是否对零散的文章和过多的数学感到沮丧？
迈出下一步，获取基于教程的实战指南
它将引导您获得特定的结果
欢迎来到：机器学习精进电子书目录
最热门电子书
精通 Python 机器学习
理解您的数据，创建精确模型并端到端地完成项目
探索一个流程，您可以用它来开始并精通应用机器学习，以使用包括 Pandas 和 scikit-learn 在内的 Python 生态系统进行预测建模。本书将引导您从一个对 Python 机器学习感兴趣的开发人员，成长为一个有资源、有能力使用 Python 端到端地处理新数据集并开发精确预测模型的开发人员。
热销产品
超级捆绑包
（享 74.33% 超值折扣）
此 31 册套装包含目前所有的电子书！
- 机器学习线性代数
- 机器学习的统计方法
- 机器学习概率
- 机器学习优化
- 精通机器学习算法
- 从零开始实现机器学习算法
- 精通 Weka 机器学习
- 精通 Python 机器学习
- 精通 R 语言机器学习
- 机器学习数据准备
- 使用 Python 处理不平衡分类问题
- Python 时间序列预测入门
- 使用 Python 进行深度学习
- 使用 Python 构建长短期记忆网络
- 用于自然语言处理的深度学习
- 用于计算机视觉的深度学习
- 用于时间序列预测的深度学习
- 使用 Python 构建生成对抗网络
- 更好的深度学习
- 使用 Python 实现 XGBoost
- 使用 Python 实现集成学习算法
- 机器学习微积分
- 用于机器学习的 Python
- 使用注意力机制构建 Transformer 模型
- 使用 PyTorch进行深度学习
- 使用 ChatGPT 最大化生产力
- OpenCV 中的机器学习
- 数据科学入门指南
- 使用 Stable Diffusion 精通数字艺术
- 新一代数据科学
- 使用 Hugging Face Transformers 进行自然语言处理
Python 机器学习捆绑包
（享 31.33% 超值折扣）
此 8 册套装包含
- 从零开始实现机器学习算法（Python 版）
- 精通 Python 机器学习
- 机器学习数据准备
- 使用 Python 处理不平衡分类问题
- 使用 Python 实现 XGBoost
- 使用 Python 进行时间序列预测
- 使用 Python 实现集成学习算法
- 用于机器学习的 Python
精通机器学习算法
探索工作原理并从零开始实现它们
本书温和地介绍了从数据中学习模型的程序，涵盖了 10 种用于预测建模的流行且实用的监督式机器学习算法。每种算法都包含一个或多个分步教程，精确解释如何将数字代入每个方程，以及预期输出的数值。每个教程都设计为可以在电子表格中完成。
热销产品入门电子书
使用 Stable Diffusion 精通数字艺术
无需画笔，释放您的创造潜力
生成式 AI 是一项近期的创新，它使计算机能够绘画——这是一个真正突破性的想法。这本电子书是您学习 Stable Diffusion 和图像生成 AI 的入门之选。
数据科学入门指南
运用统计技术，从数据到洞见的旅程
通过这本电子书，您将通过一个真实的数据集探索房地产市场，运用统计、可视化工具和 Python 教程，展示完成一个数据科学项目是多么简单。数据科学的精髓在于用数据讲故事，而本书将为您提供叙事技巧和必要的工具，让您的数据故事生动起来。
机器学习线性代数基础
在 Python 中探索数据的数学语言
通过清晰的解释、标准的 Python 库和分步教程，您将了解到什么是线性代数、线性代数对机器学习的重要性、向量和矩阵运算、矩阵分解、主成分分析等等。
超值之选
机器学习的统计方法
探索如何用 Python 将数据转化为知识
通过清晰的解释、标准的 Python 库和分步教程，您将探索统计方法对机器学习的重要性、汇总统计、假设检验、非参数统计、重采样方法等等。
机器学习概率
探索如何用 Python 驾驭不确定性
通过清晰的解释、标准的 Python 库和分步教程，您将探索概率对机器学习的重要性，包括贝叶斯定理、贝叶斯优化、最大似然估计、熵、概率分布、概率类型、朴素分类器模型等等。
