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、Keras和TensorFlow(原书第2版)电子书

读者对象: 1、机器学习、深度学习从业者; 2、机器学习或者深度学习算法工程师; 3、从初级到高级的各级学生、教师、研究人员; 4、其他对机器学习和Scikit-Learn、Keras、TensorFlow感兴趣的人员 1)“美亚”人工智能图书畅销榜首图书,基于TensorFlow 2和Scikit-Learn的新版本全面升级; 2)Keras之父和TensorFlow移动端负责人鼎力推荐; 3)从实践出发,通过具体的示例、较少的理论和可用于生产环境的Python框架来帮助你直观地理解并掌握构建智能系统所需要的概念和工具;

售       价:¥

纸质售价:¥96.90购买纸书

1450人正在读 | 1人评论 7.1

作       者:(法)奥雷利安·杰龙

出  版  社:机械工业出版社

出版时间:2020-10-10

字       数:64.3万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(1条)
  • 读书简介
  • 目录
  • 累计评论(1条)
这本机器学习畅销书基于TensorFlow 2和Scikit-Learn的新版本行了全面更新,通过具体的示例、非常少的理论和可用于生产环境的Python框架,从零帮助你直观地理解并掌握构建智能系统所需要的概念和工具。   全书分为两部分。首先介绍机器学习基础,涵盖以下主题:什么是机器学习,它试图解决什么问题,以及系统的主要类别和基本概念;第二部分介绍神经网络和深度学习,涵盖以下主题:什么是神经网络以及它们有什么用,使用TensorFlow和Keras构建和训练神经网络的技术,以及如何使用强化学习构建可以通过反复试错,学习好的策略的代理程序。*部分主要基于Scikit-Learn,而第二部分则使用TensorFlow和Keras。   通过本书,你会学到一系列可以快速使用的技术。每章的练习可以帮助你应用所学的知识,你只需要有一些编程经验。所有代码都可以在GitHub上获得。   代码获取方式: 1、微信关注“华章计算机” 2、在后台回复关键词:新版蜥蜴书<br/>【推荐语】<br/>读者对象: 1、机器学习、深度学习从业者; 2、机器学习或者深度学习算法工程师; 3、从初级到高级的各级学生、教师、研究人员; 4、其他对机器学习和Scikit-Learn、Keras、TensorFlow感兴趣的人员   1)“美亚”人工智能图书畅销榜首图书,基于TensorFlow 2和Scikit-Learn的新版本全面升级; 2)Keras之父和TensorFlow移动端负责人鼎力推荐; 3)从实践出发,通过具体的示例、较少的理论和可用于生产环境的Python框架来帮助你直观地理解并掌握构建智能系统所需要的概念和工具; 4)实用性强。没有太多复杂的数学公式推导,每章都附有练习题和代码,可以帮助你应用所学的知识。<br/>【作者】<br/>奥雷利安·杰龙(Aurélien Géron)是机器学习方面的顾问。他曾就职于Google,在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司的创始人并于2002年至2012年担任该公司的首席技术官。2001年,他创办Ployconseil公司并任首席技术官。<br/>
目录展开

