中图网(原中国图书网)：网上书店，尾货特色书店，30万种特价书低至2折！

歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
Python機(jī)器學(xué)習(xí)(原書第3版)

包郵 Python機(jī)器學(xué)習(xí)(原書第3版)

出版社：機(jī)械工業(yè)出版社出版時(shí)間：2021-06-01
開本： 16開 頁數(shù)： 480
中 圖 價(jià):¥95.4(6.4折) 定價(jià)  ¥149.0 登錄后可看到會(huì)員價(jià)
加入購物車 收藏
開年大促， 全場包郵
?新疆、西藏除外
本類五星書更多>

Python機(jī)器學(xué)習(xí)(原書第3版) 版權(quán)信息

Python機(jī)器學(xué)習(xí)(原書第3版) 本書特色

適讀人群 ：想進(jìn)入機(jī)器學(xué)習(xí)領(lǐng)域的初學(xué)者；計(jì)算機(jī)及相關(guān)專業(yè)的學(xué)生；想要向機(jī)器學(xué)習(xí)工程師、數(shù)據(jù)科學(xué)家轉(zhuǎn)型的非開發(fā)崗人員；使用過機(jī)器學(xué)習(xí)技術(shù)，但想要更加深入了解其工作原理的人員；其他對(duì)機(jī)器學(xué)習(xí)、人工智能有興趣的自學(xué)者配套代碼及彩色圖表獲取方式： 1、微信關(guān)注“華章計(jì)算機(jī)” 2、在后臺(tái)回復(fù)關(guān)鍵詞：68137 本書是使用Python進(jìn)行機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的全面指南。它既可以用作清晰的分步教程，也可以作為構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)時(shí)常用的參考手冊(cè)。本書包含清晰的解釋、圖表和工作示例，全面深入地介紹了機(jī)器學(xué)習(xí)的基本技術(shù)，并且給出了機(jī)器學(xué)習(xí)背后的原理，使你可以自己建立模型和應(yīng)用程序。第3版結(jié)合TensorFlow 2和scikit-learn的新版本進(jìn)行了更新，涵蓋強(qiáng)化學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)（GAN）這兩種先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)。 機(jī)器學(xué)習(xí)將改變你解決問題的思路，并讓你看到如何釋放數(shù)據(jù)的力量來解決問題。無論你是Python機(jī)器學(xué)習(xí)的初學(xué)者還是想加深自己對(duì)前沿發(fā)展的了解，本書都是你不可或缺的好幫手。

Python機(jī)器學(xué)習(xí)(原書第3版) 內(nèi)容簡介

本書自版出版以來，備受廣大讀者歡迎。第3版結(jié)合TensorFlow2和scikit-learn的近期新版本進(jìn)行了更新，其范圍進(jìn)行了擴(kuò)展，以涵蓋強(qiáng)化學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)（GAN）這兩種優(yōu)選進(jìn)的機(jī)器學(xué)習(xí)技術(shù)。與同類書相比，本書除了介紹如何用Python和基于Python的機(jī)器學(xué)習(xí)軟件庫進(jìn)行實(shí)踐外，還討論了機(jī)器學(xué)習(xí)概念的必要細(xì)節(jié)，同時(shí)對(duì)機(jī)器學(xué)習(xí)算法的工作原理、使用方法以及如何避免掉入常見的陷阱提供了直觀且翔實(shí)的解釋，是Python機(jī)器學(xué)習(xí)入門推薦閱讀之作。書中涵蓋了眾多高效Python庫，包括scikit-learn、Keras和TensorFlow等，系統(tǒng)性地梳理和分析了各種經(jīng)典算法，并通過Python語言以具體代碼示例的方式深入淺出地介紹了各種算法的應(yīng)用，還給出了從情感分析到神經(jīng)網(wǎng)絡(luò)的一些實(shí)踐技巧，可幫助讀者快速解決自己和團(tuán)隊(duì)面臨的一些重要問題。本書適用于機(jī)器學(xué)習(xí)的初學(xué)者和專業(yè)技術(shù)人員。

Python機(jī)器學(xué)習(xí)(原書第3版) 目錄

