机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）
本书分为两部分。第一部分，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，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。第一部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。
简介
本书分为两部分。第一部分，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，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。第一部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。
版权
出版社机械工业出版社
出版时间2020年10月
字数636,413
分类计算机-人工智能
热门划线
一个计算机程序利用经验E来学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习。
如相等 221 人划线
范数指标越高，它越关注大值而忽略小值。这就是RMSE对异常值比MAE更敏感的原因。但是，当离群值呈指数形式稀有时（如钟形曲线），RMSE表现非常好，通常是首选。
游客等 154 人划线
在机器学习中，这称为过拟合，也就是指模型在训练数据上表现良好，但是泛化时却不尽如人意。
-小野马等 144 人划线
机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）
[法]奥雷利安·杰龙
- 版权信息
- 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
- 作者介绍