Kenneth Soo

Ch01｜基本知識簡單說
1.1 準備資料
1.2 挑選演算法
1.3 調整參數
1.4 評估結果
1.5 本章小結

Ch02｜k-平均分群演算法
2.1 尋找消費者群集
2.2 舉例：電影迷的性格特徵
2.3 定義群集
2.4 先天限制
2.5 本章小結

Ch03｜主成份分析
3.1 探索食物的營養成分
3.2 主成份
3.3 舉例：分析食物族群
3.4 先天限制
3.5 本章小節

Ch04｜關聯規則
4.1 找出消費模式
4.2 支持度、可信度與作用度
4.3 舉例：食品雜貨交易
4.4 先驗原則
4.5 先天限制
4.6 本章小結

Ch05｜社群網路分析
5.1 將關係地圖化
5.2 舉例：武器交易的地緣政治性
5.3 Louvain 演算法
5.4 PageRank 演算法

Ch06｜迴歸分析
6.1 推導一條趨勢線
6.2 舉例：預測房價
6.3 梯度下降
6.4 迴歸係數
6.5 相關係數
6.6 先天限制
6.7 本章小結

Ch07｜k-最近鄰演算法與異常檢測
7.1 食物取證
7.2 物以類聚
7.3 舉例：蒸餾出紅酒的不同成份
7.4 異常檢測
7.5 先天限制
7.6 本章小結

Ch08｜支持向量機
8.1 「不」或「噢不」？
8.2 舉例：預測心臟疾病
8.3 畫出最佳分界線
8.4 先天限制
8.5 本章小結

Ch09｜決策樹
9.1 預測災難中的存活機率
9.2 舉例：逃出鐵達尼號
9.3 產生一棵決策樹
9.4 先天限制
9.5 本章小結

Ch10｜隨機森林
10.1 群眾的智慧
10.2 舉例：預測犯罪
10.3 總體
10.4 引導聚集算法
10.5 先天限制
10.6 本章小結

Ch11｜類神經網路
11.1 建立一顆大腦
11.2 舉例：辨識手寫數字
11.3 類神經網路的組成
11.4 活化法則
11.5 先天限制
11.6 本章小結

Ch12｜A/B測試與多拉桿吃角子老虎機
12.1 A/B測試的基本概念
12.2 A/B測試的限制
12.3 Epsilon-Decreasing策略
12.4 舉例：多拉桿吃角子老虎機
12.5 有趣事實：跟緊贏家就對了？
12.6 Epsilon-Decreasing 策略的限制
12.7 本章小結

Ch01｜基本知識簡單說
1.1 準備資料
1.2 挑選演算法
1.3 調整參數
1.4 評估結果
1.5 本章小結

Ch02｜k-平均分群演算法
2.1 尋找消費者群集
2.2 舉例：電影迷的性格特徵
2.3 定義群集
2.4 先天限制
2.5 本章小結

Ch03｜主成份分析
3.1 探索食物的營養成分
3.2 主成份
3.3 舉例：分析食物族群
3.4 先天限制
3.5 本章小節

Ch04｜關聯規則
4.1 找出消費模式
4.2 支持度、可信度與作用度
4.3 舉例：食品雜貨交易
4.4 先驗原則
4.5 先天限制
4.6 本章小結

Ch05｜社群網路分析
5.1 將關係地圖化
5.2 舉例：武...