譯者序 前言 作者簡介 審校者簡介 第1章 賦予計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)的能力1 1.1 構(gòu)建能把數(shù)據(jù)轉(zhuǎn)換為知識(shí)的智能機(jī)器1 1.2 三種不同類型的機(jī)器學(xué)習(xí)1 1.2.1 用監(jiān)督學(xué)習(xí)預(yù)測未來2 1.2.2 用強(qiáng)化學(xué)習(xí)解決交互問題3 1.2.3 用無監(jiān)督學(xué)習(xí)發(fā)現(xiàn)隱藏的結(jié)構(gòu)4 1.3 基本術(shù)語與符號(hào)4 1.3.1 本書中使用的符號(hào)和約定5 1.3.2 機(jī)器學(xué)習(xí)的術(shù)語6 1.4 構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的路線圖6 1.4.1 預(yù)處理--整理數(shù)據(jù)6 1.4.2 訓(xùn)練和選擇預(yù)測模型7 1.4.3 評(píng)估模型并對(duì)未曾謀面的數(shù)據(jù)進(jìn)行預(yù)測8 1.5 將Python用于機(jī)器學(xué)習(xí)8 1.5.1 利用Python Package Index安裝Python及其他軟件包8 1.5.2 采用Anaconda Python發(fā)行版和軟件包管理器8 1.5.3 用于科學(xué)計(jì)算、數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的軟件包9 1.6 本章小結(jié)9 第2章 訓(xùn)練簡單的機(jī)器學(xué)習(xí)分類算法10 2.1 人工神經(jīng)元--機(jī)器學(xué)習(xí)的早期歷史10 2.1.1 人工神經(jīng)元的正式定義11 2.1.2 感知器學(xué)習(xí)規(guī)則12 2.2 用Python實(shí)現(xiàn)感知器學(xué)習(xí)算法14 2.2.1 面向?qū)ο蟮母兄鰽PI14 2.2.2 在鳶尾花數(shù)據(jù)集上訓(xùn)練感知器模型16 2.3 自適應(yīng)線性神經(jīng)元和學(xué)習(xí)收斂20 2.3.1 通過梯度下降*小化代價(jià)函數(shù)21 2.3.2 用Python實(shí)現(xiàn)Adaline22 2.3.3 通過特征縮放改善梯度下降26 2.3.4 大規(guī)模機(jī)器學(xué)習(xí)與隨機(jī)梯度下降27 2.4 本章小結(jié)31 第3章 scikit-learn機(jī)器學(xué)習(xí)分類器32 3.1 選擇分類算法32 3.2 了解scikit-learn的**步--訓(xùn)練感知器32 3.3 基于邏輯回歸的分類概率建模37 3.3.1 邏輯回歸與條件概率37 3.3.2 學(xué)習(xí)邏輯代價(jià)函數(shù)的權(quán)重39 3.3.3 將Adaline實(shí)現(xiàn)轉(zhuǎn)換為一個(gè)邏輯回歸算法41 3.3.4 用scikit-learn訓(xùn)練邏輯回歸模型44 3.3.5 通過正則化解決過擬合問題46 3.4 使用支持向量機(jī)*大化分類間隔48 3.4.1 對(duì)分類間隔*大化的直觀認(rèn)識(shí)48 3.4.2 用松弛變量解決非線性可分問題50 3.4.3 其他的scikit-learn實(shí)現(xiàn)51 3.5 用核支持向量機(jī)求解非線性問題51 3.5.1 處理線性不可分?jǐn)?shù)據(jù)的核方法52 3.5.2 利用核技巧發(fā)現(xiàn)高維空間的分離超平面53 3.6 決策樹學(xué)習(xí)56 3.6.1 *大化信息增益--獲得*大收益56 3.6.2 構(gòu)建決策樹59 3.6.3 多個(gè)決策樹的隨機(jī)森林組合62 3.7 k-近鄰--一種惰性學(xué)習(xí)算法64 3.8 本章小結(jié)66 第4章 構(gòu)建良好的訓(xùn)練數(shù)據(jù)集--數(shù)據(jù)預(yù)處理67 4.1 處理缺失數(shù)據(jù)67 4.1.1 識(shí)別數(shù)據(jù)中的缺失值67 4.1.2 刪除有缺失值的訓(xùn)練樣本或特征68 4.1.3 填補(bǔ)缺失值69 4.1.4 了解scikit-learn估計(jì)器API69 4.2 處理類別數(shù)據(jù)70 4.2.1 用pandas實(shí)現(xiàn)類別數(shù)據(jù)的編碼70 4.2.2 映射序數(shù)特征71 4.2.3 為分類標(biāo)簽編碼71 4.2.4 為名義特征做獨(dú)熱編碼72 4.3 把數(shù)據(jù)集劃分為獨(dú)立的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集74 4.4 保持相同的特征縮放76 4.5 選擇有意義的特征78 4.5.1 L1和L2正則化對(duì)模型復(fù)雜度的懲罰78 4.5.2 L2正則化的幾何解釋78 4.5.3 L1正則化的稀疏解決方案79 4.5.4 序列特征選擇算法82 4.6 用隨機(jī)森林評(píng)估特征的重要性86 4.7 本章小結(jié)88 第5章 通過降維壓縮數(shù)據(jù)89 5.1 用主成分分析實(shí)現(xiàn)無監(jiān)督降維89 5.1.1 主成分分析的主要步驟89 5.1.2 逐步提取主成分90 5.1.3 總方差和解釋方差92 5.1.4 特征變換93 5.1.5 用scikit-learn實(shí)現(xiàn)主成分分析95 5.2 