機器學習 預測數值的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

AI必修課：日本情感研究權威的人工智慧秒懂攻略

為了解決機器學習 預測數值的問題，作者坂本真樹 這樣論述：

　　NHK、全球財經衛星、朝日新聞爭相邀請 　　日本AI情感研究第一人 　　亞馬遜網友熱烈贊同，讀懂AI的第一本書 　　人工智慧來了！ 　　AlphaGo在棋盤上打敗人類、蘇菲亞成為沙國公民… 　　未來，AI還會造成什麼樣的影響？ 　　準備好迎接人造智慧的時代了嗎？ 　　本書適合想了解AI，但似懂非懂，覺得相關知識很難的讀者，能為學生建立基礎概念，提前職涯規劃，也能讓社會人士速修最新知識，領先時代潮流。 　　日本AI情感研究第一人、第一位分析AlphaGo及AI情感的研究者坂本真樹教授， 　　手把手帶你了解AI！ 　　本書重點： 　　★人工智慧(AI)到底是什麼？漫畫插圖一次看懂！

　　★AI≠機器人！人工智慧與機器人的關係，就像大腦和身體 　　★AI也有分等級，你身邊的冰箱、冷氣可能就是AI！ 　　★根據摩爾定律，電腦將在2045年超越人腦！ 　　★哪些工作會在未來消失，哪些工作不會被AI取代？ 　　★課外補充、求職先修、職場加分必讀！ 　　立刻了解AI發展史、現況，掌握未來趨勢！  

機器學習 預測數值進入發燒排行的影片

結合LRFMP模型及顧客活躍性指標於智慧販賣機銷售預測與銷售點分群－以Y公司為例

為了解決機器學習 預測數值的問題，作者吳安琪 這樣論述：

近年來，隨著新零售的崛起，加上疫情的肆虐，不少行業被迫進行數位轉型，結合人工智慧、大數據等工具，使得新零售技術逐漸成熟，不但整合同步線上、線下庫存資訊，更減少滯銷、缺貨的損失，加上方便的物流，能夠因應線上需求，短時間進行線下補貨，提供顧客更好的消費體驗，因此掌握新零售優勢，將成為各行業脫穎而出的關鍵。本研究以Y公司所研發之智慧販賣機作為研究對象，針對54個設立智慧販賣機之捷運站進行分析，以2019年12月至2020年10月官方網站線上庫存數據為依據，透過捷運站智慧販賣機的角度，延伸計算每月之LRFMP及顧客活躍性指標（Customer Activity Index, CAI）並置於資料群內。

接著，本研究針對銷售點機台之設址位置（即捷運站別）進行分群與各站智慧販賣機之銷售預測，前者使用K-means、階層集群分析法、二階段集群分析法個別將銷售點機台分群成不同的群體並進行三者之分群比較，除將各群潛在價值高低程度排序之外，也分別針對各群給予不同的行銷建議，期望能提供Y公司行銷上的幫助；後者使用隨機森林演算法與梯度提升樹演算法建置銷售預測模型，隨後比較兩種模型之準確率高低並給予適當之模型建議，期望能減少供不應求的損失與供過於求的浪費，以提升整體獲益。結果顯示，（1）三種分群方法均有共通分群；（2）定義共通分群並針對各群潛在價值高低給予不同行銷建議；（3）兩種銷售預測模型皆有良好之預測能力

；（4）於限制條件下，梯度提升樹較隨機森林適合預測數值。

機器學習與R語言

為了解決機器學習 預測數值的問題，作者（美）蘭茲 這樣論述：

隨着大數據的概念變得越來越流行，對數據的探 索、分析和預測成為大數據分析領域的基本技能之一 。作為探索和分析數據的基本理論和工具，機器學習 和數據挖掘成為時下炙手可熱的技術。R作為功能強 大並且免費的數據分析工具，在數據分析領域獲得了 越來越多用戶的青睞。蘭茲編著的《機器學習與R語言》通過豐富的實 際案例來探索如何應用R來進行現實世界問題的機器 學習，如何從數據中獲取可以付諸行動的洞察力。本 書案例清晰而實用，講解循序漸進，是一本用R進行 機器學習的實用指南，既適用於機器學習的初學者， 也適用於具有一定經驗的老手，本書將幫助他們回答 有關R的所有問題。通過閱讀本書，你將學到

