掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習實戰:基于Scikit-Learn、Keras和TensorFlow 版權信息
- ISBN：9787111665977
- 條形碼：9787111665977 ; 978-7-111-66597-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習實戰:基于Scikit-Learn、Keras和TensorFlow 本書特色
適讀人群 ：1、機器學習、深度學習從業者； 2、機器學習或者深度學習算法工程師； 3、從初級到高級的各級學生、教師、研究人員； 4、其他對機器學習和Scikit-Learn、Keras、TensorFlow感興趣的人員1）“美亞”人工智能圖書暢銷榜首圖書，基于TensorFlow 2和Scikit-Learn的新版本全面升級； 2）Keras之父和TensorFlow移動端負責人鼎力推薦； 3）從實踐出發，通過具體的示例、較少的理論和可用于生產環境的Python框架來幫助你直觀地理解并掌握構建智能系統所需要的概念和工具； 4）實用性強。沒有太多復雜的數學公式推導，每章都附有練習題和代碼，可以幫助你應用所學的知識。
機器學習實戰:基于Scikit-Learn、Keras和TensorFlow 內容簡介
這本機器學習暢銷書基于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于生產環境的Python框架，從零幫助你直觀地理解并掌握構建智能系統所需要的概念和工具。 全書分為兩部分。**部分介紹機器學習基礎，涵蓋以下主題：什么是機器學習，它試圖解決什么問題，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：什么是神經網絡以及它們有什么用，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復試錯，學習好的策略的代理程序。**部分主要基于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、在后臺回復關鍵詞：新版蜥蜴書
機器學習實戰:基于Scikit-Learn、Keras和TensorFlow 目錄
前言1
**部分 機器學習的基礎知識11
第1章 機器學習概覽13
1.1 什么是機器學習14
1.2 為什么使用機器學習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 多標簽分類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 計算復雜度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 預處理輸入特征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 *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的表征學習和生成學習489
17.1 有效的數據表征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 課后練習題解答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
展開全部
機器學習實戰:基于Scikit-Learn、Keras和TensorFlow 節選
◆ 前言◆ 機器學習海嘯 2006 年，Geoffrey Hinton 等人發表了一篇論文，展示了如何訓練能夠以*先進的精度 （> 98%）識別手寫數字的深度神經網絡。他們將這種技術稱為“深度學習”。深度神經網絡是（非常）簡化的大腦皮層的模型，由一堆人工神經元層組成。當時人們普遍認為，訓練深度神經網絡是不可能的，并且大多數研究人員在20世紀90年代后期就放棄了這一想法。該論文重新激發了科學界的興趣，不久之后，許多新論文證明了（在強大的計算能力和大量數據的幫助下）深度學習不僅是可能的，而且還具有令人難以置信的成就，這是其他機器學習（ML）技術無法企及的。這種熱情很快擴展到了機器學習的許多其他領域。 大約十年后，機器學習征服了整個工業界：它是當今高科技產品諸多魔力的核心，可以為你的網絡搜索結果排名，為智能手機的語音識別提供支持，可以推薦視頻，并在圍棋比賽中擊敗世界冠軍。在不知不覺中，它將駕駛你的汽車。 你的項目中的機器學習 因此，你自然會對機器學習感到興奮，并很樂意加入這場盛宴！ 也許你想讓你的自制機器人擁有自己的大腦，使它能夠識別人臉，或者學會走路。 也許你的公司擁有大量數據（用戶日志、財務數據、生產數據、機器傳感器數據、熱線 統計信息、人力資源報告等），如果你知道在哪里看，很有可能會發現一些隱藏的寶石。 借助機器學習，你可以完成以下和更多任務： ? 細分客戶并為每個群體找到*佳的營銷策略。 ? 根據類似客戶的購買記錄，為每個客戶推薦產品。 ? 檢測哪些交易可能是欺詐性的。 ? 預測明年的收入。 無論出于何種原因，你都決定學習機器學習并將其實現在你的項目中。好主意！ 目標與方法 本書假設你對機器學習一無所知，其目標是為你提供實現能夠從數據中學習的程序所需的概念、工具和直覺。 我們將介紹大量技術，從*簡單和*常用的技術（例如線性回歸）到一些經常贏得比賽的深度學習技術。 本書不是實現每種算法的玩具版本，而是使用可用于生產環境的Python框架： ? Scikit-Learn非常易于使用，它有效地實現了許多機器學習算法，因此成為學習機器學習的重要切入點。Scikit-Learn由 David Cournapeau于2007 年創建，現在由法國計算機科學和自動化研究所的一個研究小組領導。 ? TensorFlow是用于分布式數值計算的更復雜的庫。通過將計算分布在數百個GPU（圖形處理單元）服務器上，它可以有效地訓練和運行大型神經網絡。TensorFlow（TF） 是由 Google創建的，并支持許多大型機器學習應用程序。它于 2015 年 11 月開源，2.0 版本于 2019 年 11 月發布。 ? Keras是高層深度學習API，使訓練和運行神經網絡變得非常簡單。它可以在TensorFlow、Theano或微軟 Cognitive Toolkit（以前稱為 CNTK）之上運行。TensorFlow 附帶了該 API 自己的實現，稱為 tf.keras，支持某些高級 TensorFlow 功能（例如 有效加載數據的能力）。 本書主張動手實踐，通過具體的示例和一點點理論就可以對機器學習有一個直觀的了解。 雖然你無須拿起筆記本電腦就可以閱讀本書，但我強烈建議你嘗試用 Jupyter notebook試驗在 https://github.com/ageron/handson-ml2 上在線獲得的代碼示例。 先決條件 本書假定你具有一些Python 編程經驗，并且熟悉Python 的主要科學庫，尤其是NumPy、pandas 和 Matplotlib。 另外，如果你關心一些比較深入的內容，那么你應該對大學水平的數學知識（如微積分、 線性代數、概率和統計）有一定的了解。 如果你還不了解Python，那么http://learnpython.org/ 是一個不錯的起點。Python.org 上的官方教程也相當不錯。 如果你從未使用過 Jupyter，則第 2 章將指導你完成安裝并學習基礎知識。它是工具箱中的一個強大工具。 如果你不熟悉Python 的科學庫，Jupyter notebook里面有一些教程。還有一個關于線性代數的快速數學教程。 路線圖 本書分為兩部分。**部分涵蓋以下主題： ? 什么是機器學習，它試圖解決什么問題，以及其系統的主要類別和基本概念 ? 典型機器學習項目中的步驟 ? 通過將數據與模型進行擬合來學習 ? 優化成本函數 ? 處理、清潔和準備數據 ? 選擇和工程化特征 ? 選擇模型并使用交叉驗證調整超參數 ? 機器學習的挑戰，特別是欠擬合和過擬合（偏差 / 方差的權衡） ? *常見的學習算法：線性和多項式回歸、邏輯回歸、k-近鄰算法、支持向量機、決 策樹、隨機森林和集成方法 ? 降低訓練數據的維度以應對“維度的詛咒” ? 其他無監督學習技術，包括聚類、密度估計和異常檢測 第二部分涵蓋以下主題： ? 什么是神經網絡以及它們的作用 ? 使用 TensorFlow 和 Keras 構建和訓練神經網絡 ? *重要的神經網絡架構，包括用于表格數據的前饋神經網絡、用于計算機視覺的卷積網絡、用于序列處理的遞歸網絡和長短期記憶（LSTM）網絡、用于自然語言處理的編碼 器 / 解碼器和 Transformer、自動編碼器和用于生成學習的生成式對抗網絡（GAN） ? 訓練深度神經網絡的技術 ? 如何使用強化學習構建可以通過反復試錯學習好的策略的代理程序（例如游戲中的 機器人） ? 有效地加載和預處理大量數據 ? 大規模訓練和部署 TensorFlow 模型 **部分主要基于 Scikit-Learn，而第二部分則使用 TensorFlow 和 Keras。 不要草率地跳入深水：盡管深度學習無疑是機器學習中*令人興奮的領域之一，但你應該首先掌握基礎知識。而且，大多數問題可以使用更簡單的技術（如**部分中討論的隨機森林和集成學習方法）來很好地解決。