基于線性判別分析的監(jiān)督數(shù)據(jù)壓縮97 5.2.1 主成分分析與線性判別分析97 5.2.2 線性判別分析的內(nèi)部工作原理98 5.2.3 計(jì)算散布矩陣98 5.2.4 為新特征子空間選擇線性判別100 5.2.5 將樣本投影到新的特征空間102 5.2.6 用scikit-learn實(shí)現(xiàn)LDA103 5.3 非線性映射的核主成分分析104 5.3.1 核函數(shù)與核技巧104 5.3.2 用Python實(shí)現(xiàn)核主成分分析107 5.3.3 投影新的數(shù)據(jù)點(diǎn)112 5.3.4 scikit-learn的核主成分分析115 5.4 本章小結(jié)116 第6章 模型評(píng)估和超參數(shù)調(diào)優(yōu)的*佳實(shí)踐117 6.1 用流水線方法簡化工作流117 6.1.1 加載威斯康星乳腺癌數(shù)據(jù)集117 6.1.2 在流水線中集成轉(zhuǎn)換器和估計(jì)器118 6.2 使用k折交叉驗(yàn)證評(píng)估模型性能120 6.2.1 holdout方法120 6.2.2 k折交叉驗(yàn)證121 6.3 用學(xué)習(xí)和驗(yàn)證曲線調(diào)試算法123
展開全部

Python機(jī)器學(xué)習(xí)(原書第3版) 節(jié)選

通過新聞和社交媒體的報(bào)道，你可能已經(jīng)了解到，機(jī)器學(xué)習(xí)已成為當(dāng)代*激動(dòng)人心的技術(shù)之一。像谷歌、Facebook、蘋果、亞馬遜和IBM這樣的大公司基于各自的考慮，已經(jīng)在機(jī)器學(xué)習(xí)的研究和應(yīng)用方面投入了巨資。機(jī)器學(xué)習(xí)似乎已經(jīng)成為我們這個(gè)時(shí)代的流行詞，但這絕不是曇花一現(xiàn)。這個(gè)激動(dòng)人心的領(lǐng)域?yàn)槲覀冮_啟了許多新的可能性，已經(jīng)成為我們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠帧Ｖ悄苁謾C(jī)的語音助手、為客戶推薦合適的產(chǎn)品、防止信用卡欺詐、過濾垃圾郵件，以及檢測和診斷疾病等都是明證，類似的應(yīng)用層出不窮。 機(jī)器學(xué)習(xí)入門 如果有志從事機(jī)器學(xué)習(xí)方面的工作，想更好地解決問題或開展機(jī)器學(xué)習(xí)方面的研究，那么本書就是為你而備。然而，對(duì)新手而言，機(jī)器學(xué)習(xí)背后的理論、概念可能艱深晦澀，但近幾年已經(jīng)出版了許多機(jī)器學(xué)習(xí)方面的著作，這有助于大家通過研發(fā)強(qiáng)大的機(jī)器學(xué)習(xí)算法走上機(jī)器學(xué)習(xí)之路。 理論與實(shí)踐相結(jié)合 通過實(shí)際的機(jī)器學(xué)習(xí)應(yīng)用示例來接觸實(shí)際代碼是深入該領(lǐng)域的好方法。此外，具體的示例也有助于通過把所學(xué)的材料直接付諸行動(dòng)來闡明寬泛的概念。然而請(qǐng)記住，更強(qiáng)大的力量意味著更重大的責(zé)任！ 除了提供使用Python編程語言和基于Python的機(jī)器學(xué)習(xí)庫進(jìn)行機(jī)器學(xué)習(xí)的實(shí)踐經(jīng)驗(yàn)之外，本書還將介紹機(jī)器學(xué)習(xí)算法背后的數(shù)學(xué)概念，這些對(duì)成功地應(yīng)用機(jī)器學(xué)習(xí)至關(guān)重要。因此，本書與一般純粹的實(shí)踐手冊(cè)有所不同，書中不僅會(huì)對(duì)有關(guān)機(jī)器學(xué)習(xí)概念的必要細(xì)節(jié)進(jìn)行討論，而且還將對(duì)機(jī)器學(xué)習(xí)算法的工作原理、使用方法，以及如何避免*常見的陷阱（*為重要）做出直觀且翔實(shí)的解釋。 為什么要選擇Python 在深入機(jī)器學(xué)習(xí)領(lǐng)域之前，請(qǐng)先回答一個(gè)*重要的問題：“為什么要選擇Python？”答案很簡單：Python功能強(qiáng)大且易于取得。Python已經(jīng)成為數(shù)據(jù)科學(xué)*常用的編程語言，因?yàn)樗粌H可以讓我們忘記編程的冗長乏味，而且為我們提供了可以把想法落地、把概念直接付諸行動(dòng)的環(huán)境。 探索機(jī)器學(xué)習(xí)領(lǐng)域 如果在谷歌專業(yè)網(wǎng)站以“機(jī)器學(xué)習(xí)”作為關(guān)鍵詞進(jìn)行搜索，可能會(huì)找到325萬個(gè)出版物。當(dāng)然，我們無法對(duì)過去60年來所出現(xiàn)的各種不同算法和應(yīng)用逐一進(jìn)行考證。然而，本書將開啟一個(gè)激動(dòng)人心的旅程，它將涵蓋所有重要的主題和概念，讓你在這些領(lǐng)域能夠捷足先登。