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(原書第3版) 版權信息
- ISBN：9787111749714
- 條形碼：9787111749714 ; 978-7-111-74971-4
- 裝幀：平裝-膠訂
- 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(原書第3版) 本書特色
隨著一系列的技術突破，深度學習推動了整個機器學習領域的發展。現在，即使是對這項技術幾乎一無所知的程序員也可以使用簡單有效的工具來實現“可以自動從數據中學習”的程序。這本暢銷書的更新版通過具體的示例、非常少的理論和可用于生產環境的Python框架（Scikit-Learn、Keras和TensorFlow）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。
在本書中，你會學到一系列可以快速使用的技術，從簡單的線性回歸開始，一直到深度神經網絡。書中提供了大量的代碼示例，并且每章的練習題可以幫助你應用所學的知識，你只需要有一些編程經驗。
通過本書，你將能夠：
·使用Scikit-Learn通過端到端項目來學習機器學習基礎知識。
·探索幾個模型，包括支持向量機、決策樹、隨機森林和集成方法。
·探索無監督學習技術，如降維、聚類和異常檢測。
·深入研究神經網絡架構，包括卷積網絡、循環網絡、生成對抗網絡、自動編碼器、擴散模型和轉換器。
·使用TensorFlow和Keras構建和訓練用于計算機視覺、自然語言處理、生成模型和深度強化學習的神經網絡。
機器學習實戰:基于SCIKIT-LEARN、KERAS和TENSORFLOW(原書第3版) 內容簡介
本書分為兩大部分：di一部分主要基于Scikit-Learn，介紹機器學習的基礎算法；第二部分則使用TensorFlow和Keras，介紹神經網絡與深度學習。此外，附錄部分的內容也非常豐富，包括課后練習題解答、機器學習項目清單、SVM對偶問題、自動微分和特殊數據結構等。書中內容廣博，覆蓋了機器學習的各個領域，不僅介紹了傳統的機器學習模型，包括支持向量機、決策樹、隨機森林和集成方法，還提供了使用Scikit-Learn進行機器學習的端到端訓練示例。作者尤其對深度神經網絡進行了深入的探討，包括各種神經網絡架構、強化學習，以及如何使用TensorFlow/Keras庫來構建和訓練神經網絡。本書兼顧理論與實戰，既適合在校學生，又適合有經驗的工程師。
機器學習實戰:基于SCIKIT-LEARN、KERAS和TENSORFLOW(原書第3版) 目錄
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 應用示例17
1.4 機器學習系統的類型18
1.5 機器學習的主要挑戰33
1.6 測試和驗證39
1.7 練習題43
第2章 端到端機器學習項目44
2.1 使用真實數據44
2.2 放眼大局46
2.3 獲取數據50
2.4 探索和可視化數據以獲得見解63
2.5 為機器學習算法準備數據69
2.6 選擇和訓練模型87
2.7 微調模型91
2.8 啟動、監控和維護系統96
2.9 試試看99
2.10 練習題99
第3章 分類101
3.1 MNIST101
3.2 訓練二元分類器104
3.3 性能測量104
3.4 多類分類115
3.5 錯誤分析118
3.6 多標簽分類121
3.7 多輸出分類123
3.8 練習題124
第4章 訓練模型126
4.1 線性回歸127
4.2 梯度下降132
4.3 多項式回歸141
4.4 學習曲線143
4.5 正則化線性模型146
4.6 邏輯回歸153
4.7 練習題162
第5章 支持向量機164
5.1 線性SVM分類164
5.2 非線性SVM分類167
5.3 SVM回歸172
5.4 線性SVM分類器的工作原理174
5.5 對偶問題176
5.6 練習題180
第6章 決策樹181
6.1 訓練和可視化決策樹181
6.2 做出預測182
6.3 估計類概率185
6.4 CART訓練算法185
6.5 計算復雜度186
6.6 基尼雜質或熵186
6.7 正則化超參數187
6.8 回歸189
6.9 對軸方向的敏感性191
6.10 決策樹具有高方差192
6.11 練習題193
第7章 集成學習和隨機森林194
7.1 投票分類器194
7.2 bagging和pasting198
7.3 隨機森林202
7.4 提升法204
7.5 堆疊法212
7.6 練習題215
第8章 降維216
8.1 維度的詛咒217
8.2 降維的主要方法218
8.3 PCA221
8.4 隨機投影228
8.5 LLE230
8.6 其他降維技術232
8.7 練習題234
第9章 無監督學習技術235
9.1 聚類算法：k均值和DBSCAN236
9.2 高斯混合模型256
9.3 練習題265
第二部分 神經網絡與深度學習267
第10章 Keras人工神經網絡簡介269
10.1 從生物神經元到人工神經元270
10.2 使用Keras實現MLP284
10.3 微調神經網絡超參數308
10.4 練習題316
第11章 訓練深度神經網絡319
11.1 梯度消失和梯度爆炸問題319