如果你有足夠的數據、計算能力和耐心，則深度學習*適合諸如圖像識別、語音識別或自然語言處理之類的復雜問題。 第2版的變化 第 2 版有 6 個主要變化： 1. 涵蓋其他ML 主題：更多的無監督學習技術（包括聚類、異常檢測、密度估計和混 合模型）；訓練深度網絡（包括自歸一化網絡）的更多技術；其他計算機視覺技術（包 括 Xception、SENet、使用YOLO 進行物體檢測，以及使用R-CNN 進行語義分割）； 使用卷積神經網絡（CNN，包括 WaveNet）處理序列；使用遞歸神經網絡（RNN）、 CNN 和 Transformer 進行自然語言處理；GAN。 2. 涵蓋其他庫和 API（Keras、Data API、用于強化學習的 TF-Agents），以及使用分布 式策略API、TF-Serving 和 Google Cloud AI Platform 大規模訓練和部署TF 模型；還 簡要介紹 TF Transform、TFLite、TF Addons/Seq2Seq 和 TensorFlow.js。 3. 討論深度學習研究的一些*新重要成果。 4. 將所有TensorFlow 章節遷移到TensorFlow 2，并盡可能使用TensorFlow 的 Keras API （tf.keras）實現。 5. 更新代碼示例，使用*新版本的 Scikit-Learn、NumPy、pandas、Matplotlib 和其他庫。 6. 得益于讀者的大量反饋，一些章節更加明晰，并修正了一些錯誤。 添加了一些章節，有些章節被重寫，有些則被重新排序。有關第 2 版更新的更多詳細信 息請參見 https://homl.info/changes2。 其他資源 許多優秀的資源可用于學習機器學習。例如，吳恩達（Andrew Ng）在 Coursera 上的機器學習課程雖然很好，但它需要投入大量的時間（數月）。 還有許多有趣的關于機器學習的網站，當然包括Scikit-Learn出色的用戶指南。你可能還喜歡Dataquest（它提供了非常不錯的交互式教程），以及機器學習博客（例如Quora 上列出的那些博客）。*后，深度學習網站上有不錯的資源清單，可供你了解更多信息。 *后，加入像Kaggle.com 這樣的機器學習競賽網站，將使你在一些實際的問題上獲得 實踐技能，并獲得一些**機器學習專業人員的幫助和見解。 致謝 我從未想象過我的**本書會吸引如此眾多的讀者。我收到了讀者的大量反饋，很多人提出了許多問題，有些人指出了書中的差錯，大多數人給了我鼓勵。我對所有讀者的大力支持表示感謝。非常感謝大家！如果你在代碼示例中發現錯誤（或只是提出問題），請毫不猶豫地在GitHub 上提交問題。如果在文本中發現錯誤，請提交勘誤。一些讀者還分享了本書如何幫助他們獲得了**份工作，或者它如何幫助他們解決了正在處理的具體問題。這種反饋極大地激勵了我。如果你認為本書對你有所幫助，可以與我分享你的故事，無論是私下還是公開地與我分享。 我也非常感謝那些百忙之中抽出時間審閱本書的專家。特別要感謝Franois Chollet 審閱了所有基于Keras和TensorFlow 的章節，并給了我一些深入的反饋。由于Keras是第2版的主要新增內容之一，因此請Keras 的作者審閱本書是非常值得的。還要特別感謝 Ankur Patel，他審閱了第 2 版的每一章，并給了我很好的反饋，特別是第9 章（涵蓋了無監督學習技術）。關于該主題，他可以寫一本書，請查看 Hands-On UnsupervisedLearning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data（O’Reilly）。還要感謝Olzhas Akpambetov，他審閱了本書第二部分的所有章節，測試了許多代碼，并提出了許多很好的建議。我非常感謝 Mark Daoust、Jon Krohn、Dominic Monn 和 Josh Patterson 如此全面地審閱了本書的第二部分， 并用他們的專業知識提供了非常有用的反饋。
機器學習實戰:基于Scikit-Learn、Keras和TensorFlow 作者簡介
奧雷利安·杰龍（Aurélien Géron）是機器學習方面的顧問。他曾就職于Google，在2013年到2016年領導過YouTube視頻分類團隊。他是Wifirst公司的創始人并于2002年至2012年擔任該公司的首席技術官。2001年，他創辦Ployconseil公司并任首席技術官。
書友推薦
- >
有舍有得是人生
- >
巴金－再思錄
- >
李白與唐代文化
- >
朝聞道
- >
月亮與六便士
- >
小考拉的故事-套裝共3冊
- >
月亮虎
- >
中國歷史的瞬間
本類暢銷