精通机器学习算法
探索工作原理并从零开始实现它们
本书温和地介绍了从数据中学习模型的程序，涵盖了 10 种用于预测建模的流行且实用的监督式机器学习算法。每种算法都包含一个或多个分步教程，精确解释如何将数字代入每个方程，以及预期输出的数值。每个教程都设计为可以在电子表格中完成。
热销产品
从零开始实现机器学习算法
使用 Python
通过清晰的解释、简单的纯 Python 代码（无任何库！）和分步教程，您将探索如何加载和准备数据、评估模型性能，并从零开始实现一套线性、非线性和集成机器学习算法。
中级电子书
使用 Weka 精通机器学习
分析数据、开发模型并完成项目
探索如何使用 Weka 开源平台，在不编写任何代码的情况下，加载数据、转换数据、评估机器学习算法，并端到端地完成机器学习项目。在 18 个课程和 3 个端到端项目中，本书采用了分步教程的方法，向您精确展示了点击哪里以及预期的结果。
精通 Python 机器学习
理解您的数据，创建精确模型并端到端地完成项目
探索一个流程，您可以用它来开始并精通应用机器学习，以使用包括 Pandas 和 scikit-learn 在内的 Python 生态系统进行预测建模。本书将引导您从一个对 Python 机器学习感兴趣的开发人员，成长为一个有资源、有能力使用 Python 端到端地处理新数据集并开发精确预测模型的开发人员。
热销产品
精通 R 语言机器学习
入门、构建精确模型并分步完成项目
R 之所以成为专业数据科学家最受欢迎的应用机器学习平台，是有原因的。探索如何使用 R 和被广泛采用的 caret 库，一步步地完成预测建模的机器学习项目。
使用 Python 处理不平衡分类问题
更好的评估指标、平衡倾斜类别、成本敏感学习
不平衡分类是指那些类别间样本分布不均的分类任务。通过清晰的解释、标准的 Python 库和分步教程，您将探索如何为自己的不平衡分类项目自信地开发出稳健的模型。
机器学习数据准备
Python 中的数据清洗、特征选择和数据转换
数据准备涉及将原始数据转换为可被机器学习算法建模的形式。通过清晰的解释、标准的 Python 库和分步教程，您将探索如何自信且有效地为机器学习的预测建模准备数据。
使用 Python 实现集成学习算法
通过 Bagging、Boosting 和 Stacking 做出更好的预测
在许多分类和回归问题上，预测性能是最重要的考量。通过清晰的解释、标准的 Python 库和分步教程，您将探索如何自信且有效地使用集成算法来提升预测建模的性能。
高级电子书
PyTorch 深度学习
使用 PyTorch 开发深度学习模型
Python 的科学计算生态系统已经成熟并正在迅速扩展。该平台拥有像 scikit-learn 这样的通用机器学习库，可以与您的深度学习模型配合使用。学习深度学习模型开发的各个环节，以及应用深度学习的子任务如何映射到 PyTorch 库，并掌握完成每个任务的最佳实践方法。
使用 Python 进行深度学习
使用 Keras 在 Theano 和 TensorFlow 上开发深度学习模型
深度学习是目前最有趣、最强大的机器学习技术。顶级的深度学习库，如 Theano 和 TensorFlow，都可以在 Python 生态系统中使用。通过使用 Keras——这个顶级的应用深度学习库，您只需几行代码就能利用它们强大的功能。探索如何开始并将深度学习应用于您自己的机器学习项目中。
热销产品
用于计算机视觉的深度学习
Python 中的图像分类、目标检测和人脸识别
深度学习方法可以在诸如图像分类、目标检测和人脸识别等具有挑战性的计算机视觉问题上取得顶尖成果。通过清晰的解释、标准的 Python 库和分步教程，您将探索如何为自己的计算机视觉项目开发深度学习模型。
使用 Python 构建生成对抗网络
用于图像合成和图像翻译的深度生成模型
生成对抗网络（GAN）是一种深度学习生成模型，它可以在一系列图像合成和图像到图像翻译问题上实现惊人的逼真效果。通过清晰的解释、标准的 Python 库和分步教程，您将探索如何为自己的计算机视觉项目开发 GAN 模型。
更好的深度学习
训练更快、减少过拟合、做出更好的预测