11.2 重用預訓練層333
11.3 更快的優化器338
11.4 學習率調度346
11.5 通過正則化避免過擬合350
11.6 總結和實用指南357
11.7 練習題358
第12章 使用TensorFlow自定義模型和訓練360
12.1 TensorFlow快速瀏覽360
12.2 像使用NumPy一樣使用TensorFlow363
12.3 自定義模型和訓練算法368
12.4 TensorFlow函數和圖387
12.5 練習題392
第13章 使用TensorFlow加載和預處理數據394
13.1 tf.data API395
13.2 TFRecord格式405
13.3 Keras預處理層411
13.4 TensorFlow數據集項目425
13.5 練習題427
第14章 使用卷積神經網絡進行深度計算機視覺429
14.1 視覺皮層的結構429
14.2 卷積層431
14.3 池化層439
14.4 使用Keras實現池化層441
14.5 CNN架構443
14.6 使用Keras實現ResNet-34 CNN460
14.7 使用Keras的預訓練模型462
14.8 使用預訓練模型進行遷移學習463
14.9 分類和定位466
14.10 物體檢測467
14.11 物體跟蹤474
14.12 語義分割475
14.13 練習題478
第15章 使用RNN和CNN處理序列480
15.1 循環神經元和層481
15.2 訓練RNN484
15.3 預測時間序列485
15.4 處理長序列505
15.5 練習題515
第16章 基于RNN和注意力機制的自然語言處理516
16.1 使用字符RNN生成莎士比亞文本517
16.2 情感分析525
16.3 用于神經機器翻譯的編碼器-解碼器網絡532
16.4 注意力機制541
16.5 Transformer模型的雪崩554
16.6 視覺Transformer558
16.7 Hugging Face的Transformer庫562
16.8 練習題566
第17章 自動編碼器、GAN和擴散模型568
17.1 有效的數據表示569
17.2 使用不完備的線性自動編碼器執行PCA571
17.3 堆疊式自動編碼器572
17.4 卷積自動編碼器579
17.5 去噪自動編碼器580
17.6 稀疏自動編碼器582
17.7 變分自動編碼器584
17.8 生成Fashion MNIST圖像588
17.9 生成對抗網絡589
17.10 擴散模型602
17.11 練習題608
第18章 強化學習610
18.1 學習優化獎勵611
18.2 策略搜索612
18.3 OpenAI Gym介紹614
18.4 神經網絡策略617
18.5 評估動作：信用分配問題619
18.6 策略梯度620
18.7 馬爾可夫決策過程624
18.8 時序差分學習628
18.9 Q學習629
18.10 實現深度Q學習632
18.11 深度Q學習的變體636
18.12 一些流行的RL算法概述640
18.13 練習題643
第19章 大規模訓練和部署TensorFlow模型645
19.1 為TensorFlow模型提供服務646
19.2 將模型部署到移動設備或嵌入式設備664
19.3 在Web頁面中運行模型666
19.4 使用GPU加速計算668
19.5 跨多個設備訓練模型676
19.6 練習題694
致讀者694
附錄A 機器學習項目清單697
附錄B 自動微分703
附錄C 特殊數據結構710
附錄D TensorFlow圖716
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 應用示例17
1.4 機器學習系統的類型18
1.5 機器學習的主要挑戰33
1.6 測試和驗證39
1.7 練習題43
第2章 端到端機器學習項目44
2.1 使用真實數據44
2.2 放眼大局46
2.3 獲取數據50
2.4 探索和可視化數據以獲得見解63
2.5 為機器學習算法準備數據69
2.6 選擇和訓練模型87
2.7 微調模型91
2.8 啟動、監控和維護系統96
2.9 試試看99
2.10 練習題99
第3章 分類101
3.1 MNIST101
3.2 訓練二元分類器104
3.3 性能測量104
3.4 多類分類115
3.5 錯誤分析118
3.6 多標簽分類121
3.7 多輸出分類123
3.8 練習題124
第4章 訓練模型126
4.1 線性回歸127
4.2 梯度下降132
4.3 多項式回歸141
4.4 學習曲線143
4.5 正則化線性模型146
4.6 邏輯回歸153
4.7 練習題162
第5章 支持向量機164
5.1 線性SVM分類164
5.2 非線性SVM分類167
5.3 SVM回歸172
5.4 線性SVM分類器的工作原理174
5.5 對偶問題176
5.6 練習題180
第6章 決策樹181
6.1 訓練和可視化決策樹181
6.2 做出預測182
6.3 估計類概率185
6.4 CART訓練算法185
6.5 計算復雜度186
6.6 基尼雜質或熵186
6.7 正則化超參數187
6.8 回歸189
6.9 對軸方向的敏感性191
6.10 決策樹具有高方差192
6.11 練習題193
第7章 集成學習和隨機森林194