O'Reilly Media,Inc.介绍

推荐序

译者序

前言

第一部分 机器学习的基础知识

第1章 机器学习概览

1.1 什么是机器学习

1.2 为什么使用机器学习

1.3 机器学习的应用示例

1.4 机器学习系统的类型

1.5 机器学习的主要挑战

1.6 测试与验证

1.7 练习题

第2章 端到端的机器学习项目

2.1 使用真实数据

2.2 观察大局

2.3 获取数据

2.4 从数据探索和可视化中获得洞见

2.5 机器学习算法的数据准备

2.6 选择和训练模型

2.7 微调模型

2.8 启动、监控和维护你的系统

2.9 试试看

2.10 练习题

第3章 分类

3.1 MNIST

3.2 训练二元分类器

3.3 性能测量

3.4 多类分类器

3.5 误差分析

3.6 多标签分类

3.7 多输出分类

3.8 练习题

第4章 训练模型

4.1 线性回归

4.2 梯度下降

4.3 多项式回归

4.4 学习曲线

4.5 正则化线性模型

4.6 逻辑回归

4.7 练习题

第5章 支持向量机

5.1 线性SVM分类

5.2 非线性SVM分类

5.3 SVM回归

5.4 工作原理

5.5 练习题

第6章 决策树

6.1 训练和可视化决策树

6.2 做出预测

6.3 估计类概率

6.4 CART训练算法

6.5 计算复杂度

6.6 基尼不纯度或熵

6.7 正则化超参数

6.8 回归

6.9 不稳定性

6.10 练习题

第7章 集成学习和随机森林

7.1 投票分类器

7.2 bagging和pasting

7.3 随机补丁和随机子空间

7.4 随机森林

7.5 提升法

7.6 堆叠法

7.7 练习题

第8章 降维

8.1 维度的诅咒

8.2 降维的主要方法

8.3 PCA

8.4 内核PCA

8.5 LLE

8.6 其他降维技术

8.7 练习题

第9章 无监督学习技术

9.1 聚类

9.2 高斯混合模型

9.3 练习题

第二部分 神经网络与深度学习

第10章 Keras人工神经网络简介

10.1 从生物神经元到人工神经元

10.2 使用Keras实现MLP

10.3 微调神经网络超参数

10.4 练习题

第11章 训练深度神经网络

11.1 梯度消失与梯度爆炸问题

11.2 重用预训练层

11.3 更快的优化器

11.4 通过正则化避免过拟合

11.5 总结和实用指南

11.6 练习题

第12章 使用TensorFlow自定义模型和训练

12.1 TensorFlow快速浏览

12.2 像NumPy一样使用TensorFlow

12.3 定制模型和训练算法

12.4 TensorFlow函数和图

12.5 练习题

第13章 使用TensorFlow加载和预处理数据

13.1 数据API

13.2 TFRecord格式

13.3 预处理输入特征

13.4 TF Transform

13.5 TensorFlow数据集项目

13.6 练习题

第14章 使用卷积神经网络的深度计算机视觉

14.1 视觉皮层的架构

14.2 卷积层

14.3 池化层

14.4 CNN架构

14.5 使用Keras实现ResNet-34 CNN

14.6 使用Keras的预训练模型

14.7 迁移学习的预训练模型

14.8 分类和定位

14.9 物体检测

14.10 语义分割

14.11 练习题

第15章 使用RNN和CNN处理序列

15.1 循环神经元和层

15.2 训练RNN

15.3 预测时间序列

15.4 处理长序列

15.5 练习题

第16章 使用RNN和注意力机制进行自然语言处理

16.1 使用字符RNN生成莎士比亚文本

16.2 情感分析

16.3 神经机器翻译的编码器-解码器网络

16.4 注意力机制

16.5 最近语言模型的创新

16.6 练习题

第17章 使用自动编码器和GAN的表征学习和生成学习

17.1 有效的数据表征

17.2 使用不完整的线性自动编码器执行PCA

17.3 堆叠式自动编码器

17.4 卷积自动编码器

17.5 循环自动编码器

17.6 去噪自动编码器

17.7 稀疏自动编码器

17.8 变分自动编码器

17.9 生成式对抗网络

17.10 练习题

第18章 强化学习

18.1 学习优化奖励

18.2 策略搜索

18.3 OpenAI Gym介绍

18.4 神经网络策略

18.5 评估动作:信用分配问题

18.6 策略梯度

18.7 马尔可夫决策过程

18.8 时序差分学习

18.9 Q学习

18.10 实现深度Q学习

18.11 深度Q学习的变体

18.12 TF-Agents库

18.13 一些流行的RL算法概述

18.14 练习题

第19章 大规模训练和部署TensorFlow模型

19.1 为TensorFlow模型提供服务

19.2 将模型部署到移动端或嵌入式设备

19.3 使用GPU加速计算86

19.4 跨多个设备的训练模型

19.5 练习题

19.6 致谢

附录A 课后练习题解答

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 其他流行的人工神经网络架构

附录F 特殊数据结构

附录G TensorFlow图

累计评论(1条) 1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