Python 機器學習 (下), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)

Sebastian Raschka、Vahid Mirjalili 著 劉立民、吳建華 譯

立即出貨 (庫存 > 10)

買這商品的人也買了...

相關主題

商品描述

Python機器學習第三版(下)
Python Machine Learning - Third Edition

第三版-最新修訂版,新增TensorFlow 2、GAN和強化學習等實用內容
使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習

循序漸進、由淺入深,好評熱銷再進化!最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南,也是讀者在建立機器學習系統時的必備參考。有別於其他機器學習教科書,本書使用Python探求機器學習和深度學習的技術精髓,強調豐富實用的程式範例、條理分明的數學解釋,以及直覺友善的圖解說明,帶領讀者探索機器學習的眾多子領域,讓艱澀的概念栩栩如生。

許多讀者告訴我們,他們非常喜歡本書第二版的前12章,因為它們全面介紹了機器學習與Python的科學計算。為了確保這些內容的相關性,我們依據讀者回饋,回顧並修改了這些章節,以支援最新版本的NumPy、SciPy、pandas、matplotlib和scikit-learn,並規劃成本書的上冊。而TensorFlow 2.0更是深度學習領域最振奮人心的事件之一,所有與TensorFlow有關的章節(第13章到第16章,規劃成本書的下冊)都進行了大幅度修改。除了介紹Keras API與scikit-learn的最新功能之外,本書也探討自然語言處理(NLP)的子領域「情緒分析」,以及強化學習(RL)和生成對抗網路(GAN)等時下最流行的AI技術(第17章和第18章)。

無論你是有經驗的程式設計師,或是機器學習新手,或你只想進一步深入了解機器學習的最新發展,本書將是你在機器學習之旅中的絕佳良伴。

在這本書中,你將學到:

⦁掌握能讓機器從數據中「學習」的框架、模型和技術
⦁使用scikit-learn進行機器學習、使用TensorFlow進行深度學習
⦁利用機器學習來做影像分類、情緒分析與智慧Web應用程式
⦁訓練類神經網路、GAN與其它模型
⦁結合機器學習模型與Web應用程式
⦁為機器學習工作清理並準備數據
⦁用深度卷積類神經網路來分類影像
⦁了解評估和調校模型的最佳實作
⦁使用迴歸分析來預測連續目標
⦁利用「集群」來發掘數據中隱藏的模式與結構
⦁使用「情緒分析」深入研究文本和社群媒體數據
⦁上冊包含本書前12章,下冊則包含第13章到第18章。

【下載範例程式檔案】
本書的程式碼是由GitHub託管,可點選下面圖案前往下載:
https://github.com/rasbt/python-machine-learning-book-3rd-edition

【下載本書的彩色圖片】
我們還提供您一個PDF檔案,其中包含本書使用的彩色圖表,可以在此下載:
https://static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf
 

作者簡介

Sebastian Raschka 擁有密西根州立大學(Michigan State University)的博士學位,在那裡,他專攻開發將「計算生物學」(computational biology)與「機器學習」結合使用的方法。2018年的夏天,他加入威斯康辛大學麥迪遜分校(University of Wisconsin-Madison),擔任「統計學」的助理教授。他的研究活動包括開發「新的深度學習架構」來解決生物識別(biometrics)領域的問題。

他引以為傲的成就之一是他的著作《Python機器學習》,這也是Packt和Amazon上的暢銷書。本書在2016年榮獲ACM的最佳計算類別獎項(Best of Computing award),並被翻譯成多種不同語言,包括德文、韓文、中文、日文、俄文、波蘭文和義大利文。

Vahid Mirjalili 是密西根州立大學的機械工程博士,專攻大規模「分子結構」計算模擬的新方法研究。他曾是密西根州立大學「iPRoBe實驗室」的一員,致力於各種機器學習在「電腦視覺」與「生物識別」中的應用專案。在「iPRoBe實驗室」與「學術界」耕耘了多年之後,他最近加入3M公司,成為一位研究科學家,利用他的「專業知識」以及應用機器學習與深度學習的「先進技術」,在各種應用程式中解決真實世界的問題,讓生活變得更好。

目錄大綱

前言

第13 章:使用TensorFlow來平行化類神經網路的訓練
TensorFlow 與訓練效能
使用TensorFlow 的第一步
使用td.data 來建立輸入管線-TensorFlow Dataset API
在TensorFlow 中建立NN模型
為多層網路選擇啟動函數
小結

第14章:更深入地研究TensorFlow的運作機制
TensorFlow的主要特點
TensorFlow的計算圖:轉移到TensorFlow v2
用來儲存與更新模型參數的TensorFlow變數物件
利用自動微分和GradientTape來計算梯度
透過Keras API簡化一般架構的實作
TensorFlow估計器
小結

第15章:使用深度卷積類神經網路來做影像分類
卷積類神經網路中的模塊
把所有元件整合起來建立一個CNN
以TensorFlow實作深度CNN
以CNN對臉部圖片做性別分類
小結

第16章:以遞迴類神經網路來對循序數據建模
循序數據簡介
以RNN來對循序數據建模
使用TensorFlow來實作多層RNN的序列建模
使用變形模型了解語言
小結

第17章:使用生成對抗網路合成新數據
生成對抗網路簡介
從頭開始實作一個GAN
使用卷積與Wasserstein GAN來改進合成影像的品質
其他的GAN應用
小結

第18章:在複雜的環境中以強化學習來做決策
簡介-從經驗中學習
RL的理論基礎
強化學習演算法
實作我們的第一個RL演算法
深度Q學習法簡介
章節與本書總結