{"type":"product","schema_version":"1.0","item_id":"101222504741","canonical_url":"https://tw.bid.yahoo.com/item/101222504741","title":"益大資訊~集成式學習:Python實踐!整合全部技術,打造最強模型 9789863126942 旗標 F2387","subtitle":null,"condition":"全新品","currency":"TWD","observed_at":"2026-08-23T07:51:55.036Z","current_price":593,"original_price":"750.00","stock_status":"in_stock","available_quantity":10,"sold_quantity":0,"seller":{"id":"Y1221244390","name":"益大資訊電腦圖書專賣店","positive_rate":null,"rating_count":null},"images":[{"url":"https://img.yec.tw/ob/image/735b7ba2-b870-4f93-8b04-4bb423b9737a.jpg","role":"main","alt":"商品主圖","width":null,"height":null}],"description":"益大資訊~集成式學習:Python實踐!整合全部技術,打造最強模型 9789863126942 旗標 F2387\n\n出版社：旗標\n\n出版日期：2022年2月9日\n\nISBN：9789863126942\n\n書號：F2387\n\n定價：750 元     售價：593元\n\n別再傻傻只選一個模型\n\n訓練很多模型，卻不知道應該選哪一個？沒有一個模型達標？每個模型都有其優缺點，無法取捨？\n\n小朋友才做選擇，大人全都要！你該試試集成式學習！\n\n集成式學習是使用 2 種或更多的機器學習演算法，來組合出預測能力更好的模型。DeepMind 已經使用集成式學習來組合多個神經網路，控制 Google 資料中心的運作效能；集成式學習技術也在 Kaggle 平台上，席捲了各個競賽的第一名寶座。因此，集成式學習是建立出更具威力的模型，不可或缺的技術之一。\n\n本書會介紹實務上常見的集成式學習演算法，如硬投票、軟投票、堆疊法、自助聚合法、適應提升法、梯度提升法、隨機森林、極端隨機樹等，並且使用熱門的 scikit-learn、Keras、OpenEnsembles、XGBoost 等 Python 函式庫來實作各種不同的集成式學習技術，建構出一個強大的模型。熟稔本書的內容後，不但可以精通集成式學習，在實際情境中面對問題時，亦能具備充分的專業知識判斷適用的集成式學習方法，並成功實作它們。\n\n書中採用「做中學」的方式，讓你不僅可以快速掌握理論基礎，也能了解各種集成式學習技術的實作，再加上運用真實世界中的資料集，你將能夠建立出更佳的機器學習模型，以解決各種問題，包含迴歸、分類、分群。\n\n現在翻開本書，讓我們一起進入集成式學習的世界，整合你所會的全部技術，打造最強大的模型。 \n\n本書特色:\n \n● 繁體中文第 1 本集成式學習專書，告訴你不要再傻傻地只選一個模型\n● 完整介紹集成式學習中常見的演算法，包含極端隨機樹、堆疊法、自助聚合法、提升法等\n● 一書掌握實作集成式學習的必備套件，如 Scikit-Learn、OpenEnsembles、XGBoost 等\n● 用 Python 刻演算法給你看，接著告訴你怎麼用套件。讓你不只會做，還懂為什麼這麼做\n● 以 5 個實務案例來展示集成式學習的威力\n● 本書由施威銘研究室監修，內容易讀易懂，並加入大量「小編補充」補充必要知識\n● 本書 Python 範例程式免費下載\n\n第一篇 機器學習基礎知識\n第 1 章 機器學習的概念\n1.1 資料集\n1.2 監督式學習與非監督式學習\n13 效能指標（Performance Measures）\n1.4 模型驗證（Validation）\n1.5 機器學習演算法\n1.6 小結\n第 2 章 初探集成式學習（Ensemble Learning）\n2.1 何謂偏誤與變異\n2.2 評估偏誤與變異\n2.3 集成式學習（Ensemble Learning）\n2.4 小結\n第二篇 非生成式演算法\n第 3 章 投票法（Voting）\n3.1 多數決投票\n3.2 使用 Python 實作硬投票\n3.3 使用 Python 實作軟投票\n3.4 小編補充：加權軟投票\n3.5 小結\n第 4 章 堆疊法（Stacking）\n4.1 超學習（Meta-learning）\n4.2 超學習器的訓練資料集\n4.3 超學習器的測試資料集\n4.4 選擇學習器（Learner）\n4.5 使用堆疊法處理迴歸問題\n4.6 使用堆疊法處理分類問題\n4.7 建立堆疊的函式\n4.8 小編補充：堆疊的其他技巧\n4.9 小結\n第三篇 生成式演算法\n第 5 章 自助聚合法（Bootstrap Aggregation）\n5.1 自助抽樣法\n5.2 自助聚合法的原理\n5.3 使用 Python 實作自助聚合法的完整機制\n5.4 平行化（Parallelize）自助聚合法\n5.5 使用 scikit-learn 提供的自助聚合法處理分類問題\n5.6 使用 scikit-learn 提供的自助聚合法處理迴歸問題\n5.7 小結\n第 6 章 提升法（Boosting）\n6.1 適應提升（Adaptive Boosting, AdaBoost）\n6.2 使用 Python 實作適應提升的完整機制\n6.3 使用 scikit-learn 提供的適應提升處理分類問題\n6.4 使用 scikit-learn 提供的適應提升處理迴歸問題\n6.5 梯度提升（Gradient Boosting）\n6.6 使用 Python 實作梯度提升的完整機制\n6.7 使用 scikit-learn 提供的梯度提升處理迴歸問題\n68 使用 scikit-learn 提供的梯度提升處理分類問題\n6.9 使用 XGBoost 提供的梯度提升處理迴歸問題\n610 使用 XGBoost 提供...","shipping_methods":[{"name":"郵局掛號","fee":0,"currency":"TWD"},{"name":"7-ELEVEN取貨付款","fee":0,"currency":"TWD"},{"name":"萊爾富取貨付款","fee":0,"currency":"TWD"},{"name":"面交/自取/不寄送","fee":0,"currency":"TWD"}],"lowest_shipping_fee":null,"payment_methods":["ATM轉帳","萊爾富取貨付款","7-ELEVEN取貨付款"],"category_id":"2092073795","category_name":"程式語言","breadcrumb":[{"id":"3994318","name":"圖書/影音/文具","url":"/tw/%E5%9C%96%E6%9B%B8-%E5%BD%B1%E9%9F%B3-%E6%96%87%E5%85%B7-3994318-category.html"},{"id":"2092064185","name":"圖書與雜誌","url":"/tw/%E5%9C%96%E6%9B%B8%E8%88%87%E9%9B%9C%E8%AA%8C-2092064185-category.html"},{"id":"2092073792","name":"電腦/網路","url":"/tw/%E9%9B%BB%E8%85%A6-%E7%B6%B2%E8%B7%AF-2092073792-category.html"},{"id":"2092073795","name":"程式語言","url":"/tw/%E7%A8%8B%E5%BC%8F%E8%AA%9E%E8%A8%80-2092073795-category.html"}],"view_count":0,"watch_count":0}