 遷移學習 (Transfer Learning)

對想進入人工智慧第一本入門書大推這一本個人覺得這本書在python的指令內容蠻完整的在延生一點機器深度學習內容程式指令說明也寫的很清楚

必學！Python 資料科學‧機器學習最強套件 － NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras

必學！Python 資料科學‧機器學習最強套件－ NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras