精通機器學習｜使用Scikit-Learn與PyTorch
Hands-On Machine Learning with Scikit-Learn and PyTorch
活動訊息
全館滿$1,200送150點金幣，4月歡慶兒童節，童書、玩具、文具滿1000元再送200點金幣！
內容簡介
機器學習「聖經級」著作全新進化，正式擁抱PyTorch生態系！
別再只當AI使用者，跟著Aurélien Géron成為AI的打造者。
本書將是你技術職涯中最具價值的投資！
「本書是初學者踏入機器學習（ML）世界的完美起點。作者以清晰的範例程式與實際的範例，從基礎脈絡到核心概念層層揭開AI的奧祕。你將透過PyTorch與Scikit-Learn的完整操作流程，從入門一路挺進最新的機器學習與深度學習技術。」
——Louis-François Bouchard，教育者、Towards AI共同創辦人暨CTO
「Géron找出理論與實作的黃金比例，運用Scikit-Learn與PyTorch的實作來幫助你充分掌握重要概念，並以親切、易懂的說明讓複雜知識變得毫無負擔。這本書是我最推薦ML學習資源。」
——Ulf Bissbort，ZefHub共同創辦人暨CTO
機器學習的潛力正以空前的速度爆發，但它的複雜度總是令門外的開發者與科技工作者望而卻步。現在，無論你想提升技能、在實際專案中導入AI，亦或只想要瞭解AI系統到底如何運作，本書都是帶你邁入AI世界的完美起點。
作者Aurélien Géron以親切的筆法與扎實的知識，打造出最全面的機器學習與深度學習入門指南。你將透過清晰的講解與貼近現實的範例，逐步掌握Scikit-Learn、PyTorch、Hugging Face等主流工具，從基本的回歸技術到先進的神經網路架構，並在此基礎上，進一步介紹深度學習架構與現代AI技術，包括Transformer、生成式模型，以及大型語言模型（LLM）的應用與微調方法，一路暢行無阻。
本書內容橫跨傳統機器學習與現代深度學習，提供一條從入門到進階的完整學習路徑。無論是初學者、希望強化實作能力的工程師，或是計畫轉向 PyTorch 生態系的開發者，都能透過本書掌握打造智慧系統所需的關鍵知識與技術。
• 瞭解ML基礎知識，包括過度擬合與超參數調校等概念。
• 使用Scikit-Learn來完成一個完整的ML專案，不僅涵蓋資料探索，也包含模型評估。
• 學習無監督學習技巧，例如分群與異常偵測。
• 建立進階架構，例如使用transformer來建構聊天機器人，以及使用PyTorch來打造擴散模型。
• 運用預訓模型（包括LLM）並學習如何微調與提升其速度。
• 使用強化學習來訓練自主的代理。
別再只當AI使用者，跟著Aurélien Géron成為AI的打造者。
本書將是你技術職涯中最具價值的投資！
「本書是初學者踏入機器學習（ML）世界的完美起點。作者以清晰的範例程式與實際的範例，從基礎脈絡到核心概念層層揭開AI的奧祕。你將透過PyTorch與Scikit-Learn的完整操作流程，從入門一路挺進最新的機器學習與深度學習技術。」
——Louis-François Bouchard，教育者、Towards AI共同創辦人暨CTO
「Géron找出理論與實作的黃金比例，運用Scikit-Learn與PyTorch的實作來幫助你充分掌握重要概念，並以親切、易懂的說明讓複雜知識變得毫無負擔。這本書是我最推薦ML學習資源。」
——Ulf Bissbort，ZefHub共同創辦人暨CTO
機器學習的潛力正以空前的速度爆發，但它的複雜度總是令門外的開發者與科技工作者望而卻步。現在，無論你想提升技能、在實際專案中導入AI，亦或只想要瞭解AI系統到底如何運作，本書都是帶你邁入AI世界的完美起點。
作者Aurélien Géron以親切的筆法與扎實的知識，打造出最全面的機器學習與深度學習入門指南。你將透過清晰的講解與貼近現實的範例，逐步掌握Scikit-Learn、PyTorch、Hugging Face等主流工具，從基本的回歸技術到先進的神經網路架構，並在此基礎上，進一步介紹深度學習架構與現代AI技術，包括Transformer、生成式模型，以及大型語言模型（LLM）的應用與微調方法，一路暢行無阻。
本書內容橫跨傳統機器學習與現代深度學習，提供一條從入門到進階的完整學習路徑。無論是初學者、希望強化實作能力的工程師，或是計畫轉向 PyTorch 生態系的開發者，都能透過本書掌握打造智慧系統所需的關鍵知識與技術。
