万本电子书0元读

万本电子书0元读

顶部广告

机器学习实战:基于Scikit-Learn和TensorFlow电子书 租阅

售       价:¥

纸质售价:¥82.10购买纸书

1047人正在读 | 3人评论 6.5

作       者:(法)奥雷利安·杰龙

出  版  社:机械工业出版社

出版时间:2018-07-01

字       数:37.7万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(3条)
  • 读书简介
  • 目录
  • 累计评论(3条)
本书主要分为两部分,第一部分(第1~8章)涵盖机器学习的基础理论知识和基本算法,从线性回归到随机森林等,可以帮助你掌握Scikit-Learn的常用方法;第二部份(第9~16章)探讨深度学习和常用框架TensorFlow,手把手教你使用TensorFlow搭建和训练深度神经网络,以及卷积神经网络 本书主要分为两个部分。*部分为第1章到第8章,涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等,帮助读者掌握Scikit-Learn的常用方法;第二部分为第9章到第16章,探讨深度学习和常用框架TensorFlow,一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络,以及卷积神经网络。
【推荐语】
本书作者曾经是谷歌工程师,在2013年至2016年主导了YouTube的视频分类工程,拥有丰富的机器学习项目经验。本书从发者的实践角度,在动手写代码的过程中,循序渐地了解机器学习的理论知识和工具的实践技巧,可以帮助读者快速上手机器学习项目。
【作者】
随着一系列的突破,深度学习燃了整个机器学习领域。 现在,即使是对这项技术毫无基础的程序员,也可以使用简单高效的工具来实现“可以自动从数据中学习”的程序。本书将展示如何做到这一。 通过具体的例子、非常少的理论和两个产品级的Python框架——Scikit-learn 和 TensorFlow 。作者帮助你很直观地理解并掌握构建智能系统的概念和工具。你将学习一系列技术,从简单的线性回归始到深度神经网络等。每章都有习题来帮助你应用学到的知识,你所需要的只是一编程经验,仅此而已。 - 探索机器学习的全景图,特别是神经网络。 - 使用Scikit-Learn来端到端地建立一个机器学习项目的示例。 - 探索多种训练模型,包括支持向量机、决策树、随机森林和集成方法。 - 使用TensorFlow库建立和训练神经网络。 - 深神经网络架构,包括卷积网络、递归网络和深度强化学习。 - 学习训练和伸缩深度神经网络的技巧。 - 应用可以工作的代码示例,而无须过多的机器学习理论或算法细节。 本书是关于使用神经网络来解决问题的理论和实践的一本导论。它涵盖了你建立高效应用的关键,以及足够的背景知识以应对新研究的出现。 我推荐这本书给有兴趣学习用机器学习来解决实际问题的人。 - Pete Warden - TensorFlow移动端负责人 Aurelien Geron是机器学习方面的顾问。他是Google的前员工,在2013年到2016年领导过YouTube视频分类团队。2002年至2012年,他还是Wifirst公司的创始人和首席技术官,在2001年,他是Ployconseil公司的创始人和首席技术官。
目录展开

O’Reilly Media,Inc.介绍

译者序

前言

第一部分 机器学习基础

第1章 机器学习概览

什么是机器学习

为什么要使用机器学习

机器学习系统的种类

机器学习的主要挑战

测试与验证

练习

第2章 端到端的机器学习项目

使用真实数据

观察大局

获取数据

从数据探索和可视化中获得洞见

机器学习算法的数据准备

选择和训练模型

微调模型

网格搜索

启动、监控和维护系统

试试看

练习

第3章 分类

MNIST

训练一个二元分类器

性能考核

多类别分类器

错误分析

多标签分类

多输出分类

练习

第4章 训练模型

线性回归

梯度下降

多项式回归

学习曲线

正则线性模型

练习

第5章 支持向量机

线性SVM分类

非线性SVM分类

SVM回归

工作原理

训练目标

练习

第6章 决策树

决策树训练和可视化

做出预测

估算类别概率

CART训练算法

计算复杂度

基尼不纯度还是信息熵

正则化超参数

回归

不稳定性

练习

第7章 集成学习和随机森林

投票分类器

bagging和pasting

Random Patches和随机子空间

随机森林

提升法

堆叠法

练习

第8章 降维

数据降维的主要方法

PCA

核主成分分析

局部线性嵌入

其他降维技巧

练习

第二部分 神经网络和深度学习

第9章 运行TensorFlow

安装

创建一个计算图并在会话中执行

管理图

节点值的生命周期

TensorFlow中的线性回归

实现梯度下降

给训练算法提供数据

保存和恢复模型

用TensorBoard来可视化图和训练曲线

命名作用域

模块化

共享变量

练习

第10章 人工神经网络简介

从生物神经元到人工神经元

用TensorFlow的高级API来训练MLP

使用纯TensorFlow训练DNN

微调神经网络的超参数

练习

第11章 训练深度神经网络

梯度消失/爆炸问题

重用预训练图层

快速优化器

通过正则化避免过度拟合

实用指南

练习

第12章 跨设备和服务器的分布式TensorFlow

一台机器上的多个运算资源

多设备跨多服务器

在TensorFlow集群上并行化神经网络

练习

第13章 卷积神经网络

视觉皮层的组织结构

卷积层

池化层

CNN架构

练习

第14章 循环神经网络

循环神经元

TensorFlow中的基本RNN

训练RNN

深层RNN

LSTM单元

GRU单元

自然语言处理

练习

第15章 自动编码器

高效的数据表示

使用不完整的线性自动编码器实现PCA

栈式自动编码器

使用堆叠的自动编码器进行无监控的预训练

去噪自动编码器

稀疏自动编码器

变分自动编码器

其他自动编码器

练习

第16章 强化学习

学习奖励最优化

策略搜索

OpenAI gym介绍

神经网络策略

评估行为:信用分配问题

策略梯度

马尔可夫决策过程

时间差分学习与Q学习

使用深度Q学习玩吃豆人游戏

练习

致谢

附录A 练习答案

附录B 机器学习项目清单

附录C SVM对偶问题

附录D 自动微分

附录E 其他流行的ANN架构

作者介绍

封面介绍

累计评论(3条) 3个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部