機器學習教學的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

Android初學特訓班(第九版)(附影音/範例/機器學習教學與Kotlin開發入門電子書)

為了解決機器學習教學的問題，作者文淵閣工作室 這樣論述：

最新Android 10，全新Android Studio 3.5開發實戰 舊版熱銷累計近3萬冊，眾多教師與讀者選書第一指名， Android暢銷人氣經典！ 　　【超值學習資源】 　　範例程式/近100分鐘關鍵影音教學/延伸練習 　　「機器學習Firebase ML Kit」教學pdf電子書 　　新語言「Kotlin開發入門」pdf電子書 　　掌握近90個關鍵範例，徹底打好App開發力！ 　　即使沒有Java基礎，不曾接觸過手機應用程式設計， 　　也能進入Android App開發的殿堂！ 　　■最新的開發內容： 　　應用最新Android Studio 3.5環境進行Android

10專題開發，與全球開發者同步實戰。 　　■易懂的學習流程： 　　針對Android程式開發進行步驟拆解、流程分析與圖示表現，再加上紮實的範例演練，無痛學會核心開發技巧，養成良好的開發習慣。 　　■豐富的元件應用： 　　除了輸入、按鈕、訊息顯示、選項清單、功能表等元件外，更納入全新的ConstraintLayout版面配置，讓App具備專業外表與操作流暢性。 　　■實用的範例程式： 　　兼具由淺入深的特性、趣味性和實用性，有助了解程式原理，進而應用在專案發想與開發。 　　■重要的開發技巧： 　　深入了解程式運作，包含Intent、資源管理分配、生命週期，以及利用相關工具加速並改善開發

流程，詳細解說自動完成功能與除錯工具。 　　■多元的應用主題： 　　如檔案資料處理、資料庫、時間服務、圖片、音訊、視訊、多媒體應用、Google Maps應用程式開發、Android模擬器使用，以及上架Google Play商店。 　　■加碼提供機器學習(Firebase ML Kit)教學PDF： 　　因應AI人工智慧的浪潮，針對Google發佈的Firebase ML Kit進行解說，實作Android人臉偵測專案。 　　■加碼提供Android Kotlin開發入門教學PDF： 　　新一代的Android應用程式開發語言Kotlin即將崛起，書中將以專題實作引領您快速入門Kotli

n的開發世界。 　　■超值的影音教學： 　　針對關鍵與易產生學習障礙的內容，提供影音輔助教學，迅速提升學習效率。 　　■專屬的線上服務： 　　因應Android開發版本的變化，提供線上專屬服務，即時互動，降低學習困境，並可取得Android最新訊息與資料。  

機器學習教學進入發燒排行的影片

自組織映射圖結合類神經網路應用於台灣加權指數建模及預測

為了解決機器學習教學的問題，作者廖翊銘 這樣論述：

最近AlphaGo的出現，讓許多人開始關注機器學習及類神經網路的發展與應用，希望利用類神經網路分析資料，從中得到各項有用數據及預測未來資訊。本研究主要利用自組織映射圖（Self-Organization Map，SOM），針對台灣加權指數技術指標做數據聚類分群，再從各個聚類裡取出代表性技術指標為倒傳遞類神經網路（Back-propagation Neural Network，BPN）輸入單元，使輸入單元都具有不同特性。利用台灣加權指數各日的交易資料，計算各項輸入技術指標值做為倒傳遞類神經網路模型之輸入單元值，經過模型訓練，建立神經網路模型用於預測隔日加權指數收盤價。本研究主要利用R語言裡的自

組織映射圖套件（kohonen）及倒傳遞類神經網路套件（neuralnet）進行模型建立與測試。

機器學習導論（原書第2版）

為了解決機器學習教學的問題，作者（美）米羅斯拉夫·庫巴特 這樣論述：

本書是一本淺顯易懂的機器學習入門教材，它以理論與實際相結合的方式全面地涵蓋了主流的機器學習理論與技術。   全書共17章，介紹了貝葉斯分類器、近鄰分類器、線性與多項式分類器、人工神經網路、決策樹、基於規則集的分類器、遺傳演算法等經典的機器學習方法，對計算學習理論、性能評估、統計顯著性等進行了討論。講解了集成學習、多標籤學習、無監督學習和強化學習等重要的機器學習領域。本書還通過大量的應用實例，闡述了機器學習技術的許多應用技巧。每章結尾對相關機器學習工作都進行了歷史簡評，並附有練習、思考題和上機實驗。 Miroslav Kubat美國邁阿密大學教授，從事機器學習教學和研究超過2

5年。他已發表100余篇經過同行評審的論文，與人合編了兩本著作，是近60個會議和研討會的委員會委員，並擔任3本學術刊物的編委。他在兩個方面的前沿研究上得到了廣泛讚譽：時變概念的歸納學習和在非平衡訓練集上的學習。此外，在多標籤樣例上的歸納學習、層次組織的類別上的歸納學習、遺傳演算法、神經網路的初始化等問題上，他也做出了很多貢獻。 譯者序 原書前言 第 1章 一個簡單的機器學習任務 //1 1.1 訓練集和分類器 //1 1.2 題外話：爬山搜索 //4 1.3 機器學習中的爬山法 //6 1.4 分類器的性能 //8 1.5 可用資料的困難 //9 1.6 小結和歷史簡評 /