• 瞭解ML基礎知識，包括過度擬合與超參數調校等概念。
• 使用Scikit-Learn來完成一個完整的ML專案，不僅涵蓋資料探索，也包含模型評估。
• 學習無監督學習技巧，例如分群與異常偵測。
• 建立進階架構，例如使用transformer來建構聊天機器人，以及使用PyTorch來打造擴散模型。
• 運用預訓模型（包括LLM）並學習如何微調與提升其速度。
• 使用強化學習來訓練自主的代理。
目錄
前言
【第一部分 機器學習的基本概念】
第一章 機器學習全景
何謂機器學習？
為什麼要使用機器學習？
應用範例
機器學習系統的類型
ML的主要挑戰
測試與驗證
習題
第二章 機器學習專案的完整流程
使用真實的資料
瞭解大局
取得資料
探索資料並將資料視覺化以獲得見解
為ML演算法準備資料
選擇並訓練模型
微調你的模型
上線、監視與維護你的系統
大膽嘗試吧！
習題
第三章 分類
MNIST
訓練二元分類器
效能指標
多類別分類
錯誤分析
多標籤分類
多輸出分類
習題
第四章 訓練模型
線性回歸
梯度下降
多項式回歸
學習曲線
正則化線性模型
Logistic回歸
習題
第五章 決策樹
訓練與視覺化決策樹
進行預測
估計類別機率
CART訓練演算法
計算複雜度
使用Gini不純度還是entropy？
正則化超參數
回歸
對方向敏感
決策樹有高變異性
習題
第六章 集成學習與隨機森林
投票分類器
Bagging與Pasting
隨機森林
Boosting
Stacking
習題
第七章 降維
維數詛咒
降維的主要方法
PCA
隨機投影
LLE
其他的降維技術
習題
第八章 無監督學習技術
分群演算法：k-means與DBSCAN
高斯混合
習題
【第二部分 神經網路與神度學習】
第九章 人工神經網路導論
從生物神經元到人工神經元
使用Scikit-Learn來建構與訓練MLPs
超參數調整指南
習題
第十章 使用PyTorch來建構神經網路
PyTorch基礎
實作線性回歸
實作回歸MLP
使用DataLoader來實作小批次梯度下降
模型評估
使用自訂模組來建立非sequential模型
使用PyTorch來建立圖像分類器
微調神經網路超參數：使用Optuna
儲存與載入PyTorch模型
編譯與最佳化PyTorch模型
習題
第十一章 訓練深度神經網路
梯度消失／爆炸問題
重複使用預訓層
更快的optimizer
學習率排程
透過正則化來避免過度擬合
實務指南
習題
第十二章 深度電腦視覺：使用摺積神經網路
視覺皮層的架構
摺積層
池化層
使用PyTorch來實作池化層
CNN架構
使用PyTorch來實作ResNet-34 CNN
使用TorchVision的預訓模型
用來執行遷移學習的預訓模型
分類與定位
物體偵測
物體追蹤
語意分割
習題
第十三章 使用RNN與CNN來處理序列
遞迴神經元與階層
訓練RNN
預測時間序列
處理長序列
習題
第十四章 使用RNN與注意力機制來處理自然語言
使用字元RNN來產生莎士比亞風格的句子
使用Hugging Face程式庫來分析情感
用於神經機器翻譯的Encoder-Decoder網路
Beam Search
注意力機制
習題
第十五章 使用Transformer來執行NLP與製作聊天機器人
Attention Is All You Need：原始的Transformer架構
建構可將英文翻譯成西班牙文的Transformer
用Encoder-Only Transformer來理解自然語言
Decoder-Only Transformers
將大型語言模型變成聊天機器人
Encoder-Decoder模型
習題
第十六章 視覺與多模態Transformer
視覺Transformer
多模態Transformers
其他的多模態模型
習題
第十七章 加速Transformer
第十八章 自編碼器、GAN與擴散模型
有效率的資料表徵
使用欠完備的線性自編碼器來執行PCA
堆疊式自編碼器
摺積自編碼器
去雜訊自編碼器
稀疏自編碼器
變分自編碼器
生成Fashion MNIST圖像
生成對抗網路
擴散模型
習題
第十九章 強化學習
什麼是強化學習？
策略梯度
基於價值的方法
Actor-Critic演算法
使用Stable-Baselines3 PPO來訓練
Atari打磚塊遊戲大師
一些常見RL的演算法
習題
Thank You!