： 用R准備用於機器學習的數據 用R進行數據探索和數據可視化 用k近鄰方法進行數據分類 應用朴素貝葉斯方法進行數據分類 應用決策樹、規則和支持向量機進行預測 用線性回歸預測數值型數據 用神經網絡對數據建模 應用購物籃分析的關聯規則找出數據中的模式 通過對數據聚類進行市場細分 。Brett Lantz，在應用創新的數據方法來理解人類的行為方面有10余年經驗。他最初是一名社會學家，在學習一個青少年社交網站分布的大型數據庫時，他就開始陶 醉於機器學習。從那時起，他致力於移動電話、醫療賬單數據和公益活動等交叉學科的研究，並維護dataspeIunking.com這個網站，該網站致力 於分享有關探尋數據

中所蘊含的洞察的知識。 李洪成，統計學博士，現為上海金融學院副教授，是SPSS統計分析軟件和R語言專家。他的研究方向為金融統計和數據挖掘。他曾出版多本著作，並在專業雜志 發表多篇論文，代表著作有《SPSS18數據分析基礎與實踐》、《SPSS數據分析教程》、《時間序列預測實踐教程》，譯著有《R語言經典實例》、《數據 挖掘與R語言》、《金融數據分析導論：基於R語言》等。

基於支援向量迴歸建立航空燃油需求預測模型

為了解決機器學習 預測數值的問題，作者黃世隆 這樣論述：

謝辭 i摘要 iiiABSTRACT iv目次 vi表目次 ix圖目次 x第一章 緒論 11.1 研究背景 11.2 研究動機 31.3 研究目的 41.4 研究範圍 51.5 研究限制 51.6 研究流程 5第二章 文獻探討 82.1 油料補給作業 82.1.1 補給單位油品區分 82.1.2 油料單位權責 92.1.3 儲存方式 92.1.4 油料需求分析及計算方式 102.2 需求預測 112.3 時間序列 162.3.1 時間序列分解法(Time series decomposition) 162.3.2 移動平均法(Moving aver

age method) 162.3.3 指數平滑法(Exponential smoothing, ES) 172.3.4 自我迴歸移動平均整合模式(ARIMA) 172.4 機器學習分析 182.5 支援向量機(SVM) 212.6 支援向量迴歸(SVR) 232.7 小結 28第三章 研究方法 293.1 研究架構 293.2 研究假設 303.3 研究對象 303.4 需求預測模型建立 303.4.1 支援向量迴歸(SVR) 303.4.2 支援向量迴歸演算法 323.4.3 支援向量迴歸求解 333.4.4 映射函數及核函數(Kernel Function)

應用 333.5 參數調校 353.5.1 核函數 353.5.1.1 線性核函數(Linear Kernel) 353.5.1.2 多項式核函數(Polynomial Kernel) 353.5.1.3 高斯核函數(Radial Basis Function, RBF) 363.5.1.4 Sigmoid核函數(Sigmoid Kernel) 373.5.2 γ值(gamma,核係數) 373.5.3 C值(懲罰因子) 383.6 模型評估 383.6.1 平均絕對誤差（MAE） 383.6.2 平均絕對百分比誤差（MAPE） 393.6.3 均方根誤差（RMSE）

393.7 小結 40第四章 實證研究 414.1 資料來源 414.2 預測模型建立 414.2.1 SVR模型 414.2.2 SVR模型之核函數運算 424.2.2.1 線性核函數(Linear Kernel) 424.2.2.2 多項式核函數(Polynomial Kernel) 434.2.2.3 高斯核函數(Radial Basis Function, RBF) 434.2.2.4 核函數選定 444.2.3參數調校及準確度驗證 444.2.4各區預測結果比較 504.3 SVRRBF、SARIMA及SVRD模型間比較 524.4 模型預測數值 544

.5 小結 54第五章 結論 565.1 研究結論 565.2 未來研究方向 57參考文獻 59