7.1 投票分類器194
7.2 bagging和pasting198
7.3 隨機森林202
7.4 提升法204
7.5 堆疊法212
7.6 練習題215
第8章 降維216
8.1 維度的詛咒217
8.2 降維的主要方法218
8.3 PCA221
8.4 隨機投影228
8.5 LLE230
8.6 其他降維技術232
8.7 練習題234
第9章 無監督學習技術235
9.1 聚類算法：k均值和DBSCAN236
9.2 高斯混合模型256
9.3 練習題265
第二部分 神經網絡與深度學習267
第10章 Keras人工神經網絡簡介269
10.1 從生物神經元到人工神經元270
10.2 使用Keras實現MLP284
10.3 微調神經網絡超參數308
10.4 練習題316
第11章 訓練深度神經網絡319
11.1 梯度消失和梯度爆炸問題319
11.2 重用預訓練層333
11.3 更快的優化器338
11.4 學習率調度346
11.5 通過正則化避免過擬合350
11.6 總結和實用指南357
11.7 練習題358
第12章 使用TensorFlow自定義模型和訓練360
12.1 TensorFlow快速瀏覽360
12.2 像使用NumPy一樣使用TensorFlow363
12.3 自定義模型和訓練算法368
12.4 TensorFlow函數和圖387
12.5 練習題392
第13章 使用TensorFlow加載和預處理數據394
13.1 tf.data API395
13.2 TFRecord格式405
13.3 Keras預處理層411
13.4 TensorFlow數據集項目425
13.5 練習題427
第14章 使用卷積神經網絡進行深度計算機視覺429
14.1 視覺皮層的結構429
14.2 卷積層431
14.3 池化層439
14.4 使用Keras實現池化層441
14.5 CNN架構443
14.6 使用Keras實現ResNet-34 CNN460
14.7 使用Keras的預訓練模型462
14.8 使用預訓練模型進行遷移學習463
14.9 分類和定位466
14.10 物體檢測467
14.11 物體跟蹤474
14.12 語義分割475
14.13 練習題478
第15章 使用RNN和CNN處理序列480
15.1 循環神經元和層481
15.2 訓練RNN484
15.3 預測時間序列485
15.4 處理長序列505
15.5 練習題515
第16章 基于RNN和注意力機制的自然語言處理516
16.1 使用字符RNN生成莎士比亞文本517
16.2 情感分析525
16.3 用于神經機器翻譯的編碼器-解碼器網絡532
16.4 注意力機制541
16.5 Transformer模型的雪崩554
16.6 視覺Transformer558
16.7 Hugging Face的Transformer庫562
16.8 練習題566
第17章 自動編碼器、GAN和擴散模型568
17.1 有效的數據表示569
17.2 使用不完備的線性自動編碼器執行PCA571
17.3 堆疊式自動編碼器572
17.4 卷積自動編碼器579
17.5 去噪自動編碼器580
17.6 稀疏自動編碼器582
17.7 變分自動編碼器584
17.8 生成Fashion MNIST圖像588
17.9 生成對抗網絡589
17.10 擴散模型602
17.11 練習題608
第18章 強化學習610
18.1 學習優化獎勵611
18.2 策略搜索612
18.3 OpenAI Gym介紹614
18.4 神經網絡策略617
18.5 評估動作：信用分配問題619
18.6 策略梯度620
18.7 馬爾可夫決策過程624
18.8 時序差分學習628
18.9 Q學習629
18.10 實現深度Q學習632
18.11 深度Q學習的變體636
18.12 一些流行的RL算法概述640
18.13 練習題643
第19章 大規模訓練和部署TensorFlow模型645
19.1 為TensorFlow模型提供服務646
19.2 將模型部署到移動設備或嵌入式設備664
19.3 在Web頁面中運行模型666
19.4 使用GPU加速計算668
19.5 跨多個設備訓練模型676
19.6 練習題694
致讀者694
附錄A 機器學習項目清單697
附錄B 自動微分703
附錄C 特殊數據結構710
附錄D TensorFlow圖716
展開全部
機器學習實戰:基于SCIKIT-LEARN、KERAS和TENSORFLOW(原書第3版) 作者簡介
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（法國領先的無線互聯網服務供應商）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（一家電信咨詢公司），并任首席技術官。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
苦雨齋序跋文-周作人自編集
- >
史學評論
- >
月亮與六便士
- >
二體千字文
- >
我與地壇
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