附錄A自動微分
附錄B混合精度與量化
索引
【第一部分 機器學習的基本概念】
第一章 機器學習全景
何謂機器學習？
為什麼要使用機器學習？
應用範例
機器學習系統的類型
ML的主要挑戰
測試與驗證
習題
第二章 機器學習專案的完整流程
使用真實的資料
瞭解大局
取得資料
探索資料並將資料視覺化以獲得見解
為ML演算法準備資料
選擇並訓練模型
微調你的模型
上線、監視與維護你的系統
大膽嘗試吧！
習題
第三章 分類
MNIST
訓練二元分類器
效能指標
多類別分類
錯誤分析
多標籤分類
多輸出分類
習題
第四章 訓練模型
線性回歸
梯度下降
多項式回歸
學習曲線
正則化線性模型
Logistic回歸
習題
第五章 決策樹
訓練與視覺化決策樹
進行預測
估計類別機率
CART訓練演算法
計算複雜度
使用Gini不純度還是entropy？
正則化超參數
回歸
對方向敏感
決策樹有高變異性
習題
第六章 集成學習與隨機森林
投票分類器
Bagging與Pasting
隨機森林
Boosting
Stacking
習題
第七章 降維
維數詛咒
降維的主要方法
PCA
隨機投影
LLE
其他的降維技術
習題
第八章 無監督學習技術
分群演算法：k-means與DBSCAN
高斯混合
習題
【第二部分 神經網路與神度學習】
第九章 人工神經網路導論
從生物神經元到人工神經元
使用Scikit-Learn來建構與訓練MLPs
超參數調整指南
習題
第十章 使用PyTorch來建構神經網路
PyTorch基礎
實作線性回歸
實作回歸MLP
使用DataLoader來實作小批次梯度下降
模型評估
使用自訂模組來建立非sequential模型
使用PyTorch來建立圖像分類器
微調神經網路超參數：使用Optuna
儲存與載入PyTorch模型
編譯與最佳化PyTorch模型
習題
第十一章 訓練深度神經網路
梯度消失／爆炸問題
重複使用預訓層
更快的optimizer
學習率排程
透過正則化來避免過度擬合
實務指南
習題
第十二章 深度電腦視覺：使用摺積神經網路
視覺皮層的架構
摺積層
池化層
使用PyTorch來實作池化層
CNN架構
使用PyTorch來實作ResNet-34 CNN
使用TorchVision的預訓模型
用來執行遷移學習的預訓模型
分類與定位
物體偵測
物體追蹤
語意分割
習題
第十三章 使用RNN與CNN來處理序列
遞迴神經元與階層
訓練RNN
預測時間序列
處理長序列
習題
第十四章 使用RNN與注意力機制來處理自然語言
使用字元RNN來產生莎士比亞風格的句子
使用Hugging Face程式庫來分析情感
用於神經機器翻譯的Encoder-Decoder網路
Beam Search
注意力機制
習題
第十五章 使用Transformer來執行NLP與製作聊天機器人
Attention Is All You Need：原始的Transformer架構
建構可將英文翻譯成西班牙文的Transformer
用Encoder-Only Transformer來理解自然語言
Decoder-Only Transformers
將大型語言模型變成聊天機器人
Encoder-Decoder模型
習題
第十六章 視覺與多模態Transformer
視覺Transformer
多模態Transformers
其他的多模態模型
習題
第十七章 加速Transformer
第十八章 自編碼器、GAN與擴散模型
有效率的資料表徵
使用欠完備的線性自編碼器來執行PCA
堆疊式自編碼器
摺積自編碼器
去雜訊自編碼器
稀疏自編碼器
變分自編碼器
生成Fashion MNIST圖像
生成對抗網路
擴散模型
習題
第十九章 強化學習
什麼是強化學習？
策略梯度
基於價值的方法
Actor-Critic演算法
使用Stable-Baselines3 PPO來訓練
Atari打磚塊遊戲大師
一些常見RL的演算法
習題
Thank You!
附錄A自動微分
附錄B混合精度與量化
索引
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價