機器學習實戰:基於 Scikit-Learn Keras 和TensorFlow (原書第2版) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2/e

Aurélien Géron

相關主題

商品描述

這本機器學習暢銷書基於TensorFlow 2和Scikit-Learn的新版本進行了全面更新,通過具體的示例、
非常少的理論和可用於生產環境的Python框架,從零幫助你直觀地理解並掌握構建智能系統所需要的概念和工具。

全書分為兩部分。
第一部分介紹機器學習基礎,涵蓋以下主題:什麼是機器學習,它試圖解決什麼問題,以及系統的主要類別和基本概念;
第二部分介紹神經網絡和深度學習,涵蓋以下主題:什麼是神經網絡以及它們有什麼用,
使用TensorFlow和Keras構建和訓練神經網絡的技術,
以及如何使用強化學習構建可以通過反複試錯,學習好的策略的代理程序。
第一部分主要基於Scikit-Learn,而第二部分則使用TensorFlow和Keras。

通過本書,你會學到一系列可以快速使用的技術。
每章的練習可以幫助你應用所學的知識,你只需要有一些編程經驗。
所有代碼都可以在GitHub上獲得。

代碼獲取方式:
1、微信關注“華章計算機”
2、在後台回復關鍵詞:新版蜥蜴書

作者簡介

Aurélien Géron

是機器學習方面的顧問。
他曾就職於Google,在2013年到2016年領導過YouTube視頻分類團隊。
他是Wifirst公司的創始人並於2002年至2012年擔任該公司的首席技術官。
2001年,他創辦Ployconseil公司並任首席技術官。

目錄大綱

目錄
前言1
第一部分機器學習的基礎知識11
第1章機器學習概覽13
1.1 什麼是機器學習14
1.2 為什麼使用機器學習14
1.3 機器學習的應用示例16
1.4 機器學習系統的類型18
1.5 機器學習的主要挑戰32
1.6 測試與驗證38
1.7 練習題40

第2章端到端的機器學習項目42
2.1 使用真實數據42
2.2 觀察大局44
2.3 獲取數據48
2.4 從數據探索和可視化中獲得洞見60
2.5 機器學習算法的數據準備66
2.6 選擇和訓練模型74
2.7 微調模型77
2.8 啟動、監控和維護你的系統82
2.9 試試看84
2.10 練習題84

第3章分類86
3.1 MNIST86
3.2 訓練二元分類器88
3.3 性能測量89
3.4 多類分類器99
3.5 誤差分析101
3.6 多標籤分類104
3.7 多輸出分類105
3.8 練習題107

第4章訓練模型108
4.1 線性回歸109
4.2 梯度下降113
4.3 多項式回歸122
4.4 學習曲線124
4.5 正則化線性模型127
4.6 邏輯回歸134
4.7 練習題141

第5章支持向量機143
5.1 線性SVM分類143
5.2 非線性SVM分類146
5.3 SVM回歸151
5.4 工作原理152
5.5 練習題160

第6章決策樹162
6.1 訓練和可視化決策樹162
6.2 做出預測163
6.3 估計類概率165
6.4 CART訓練算法166
6.5 計算複雜度166
6.6 基尼不純度或熵167
6.7 正則化超參數167
6.8 回歸168
6.9 不穩定性170
6.10 練習題172

第7章集成學習和隨機森林173
7.1 投票分類器173
7.2 bagging和pasting176
7.3 隨機補丁和隨機子空間179
7.4 隨機森林180
7.5 提升法182
7.6 堆疊法190
7.7 練習題192

第8章降維193
8.1 維度的詛咒194
8.2 降維的主要方法195
8.3 PCA198
8.4 內核PCA204
8.5 LLE206
8.6 其他降維技術208
8.7 練習題209

第9章無監督學習技術211
9.1 聚類212
9.2 高斯混合模型232
9.3 練習題245

第二部分神經網絡與深度學習247
第10章Keras人工神經網絡簡介249
10.1 從生物神經元到人工神經元250
10.2 使用Keras實現MLP262
10.3 微調神經網絡超參數284
10.4 練習題290

第11章訓練深度神經網絡293
11.1 梯度消失與梯度爆炸問題293
11.2 重用預訓練層305
11.3 更快的優化器310
11.4 通過正則化避免過擬合321
11.5 總結和實用指南327
11.6 練習題329

第12章使用TensorFlow自定義模型和訓練330
12.1 TensorFlow快速瀏覽330
12.2 像NumPy一樣使用TensorFlow333
12.3 定制模型和訓練算法338
12.4 TensorFlow函數和圖356
12.5 練習題360

第13章使用TensorFlow加載和預處理數據362
13.1 數據API363
13.2 TFRecord格式372
13.3 預處理輸入特徵377
13.4 TF Transform385
13.5 TensorFlow數據集項目386
13.6 練習題388

第14章使用卷積神經網絡的深度計算機視覺390
14.1 視覺皮層的架構390
14.2 卷積層392
14.3 池化層399
14.4 CNN架構402
14.5 使用Keras實現ResNet-34 CNN416
14.6 使用Keras的預訓練模型417
14.7 遷移學習的預訓練模型418
14.8 分類和定位421
14.9 物體檢測422
14.10 語義分割428
14.11 練習題431

第15章使用RNN和CNN處理序列432
15.1 循環神經元和層432
15.2 訓練RNN436
15.3 預測時間序列437
15.4 處理長序列444
15.5 練習題453

第16章使用RNN和注意力機制進行自然語言處理455
16.1 使用字符RNN生成莎士比亞文本456
16.2 情感分析464
16.3 神經機器翻譯的編碼器-解碼器網絡470
16.4 注意力機制476
16.5 最近語言模型的創新486
16.6 練習題488

第17章使用自動編碼器和GAN的表徵學習和生成學習489
17.1 有效的數據表徵490
17.2 使用不完整的線性自動編碼器執行PCA491
17.3 堆疊式自動編碼器493
17.4 卷積自動編碼器499
17.5 循環自動編碼器500
17.6 去噪自動編碼器501
17.7 稀疏自動編碼器502
17.8變分自動編碼器505
17.9 生成式對抗網絡510
17.10 練習題522

第18章強化學習523
18.1 學習優化獎勵524
18.2 策略搜索525
18.3 OpenAI Gym介紹526
18.4 神經網絡策略529
18.5 評估動作:信用分配問題531
18.6 策略梯度532
18.7 馬爾可夫決策過程536
18.8 時序差分學習540
18.9 Q學習540
18.10 實現深度Q學習544
18.11 深度Q學習的變體547
18.12 TF-Agents庫550
18.13 一些流行的RL算法概述568
18.14 練習題569

第19章大規模訓練和部署TensorFlow模型571
19.1 為TensorFlow模型提供服務572
19.2 將模型部署到移動端或嵌入式設備586
19.3 使用GPU加速計算589
19.4 跨多個設備的訓練模型600
19.5 練習題613
19.6 致謝613
附錄A 課後練習題解答614
附錄B 機器學習項目清單642
附錄C SVM對偶問題647
附錄D 自動微分650
附錄E 其他流行的人工神經網絡架構656
附錄F 特殊數據結構663
附錄G TensorFlow圖669