如果你發(fā)現(xiàn)本書所提供的知識(shí)還不足以解渴，那么沒關(guān)系，你還可以利用本書所引用的其他有價(jià)值的許多資源來追蹤該領(lǐng)域的重要突破。 我們認(rèn)為，對(duì)機(jī)器學(xué)習(xí)的研究可以幫助我們成為更好的科學(xué)家、思想家和問題解決者。本書將與你分享這些知識(shí)。要獲得知識(shí)就要學(xué)習(xí)，關(guān)鍵在于保持熱情，實(shí)踐出真知。 前面的路或許崎嶇不平，有些主題可能頗具挑戰(zhàn)性，但希望你能抓住這個(gè)機(jī)會(huì)，更多地思考本書所帶來的回報(bào)。請(qǐng)記住，我們將共同踏上這段旅程，幫助你掌握許多強(qiáng)大的武器，讓你以數(shù)據(jù)驅(qū)動(dòng)的方式來解決*棘手的問題。 本書的目標(biāo)讀者 如果你已經(jīng)詳細(xì)研究了機(jī)器學(xué)習(xí)方面的理論，那么本書可以教你如何把知識(shí)付諸實(shí)踐。如果你以前使用過機(jī)器學(xué)習(xí)技術(shù)，想要更加深入地了解其工作原理，那么本書也是為你而寫的。 如果你是機(jī)器學(xué)習(xí)領(lǐng)域的新手，那么不必?fù)?dān)心，你更有理由為閱讀本書而感到興奮！我保證機(jī)器學(xué)習(xí)將會(huì)改變你解決問題的思路，并讓你看到如何通過釋放數(shù)據(jù)的力量來解決問題。如果你想了解如何開始用Python來回答有關(guān)數(shù)據(jù)方面的關(guān)鍵問題，那么請(qǐng)閱讀本書。無論是想從零開始，還是想擴(kuò)展自己已有的數(shù)據(jù)科學(xué)知識(shí)，本書都是必不可少且不可忽視的資源。 本書內(nèi)容 第1章介紹用于解決不同問題的主要機(jī)器學(xué)習(xí)子領(lǐng)域。另外，還將討論創(chuàng)建典型的機(jī)器學(xué)習(xí)模型構(gòu)建流水線的基本步驟，從而形成貫穿后續(xù)各章的脈絡(luò)。 第2章追溯機(jī)器學(xué)習(xí)的起源，介紹二元感知分類器和自適應(yīng)線性神經(jīng)元。還會(huì)簡單介紹模式分類的基本原理，同時(shí)關(guān)注算法優(yōu)化和機(jī)器學(xué)習(xí)的交互。 第3章描述機(jī)器學(xué)習(xí)的基本分類算法，并使用*流行、*全面的開源機(jī)器學(xué)習(xí)軟件庫之一scikit-learn提供實(shí)際示例。 第4章討論如何解決未處理數(shù)據(jù)集中*常見的問題，如數(shù)據(jù)缺失。也會(huì)討論用來識(shí)別數(shù)據(jù)集中信息量*大的特征的幾種方法，并教你如何處理不同類型的變量以作為機(jī)器學(xué)習(xí)算法的適當(dāng)輸入。 第5章描述在減少數(shù)據(jù)集中特征數(shù)量的同時(shí)保留大部分有用和具有可識(shí)別性信息的基本技術(shù)。討論基于主成分分析的標(biāo)準(zhǔn)降維方法，并將其與監(jiān)督學(xué)習(xí)和非線性變換技術(shù)進(jìn)行比較。 第6章討論在預(yù)測模型的性能評(píng)價(jià)中該做什么和不該做什么。此外，還將討論模型評(píng)估的不同度量以及優(yōu)化機(jī)器學(xué)習(xí)算法的技術(shù)。 第7章介紹有效結(jié)合多種學(xué)習(xí)算法的不同概念。講解如何構(gòu)建專家小組來克服個(gè)別學(xué)習(xí)者的弱點(diǎn)，從而產(chǎn)生更準(zhǔn)確、更可靠的預(yù)測。 第8章討論將文本數(shù)據(jù)轉(zhuǎn)換為對(duì)機(jī)器學(xué)習(xí)算法有意義的表達(dá)方式的基本步驟，以根據(jù)文本內(nèi)容預(yù)測人們的意見。 第9章繼續(xù)使用第8章中的預(yù)測模型，并介紹使用嵌入式機(jī)器學(xué)習(xí)模型開發(fā)Web應(yīng)用的基本步驟。 第10章討論根據(jù)目標(biāo)變量和響應(yīng)變量之間的線性關(guān)系建模，從而進(jìn)行連續(xù)預(yù)測的基本技術(shù)。在介紹不同的線性模型之后，還將討論多項(xiàng)式回歸和基于樹的建模方法。 第11章將焦點(diǎn)轉(zhuǎn)移到機(jī)器學(xué)習(xí)的其他子領(lǐng)域，即無監(jiān)督學(xué)習(xí)。用來自三個(gè)基本聚類家族的算法來尋找一組擁有一定程度相似性的對(duì)象。 第12章擴(kuò)展基于梯度的優(yōu)化概念，該概念在第2章中介紹過。還將介紹如何基于常見的反向傳播算法在Python中構(gòu)建強(qiáng)大的多層神經(jīng)網(wǎng)絡(luò)。 第13章基于第12章的知識(shí)，為更有效地訓(xùn)練神經(jīng)網(wǎng)絡(luò)提供實(shí)用指南。該章的重點(diǎn)是TensorFlow 2.0，這是一個(gè)開源的Python 軟件庫，它允許我們充分利用現(xiàn)代的多核圖形處理器（GPU），通過對(duì)用戶友好的Keras API，采用相同的構(gòu)件來構(gòu)建深度神經(jīng)網(wǎng)絡(luò)。 