深度学习神经网络的定义和拟合已变得容易，但配置仍然困难。探索如何精确地提升深度学习神经网络模型在您的预测建模项目中的性能。重点关注能加快学习速度的技术（如批量归一化），减少过拟合的技术（如权重衰减和 dropout），以及提升预测效果的技术（如堆叠集成）。
Python 长短期记忆网络
用深度学习开发序列预测模型
通过清晰的解释、标准的 Python 库和分步教程，您将了解到什么是 LSTM，以及如何开发一套 LSTM 模型，以便在您的序列预测问题上充分利用这种现代深度学习算法。
用于时间序列预测的深度学习
在 Python 中使用 MLP、CNN 和 LSTM 预测未来
通过清晰的解释、标准的 Python 库和分步教程，您将探索如何为自己的时间序列预测项目开发深度学习模型。
用于自然语言处理的深度学习
在 Python 中为自然语言开发深度学习模型
通过清晰的解释、标准的 Python 库和分步教程，您将了解到什么是自然语言处理、深度学习在该领域的应用前景、如何为建模清洗和准备文本数据，以及如何为自己的自然语言处理项目开发深度学习模型。
使用 Python 实现 XGBoost
使用 XGBoost 和 scikit-learn 的梯度提升树
XGBoost 是表格数据预测建模的主流技术。梯度提升算法是解决各种预测建模问题的顶级技术，而 XGBoost 是其最快的实现。当被问及时，世界上最优秀的机器学习竞赛选手都推荐使用 XGBoost。
使用注意力机制构建 Transformer 模型
为您揭示 Attention 和 Transformer 的细节
了解 Attention 机制如何完成任务，以及我们为何构建 Transformer 模型来处理序列数据。您还将创建您自己的 Transformer 模型，用于将句子从一种语言翻译成另一种语言。
电子书捆绑包
Python 机器学习捆绑包
（享 30.48% 超值折扣）
此 7 册套装包含
- 从零开始实现机器学习算法（Python 版）
- 精通 Python 机器学习
- 机器学习数据准备
- 使用 Python 处理不平衡分类问题
- 使用 Python 实现 XGBoost
- 使用 Python 进行时间序列预测
- 使用 Python 实现集成学习算法
深度学习捆绑包
（享 32.86% 超值折扣）
此 9 册套装包含
- 使用 Python 进行深度学习
- 用于计算机视觉的深度学习
- 自然语言处理的深度学习
- 用于时间序列预测的深度学习
- 使用 Python 构建生成对抗网络
- 长短期记忆网络
- 更好的深度学习
- 使用注意力机制构建 Transformer 模型
- 使用 PyTorch进行深度学习
超级捆绑包
（享 74.33% 超值折扣）
新书此 31 册套装包含目前所有的电子书！
- 机器学习统计方法
- 机器学习线性代数
- 机器学习概率
- 机器学习优化
- 精通机器学习算法
- 从零开始实现机器学习算法
- 精通 Weka 机器学习
- 精通 R 语言机器学习
- 精通 Python 机器学习
- 机器学习数据准备
- 使用 Python 处理不平衡分类问题
- 使用 Python 进行时间序列预测
- 使用 Python 进行深度学习
- 用于计算机视觉的深度学习
- 用于自然语言处理的深度学习
- 用于时间序列预测的深度学习
- 使用 Python 构建生成对抗网络
- 更好的深度学习
- 使用 Python 构建 LSTM 网络
- 使用 Python 实现 XGBoost
- 使用 Python 实现集成学习算法
- 机器学习微积分
- 用于机器学习的 Python
- 使用注意力机制构建 Transformer 模型
- 使用 PyTorch进行深度学习
- 使用 ChatGPT 最大化生产力
- OpenCV 中的机器学习
- 数据科学入门指南
- 使用 Stable Diffusion 精通数字艺术
- 新一代数据科学
- 使用 Hugging Face Transformers 进行自然语言处理
最佳价值
捐赠
您愿意支持机器学习精进网站吗？
考虑一次性捐赠或成为月度赞助人。
点击下方按钮了解详情。
了解更多