/11 1.7 鞏固知識 //11 第 2章 概率：貝葉斯分類器 //14 2.1 單屬性的情況 //14 2.2 離散屬性值的向量 //17 2.3 稀少事件的概率：利用專家的直覺 //20 2.4 如何處理連續屬性 //23 2.5 高斯鐘形函數：一個標準的 pdf //24 2.6 用高斯函數的集合近似 pdf //26 2.7 小結和歷史簡評 //30 2.8 鞏固知識 //30 第 3章 相似性：最近鄰分類器 //32 3.1 k近鄰法則 //32 3.2 度量相似性 //34 3.3 不相關屬性與尺度縮放問題 //36 3.4 性能方面的考慮 //39 3.5 加權最近鄰 //41

3.6 移除危險的樣例 //42 3.7 移除多餘的樣例 //44 3.8 小結和歷史簡評 //46 3.9 鞏固知識 //46 第 4章 類間邊界：線性和多項式分類器 //49 4.1 本質 //49 4.2 加法規則：感知機學習 //51 4.3 乘法規則： WINNOW //55 4.4 多於兩個類的域 //58 4.5 多項式分類器 //60 4.6 多項式分類器的特殊方面 //62 4.7 數值域和 SVM //63 4.8 小結和歷史簡評 //65 4.9 鞏固知識 //66 第 5章 人工神經網路 //69 5.1 作為分類器的多層感知機 //69 5.2 神經網路的誤差 //

72 5.3 誤差的反向傳播 //73 5.4 多層感知機的特殊方面 //77 5.5 結構問題 //79 5.6 RBF網路 //81 5.7 小結和歷史簡評 //83 5.8 鞏固知識 //84 第 6章 決策樹 //86 6.1 作為分類器的決策樹 //86 6.2 決策樹的歸納學習 //89 6.3 一個屬性承載的資訊 //91 6.4 數值屬性的二元劃分 //94 6.5 剪枝 //96 6.6 將決策樹轉換為規則 //99 6.7 小結和歷史簡評 //101 6.8 鞏固知識 //101 第 7章 計算學習理論 //104 7.1 PAC學習 //104 7.2 PAC可學習性的實

例 //106 7.3 一些實踐和理論結果 //108 7.4 VC維與可學習性 //110 7.5 小結和歷史簡評 //112 7.6 鞏固知識 //112 第 8章 典型案例 //114 8.1 字元識別 //114 8.2 溢油檢測 //117 8.3 睡眠分類 //119 8.4 腦機介面 //121 8.5 醫療診斷 //124 8.6 文本分類 //126 8.7 小結和歷史簡評 //127 8.8 鞏固知識 //128 第 9章 投票組合簡介 //130 9.1 “Bagging”方法 //130 9.2 “Schapire’s Boosting”方法 //132 9.3 “Ad

aboost”方法： “Boosting”方法的實用版本 //134 9.4 “Boosting”方法的變種 //138 9.5 該方法的計算優勢 //139 9.6 小結和歷史簡評 //141 9.7 鞏固知識 //141 第 10章 瞭解一些實踐知識 //143 10.1 學習器的偏好 //143 10.2 不平衡訓練集 //145 10.3 語境相關域 //148 10.4 未知屬性值 //150 10.5 屬性選擇 //152 10.6 雜項 //154 10.7 小結和歷史簡評 //155 10.8 鞏固知識 //156 第 11章 性能評估 //158 11.1 基本性能標準 //

158 11.2 精度和查全率 //160 11.3 測量性能的其他方法 //163 11.4 學習曲線和計算開銷 //166 11.5 實驗評估的方法 //167 11.6 小結和歷史簡評 //169 11.7 鞏固知識 //170 第 12章 統計顯著性 //173 12.1 總體抽樣 //173 12.2 從正態分佈中獲益 //176 12.3 置信區間 //178 12.4 一個分類器的統計評價 //180 12.5 另外一種統計評價 //182 12.6 機器學習技術的比較 //182 12.7 小結和歷史簡評 //184 12.8 鞏固知識 //185 第 13章 多標籤學習 //

186 13.1 經典機器學習框架下的多標籤 問題 //186 13.2 單獨處理每類資料的方法：二元相關法 //188 13.3 分類器鏈 //190 13.4 另一種方法：層疊演算法 //191 13.5 層次有序類的簡介 //192 13.6 類聚合 //194 13.7 分類器性能的評價標準 //196 13.8 小結和歷史簡評 //198 13.9 鞏固知識 //199 第 14章 無監督學習 //202 14.1 聚類分析 //202 14.2 簡單演算法： k均值 //204 14.3 k均值的高級版 //207 14.4 分層聚集 //209 14.5 自組織特徵映射：簡介 /

/211 14.6 一些重要的細節 //213 14.7 為什麼要特徵映射 //214 14.8 小結和歷史簡評 //215 14.9 鞏固知識 //216 第 15章 規則集形式的分類器 //218 15.1 由規則描述的類別 //218 15.2 通過序列覆蓋歸納規則集 //220 15.3 謂詞與迴圈 //222 15.4 更多高級的搜索運算元 //224 15.5 小結和歷史簡評 //225 15.6 鞏固知識 //225 第 16章 遺傳演算法 //227 16.1 基本遺傳演算法 //227 16.2 個體模組的實現 //229 16.3 為什麼能起作用 //231 16.4 過早

退化的危險 //233 16.5 其他遺傳運算元 //234 16.6 高級版本 //235 16.7 kNN分類器的選擇 //237 16.8 小結和歷史簡評 //239 16.9 鞏固知識 //240 第 17章 強化學習 //241 17.1 如何選出最高獎勵的動作 //241 17.2 遊戲的狀態