第14章接著第13章的內(nèi)容更詳細(xì)地介紹TensorFlow 2.0更高級(jí)的概念和功能。TensorFlow是一個(gè)龐大且復(fù)雜的軟件庫，該章將逐步探討一些概念，例如將代碼編譯成靜態(tài)圖形以加快執(zhí)行速度并定義可訓(xùn)練的模型參數(shù)。此外，該章還會(huì)提供用TensorFlow的Keras API以及TensorFlow的預(yù)制估計(jì)器訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的其他實(shí)踐經(jīng)驗(yàn)。 第15章介紹卷積神經(jīng)網(wǎng)絡(luò)（CNN）。CNN代表一種特定類型的深度神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，特別適合用于圖像數(shù)據(jù)集。由于CNN的性能優(yōu)于傳統(tǒng)方法，因此現(xiàn)在已被廣泛用于計(jì)算機(jī)視覺中，在各種圖像識(shí)別任務(wù)方面獲得了非常優(yōu)秀的結(jié)果。在該章中，你將學(xué)習(xí)如何將卷積層用作圖像分類的強(qiáng)大的特征提取器。 第16章介紹深度學(xué)習(xí)的另外一種常用的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，它特別適合處理文本序列數(shù)據(jù)和時(shí)間序列數(shù)據(jù)。作為熱身練習(xí)， 在該章中，我們應(yīng)用不同的循環(huán)神經(jīng)網(wǎng)絡(luò)來預(yù)測電影評(píng)論的情感。然后將學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)如何從書中提取信息，以生成全新的文本。 第 17 章介紹一種常用的神經(jīng)網(wǎng)絡(luò)對(duì)抗訓(xùn)練機(jī)制，可用于生成逼真的新圖像。該章首先簡要地介紹自動(dòng)編碼器，這是一種可用于數(shù)據(jù)壓縮的特定類型的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。然后展示如何將自動(dòng)編碼器的解碼器部分與第二個(gè)神經(jīng)網(wǎng)絡(luò)相結(jié)合，以區(qū)分真實(shí)圖像和合成圖像。通過讓兩個(gè)神經(jīng)網(wǎng)絡(luò)在對(duì)抗性訓(xùn)練中相互競爭的方法，實(shí)現(xiàn)用于生成新的手寫數(shù)字的生成對(duì)抗網(wǎng)絡(luò)。*后，在介紹生成對(duì)抗網(wǎng)絡(luò)的基本概念之后，介紹諸如Wasserstein距離指標(biāo)等可以提高對(duì)抗性訓(xùn)練穩(wěn)定性的方法。 第18章討論常用于訓(xùn)練機(jī)器人和其他自主系統(tǒng)的機(jī)器學(xué)習(xí)子類別。該章首先介紹強(qiáng)化學(xué)習(xí) （RL） 的基礎(chǔ)知識(shí)，讓你熟悉智能體與環(huán)境的交互、強(qiáng)化學(xué)習(xí)系統(tǒng)的獎(jiǎng)勵(lì)過程，以及從經(jīng)驗(yàn)中學(xué)習(xí)的概念。涵蓋基于模型和無模型兩大類強(qiáng)化學(xué)習(xí)。在介紹完基本算法（如基于蒙特卡羅和基于時(shí)間距離的學(xué)習(xí)）之后，我們將動(dòng)手實(shí)現(xiàn)并訓(xùn)練一個(gè)可以使用Q學(xué)習(xí)算法在網(wǎng)格世界環(huán)境里導(dǎo)航的智能體。*后，該章將介紹深度Q學(xué)習(xí)算法，這是使用深度神經(jīng)網(wǎng)絡(luò)的Q學(xué)習(xí)的變體。 閱讀本書需要的材料 要執(zhí)行本書的示例代碼，需要在macOS、Linux或者M(jìn)icrosoft Windows操作系統(tǒng)上安裝Python 3.7.0或更新的版本。本書將持續(xù)使用包括SciPy、NumPy、scikit-learn、Matplotlib和pandas在內(nèi)的Python的科學(xué)計(jì)算軟件庫。 第1章將為設(shè)置Python環(huán)境及其核心庫提供指令和有用的提示。我們將逐漸添加更多的軟件庫，另外也會(huì)在不同的章節(jié)中分別提供相應(yīng)的安裝指令，例如第8章的自然語言處理NLTK庫、第9章的Flask 網(wǎng)絡(luò)框架庫，以及從第13章到第18章用于在GPU上高效訓(xùn)練神經(jīng)網(wǎng)絡(luò)的TensorFlow。 下載示例代碼及彩色圖像 本書的示例代碼及彩色圖像可以從http://www.packtpub.com通過個(gè)人賬號(hào)下載，也可以訪問華章圖書官網(wǎng)http://www.hzbook.com，通過注冊(cè)并登錄個(gè)人賬號(hào)下載。 你也可以從GitHub網(wǎng)址https://github.com/rasbt/python-machine-learning-book-3rd-edition下載全部的示例代碼。 本書所有代碼也以Jupyter Notebook的格式提供，這可以在本書第1章的代碼文件夾中找到簡明的指令，其具體位置為https://github.com/rasbt/python-machine-learning-book-3rd-edition/tree/master/ch01#pythonjupyter-notebook。想要了解更多有關(guān)Jupyter Notebook用戶界面的信息，請(qǐng)參考https://jupyter-notebook.readthedocs.io/en/stable/ 網(wǎng)站上的官方文檔。 盡管我們推薦使用Jupyter Notebook 來執(zhí)行代碼，但是所有的代碼示例仍然會(huì)以Python腳本(例如ch02/ch02.py)和Jupyter Notebook(例如ch02/ch02.ipynb)兩種格式提供。另外，推薦閱讀每章附帶的README.md文件，以了解更多的信息和更新情況（例如https://github.com/rasbt/python-machine-learning-book-3rd-edition/blob/master/ch01/README.md）。 我們也把本書中用到的彩色圖像截屏或者圖表以PDF文件格式提供給讀者。彩色圖像有助于讀者更好地理解輸出中的變化。可以從網(wǎng)站https://static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf下載該文件。 約定 新的術(shù)語和重要的詞用粗體顯示。在這樣的提示后會(huì)顯示警告或重要注釋。 在這樣的提示后會(huì)顯示提示和竅門。 延伸閱讀 如果你正在考慮從事機(jī)器學(xué)習(xí)工作，或者只想跟上該領(lǐng)域的*新進(jìn)展，我們向你推薦機(jī)器學(xué)習(xí)領(lǐng)域以下領(lǐng)先專家的著作。 ●Geoffrey Hinton(http://www.cs.toronto.edu/~hinton/) ●Andrew Ng（http://www.andrewng.org/) ●Yann LeCun(http://yann.lecun.com) ●Juergen Schmidhuber（http://people.idsia.ch/~juergen/) ●Yoshua Bengio（http://www.iro.umontreal.ca/~bengioy/yoshua_en/) 僅舉幾例！*后，你可以從下面這些網(wǎng)站了解作者們所擅長的內(nèi)容： https://sebastianraschka.com http://vahidmirjalili.com. 如果對(duì)本書有任何疑問或者需要一些有關(guān)機(jī)器學(xué)習(xí)的提示，歡迎與我們聯(lián)系。 作者簡介 塞巴斯蒂安·拉施卡（Sebastian Raschka）從密歇根州立大學(xué)獲得博士學(xué)位，在此期間他主要關(guān)注計(jì)算生物學(xué)和機(jī)器學(xué)習(xí)交叉領(lǐng)域的方法研究。他在2018年夏季加入威斯康星-麥迪遜大學(xué)，擔(dān)任統(tǒng)計(jì)學(xué)助理教授。他的主要研究活動(dòng)包括開發(fā)新的深度學(xué)習(xí)體系結(jié)構(gòu)來解決生物統(tǒng)計(jì)學(xué)領(lǐng)域的問題。 Sebastian在Python編程方面擁有多年經(jīng)驗(yàn)，多年來針對(duì)數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的實(shí)際應(yīng)用組織過多次研討會(huì)，并在SciPy（重要的Python科學(xué)計(jì)算會(huì)議）上發(fā)布過機(jī)器學(xué)習(xí)教程。 本書是Sebastian的主要學(xué)術(shù)成就之一，也是Packt和 Amazon.com的暢銷書之一，曾獲《ACM 計(jì)算評(píng)論》2016年度*佳獎(jiǎng)，并被翻譯成包括德文、韓文、中文、日文、俄文、波蘭文和意大利文在內(nèi)的多種語言。 在閑暇時(shí)間里，Sebastian熱衷于為開源項(xiàng)目做貢獻(xiàn)，他所實(shí)現(xiàn)的方法現(xiàn)已成功用于像Kaggle這樣的機(jī)器學(xué)習(xí)競賽。我想借此機(jī)會(huì)感謝偉大的Python社區(qū)和開源軟件包的開發(fā)人員，他們?yōu)槲覐氖驴茖W(xué)研究和數(shù)據(jù)研究創(chuàng)造了完美的環(huán)境。另外，我還要感謝我的父母，他們始終鼓勵(lì)和支持我在熱愛的道路和事業(yè)上不斷追求和努力。 特別感謝scikit-learn和TensorFlow的核心開發(fā)人員。作為這個(gè)項(xiàng)目的貢獻(xiàn)者和用戶，我很高興能夠與這些杰出人士合作，他們不僅在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面非常博學(xué)，而且還是優(yōu)秀的程序員。 瓦希德·米爾賈利利（Vahid Mirjalili）在密歇根州立大學(xué)獲得機(jī)械工程博士學(xué)位，并在這里從事大規(guī)模分子結(jié)構(gòu)計(jì)算模擬的新方法的研究。對(duì)機(jī)器學(xué)習(xí)領(lǐng)域的執(zhí)著，促使他加入了密歇根州立大學(xué)的iPRoBe實(shí)驗(yàn)室，在這里他致力于把機(jī)器學(xué)習(xí)應(yīng)用到計(jì)算機(jī)視覺和生物統(tǒng)計(jì)學(xué)領(lǐng)域。在經(jīng)歷了iPRoBe實(shí)驗(yàn)室碩果累累的幾年和數(shù)載學(xué)術(shù)生涯之后，Vahid*近以研究科學(xué)家的身份加入了3M，他在那里利用自己的經(jīng)驗(yàn)，把*新的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)應(yīng)用于解決各種實(shí)際問題，以使人們生活得更加美好。 在此感謝我的太太Taban Eslami，是她在我的事業(yè)發(fā)展道路上一直給予我支持和鼓勵(lì)。我也特別感謝我的導(dǎo)師Nikolai Priezjev、Michael Feig和Arun Ross，他們?cè)谖夜プx博士學(xué)位期間對(duì)我進(jìn)行了指導(dǎo)，另外還要感謝教授Vishnu Boddeti、Leslie Kuhn和Xiaoming Liu對(duì)我的諄諄教誨，是他們的鼓勵(lì)讓我鍥而不舍。 審校者簡介 Raghav Bali在世界上*大的醫(yī)療機(jī)構(gòu)之一任高級(jí)數(shù)據(jù)科學(xué)家。他的工作包括研究和開發(fā)基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和自然語言處理的企業(yè)級(jí)解決方案，用于醫(yī)療和保險(xiǎn)相關(guān)的場景。在此之前他在英特爾工作，參與使用自然語言處理、深度學(xué)習(xí)和傳統(tǒng)統(tǒng)計(jì)方法為主動(dòng)性數(shù)據(jù)驅(qū)動(dòng)的IT計(jì)劃賦能的項(xiàng)目。他還曾在美國運(yùn)通從事金融領(lǐng)域的工作，解決數(shù)字化互動(dòng)和客戶留存方面的問題。 Raghav還與領(lǐng)先的出版商合作出版過多本專著，*近的一本是關(guān)于遷移學(xué)習(xí)研究方面的*新進(jìn)展的。 Raghav擁有班加羅爾國際信息技術(shù)學(xué)院的信息技術(shù)碩士學(xué)位（金牌）。他不但喜歡閱讀，而且是一個(gè)攝影迷，經(jīng)常在閑暇時(shí)刻捕捉光與影。Motaz Saad從洛林大學(xué)取得計(jì)算機(jī)科學(xué)博士學(xué)位。他喜歡擺弄數(shù)據(jù)，在自然語言處理、計(jì)算語言學(xué)、數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)方面擁有10多年的專業(yè)經(jīng)驗(yàn)。目前在IUG信息技術(shù)學(xué)院擔(dān)任助理教授。

Python機(jī)器學(xué)習(xí)(原書第3版) 作者簡介

塞巴斯蒂安·拉施卡（Sebastian Raschka） 威斯康星大學(xué)麥迪遜分校統(tǒng)計(jì)學(xué)副教授，專注于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)研究。他擁有密歇根州立大學(xué)的博士學(xué)位，在計(jì)算生物學(xué)領(lǐng)域提出了幾種新的計(jì)算方法，曾被科技博客Analytics Vidhya評(píng)為GitHub上極具影響力的數(shù)據(jù)科學(xué)家之一。他在Python編程方面擁有多年經(jīng)驗(yàn)，同時(shí)還多次參加數(shù)據(jù)科學(xué)應(yīng)用與機(jī)器學(xué)習(xí)領(lǐng)域的研討會(huì)。 瓦希德·米爾賈利利（Vahid Mirjalili） 擁有密歇根州立大學(xué)機(jī)械工程博士學(xué)位，從事大規(guī)模分子結(jié)構(gòu)計(jì)算模擬方法的研究。他曾加入密歇根州立大學(xué)的iPRoBe實(shí)驗(yàn)室，致力于把機(jī)器學(xué)習(xí)應(yīng)用到計(jì)算機(jī)視覺和生物統(tǒng)計(jì)學(xué)領(lǐng)域。之后，他加入3M，利用自己的經(jīng)驗(yàn)，把新的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)應(yīng)用于解決各種實(shí)際問題。 ◆ 譯者簡介 ◆ 陳斌（Chuck Chen） NETSTARS首席技術(shù)官。1989年獲得吉林大學(xué)碩士學(xué)位；1992年任新加坡航空公司高級(jí)系統(tǒng)分析師；1999年投身于硅谷互聯(lián)網(wǎng)技術(shù)發(fā)展浪潮，曾任日立美國系統(tǒng)集成總監(jiān)、Abacus首席架構(gòu)師和Nokia美國首席工程師；2008年任eBay資深架構(gòu)師，負(fù)責(zé)移動(dòng)應(yīng)用的架構(gòu)設(shè)計(jì)；2014年出任易寶支付首席技術(shù)官；2016年開始擔(dān)任CTO聯(lián)盟聯(lián)席主席、互聯(lián)網(wǎng)技術(shù)百人會(huì)理事長。豐富的海外經(jīng)歷，多年的架構(gòu)經(jīng)驗(yàn)，深諳移動(dòng)互聯(lián)網(wǎng)對(duì)傳統(tǒng)行業(yè)的影響；2020年投身NETSTARS，擔(dān)任CTO，全力推動(dòng)移動(dòng)互聯(lián)網(wǎng)技術(shù)，引領(lǐng)行業(yè)的變革。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
編輯推薦
返回頂部
中圖網(wǎng)
在線客服
主站蜘蛛池模板： 菲希尔X射线测厚仪-菲希尔库伦法测厚仪-无锡骏展仪器有限责任公司 | 水质监测站_水质在线分析仪_水质自动监测系统_多参数水质在线监测仪_水质传感器-山东万象环境科技有限公司 | 长沙一级消防工程公司_智能化弱电_机电安装_亮化工程专业施工承包_湖南公共安全工程有限公司 | 长沙发电机-湖南发电机-柴油发电机供应厂家-长沙明邦智能科技 | Copeland/谷轮压缩机,谷轮半封闭压缩机,谷轮涡旋压缩机,型号规格,技术参数,尺寸图片,价格经销商 CTP磁天平|小电容测量仪|阴阳极极化_双液系沸点测定仪|dsj电渗实验装置-南京桑力电子设备厂 | 施工围挡-施工PVC围挡-工程围挡-深圳市旭东钢构技术开发有限公司 | 粘度计维修,在线粘度计,二手博勒飞粘度计维修|收购-天津市祥睿科技有限公司 | 北京百度网站优化|北京网站建设公司-百谷网络科技 | 岩棉切条机厂家_玻璃棉裁条机_水泥基保温板设备-廊坊鹏恒机械 | 招商帮-一站式网络营销服务|互联网整合营销|网络推广代运营|信息流推广|招商帮企业招商好帮手|搜索营销推广|短视视频营销推广 | 贵阳用友软件,贵州财务软件,贵阳ERP软件_贵州优智信息技术有限公司 | 长城人品牌官网| 青岛球场围网,青岛车间隔离网,青岛机器人围栏,青岛水源地围网,青岛围网,青岛隔离栅-青岛晟腾金属制品有限公司 | [官网]叛逆孩子管教_戒网瘾学校_全封闭问题青少年素质教育_新起点青少年特训学校 | 品牌策划-品牌设计-济南之式传媒广告有限公司官网-提供品牌整合丨影视创意丨公关活动丨数字营销丨自媒体运营丨数字营销 | HDPE储罐_厂家-山东九州阿丽贝防腐设备 | 众品家具网－家具品牌招商_家具代理加盟_家具门户的首选网络媒体。 | 印刷人才网 印刷、包装、造纸,中国80%的印刷企业人才招聘选印刷人才网! | 山东PE给水管厂家,山东双壁波纹管,山东钢带增强波纹管,山东PE穿线管,山东PE农田灌溉管,山东MPP电力保护套管-山东德诺塑业有限公司 | 氧化锆陶瓷_氧化锆陶瓷加工_氧化锆陶瓷生产厂家-康柏工业陶瓷有限公司 | 模具ERP_模具管理系统_模具mes_模具进度管理_东莞市精纬软件有限公司 | 山东太阳能路灯厂家-庭院灯生产厂家-济南晟启灯饰有限公司 | 钢托盘,钢制托盘,立库钢托盘,金属托盘制造商_南京飞天金属制品实业有限公司 | 无压烧结银_有压烧结银_导电银胶_导电油墨_导电胶-善仁(浙江)新材料 | 磁力抛光机_磁力研磨机_磁力去毛刺机_精密五金零件抛光设备厂家-冠古科技 | 上海电子秤厂家,电子秤厂家价格,上海吊秤厂家,吊秤供应价格-上海佳宜电子科技有限公司 | 章丘丰源机械有限公司 - 三叶罗茨风机,罗茨鼓风机,罗茨风机 | 粉末包装机-给袋式包装机-全自动包装机-颗粒-液体-食品-酱腌菜包装机生产线【润立机械】 | 陶瓷加热器,履带式加热器-吴江市兴达电热设备厂 | 运动木地板厂家_体育木地板安装_篮球木地板选购_实木运动地板价格 | TTCMS自助建站_网站建设_自助建站_免费网站_免费建站_天天向上旗下品牌 | 碳化硅,氮化硅,冰晶石，绢云母，氟化铝，白刚玉,棕刚玉，石墨,铝粉,铁粉,金属硅粉,金属铝粉,氧化铝粉,硅微粉,蓝晶石,红柱石,莫来石,粉煤灰,三聚磷酸钠,六偏磷酸钠,硫酸镁-皓泉新材料 | 沈阳建筑设计公司_加固改造设计_厂房设计_设计资质加盟【金辉设计】 | 自动售货机_无人售货机_专业的自动售货机运营商_免费投放售货机-广州富宏主官网 | 除尘器布袋骨架,除尘器滤袋,除尘器骨架,电磁脉冲阀膜片,卸灰阀,螺旋输送机-泊头市天润环保机械设备有限公司 | 华东师范大学在职研究生招生网_在职研究生招生联展网 | 酒店品牌设计-酒店vi设计-酒店标识设计【国际级】VI策划公司 | 铁艺,仿竹,竹节,护栏,围栏,篱笆,栅栏,栏杆,护栏网,网围栏,厂家 - 河北稳重金属丝网制品有限公司 山东太阳能路灯厂家-庭院灯生产厂家-济南晟启灯饰有限公司 | 连续油炸机,全自动油炸机,花生米油炸机-烟台茂源食品机械制造有限公司 | 发光字|标识设计|标牌制作|精神堡垒 - 江苏苏通广告有限公司 | 维泰克Veertek-锂电池微短路检测_锂电池腐蚀检测_锂电池漏液检测 |