内容简介

这本机器学习畅销书基于TensorFlow 2和Scikit-Learn的新版本进行了全面更新，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。第一部分介绍机器学习基础，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。第一部分主要基于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。

作品目录

前言 1
第一部分 机器学习的基础知识 11
第 1 章 机器学习概览
13 1.1 什么是机器学习 14
1.2 为什么使用机器学习 14
1.3 机器学习的应用示例 16
1.4 机器学习系统的类型 18
1.5 机器学习的主要挑战 32
1.6 测试与验证 38
1.7 练习题 40
第 2 章 端到端的机器学习项目 42
2.1 使用真实数据
42 2.2 观察大局 44
2.3 获取数据 48
2.4 从数据探索和可视化中获得洞见 60
2.5 机器学习算法的数据准备 66
2.6 选择和训练模型 74
2.7 微调模型 77
2.8 启动、监控和维护你的系统 .82
2.9 试试看 84
2.10 练习题 84
第 3 章 分类 86
3.1 MNIST 86
3.2 训练二元分类器 88
3.3 性能测量 89
3.4 多类分类器 99
3.5 误差分析 101
3.6 多标签分类 104
3.7 多输出分类 105
3.8 练习题 107
第 4 章 训练模型 108
4.1 线性回归 109
4.2 梯度下降 113
4.3 多项式回归 122
4.4 学习曲线 124
4.5 正则化线性模型 127
4.6 逻辑回归 134
4.7 练习题 141
第 5 章 支持向量机 143
5.1 线性 SVM 分类 143
5.2 非线性 SVM 分类 146
5.3 SVM 回归 151
5.4 工作原理 152
5.5 练习题 160
第 6 章 决策树 162
6.1 训练和可视化决策树 162
6.2 做出预测 163
6.3 估计类概率 165
6.4 CART 训练算法 166
6.5 计算复杂度 166
6.6 基尼不纯度或熵 167
6.7 正则化超参数 167
6.8 回归 168
6.9 不稳定性 170
6.10 练习题 172
第 7 章 集成学习和随机森林 173
7.1 投票分类器 173
7.2 bagging 和 pasting 176
7.3 随机补丁和随机子空间 179
7.4 随机森林 180
7.5 提升法 182
7.6 堆叠法 190
7.7 练习题 192
第 8 章 降维 193
8.1 维度的诅咒 194
8.2 降维的主要方法 195
8.3 PCA 198
8.4 内核 PCA . 204
8.5 LLE 206
8.6 其他降维技术 208
8.7 练习题 209
第 9 章 无监督学习技术 211
9.1 聚类 212
9.2 高斯混合模型 232
9.3 练习题 245
第二部分 神经网络与深度学习 247
第 10 章 Keras 人工神经网络简介 249
10.1 从生物神经元到人工神经元 250
10.2 使用 Keras 实现 MLP 262
10.3 微调神经网络超参数 284
10.4 练习题 290
第 11 章 训练深度神经网络 293
11.1 梯度消失与梯度爆炸问题 293
11.2 重用预训练层 305
11.3 更快的优化器 310
11.4 通过正则化避免过拟合 321
11.5 总结和实用指南 327
11.6 练习题 329
第 12 章 使用 TensorFlow 自定义模型和训练 330
12.1 TensorFlow 快速浏览 330
12.2 像 NumPy 一样使用 TensorFlow 333
12.3 定制模型和训练算法 338
12.4 TensorFlow 函数和图 356
12.5 练习题 360
第 13 章 使用 TensorFlow 加载和预处理数据 362
13.1 数据 API 363
13.2 TFRecord 格式 372
13.3 预处理输入特征 377
13.4 TF Transform 385
13.5 TensorFlow 数据集项目 386
13.6 练习题 388
第 14 章 使用卷积神经网络的深度计算机视觉 390
14.1 视觉皮层的架构 390
14.2 卷积层 392
14.3 池化层 399
14.4 CNN 架构 402
14.5 使用 Keras 实现 ResNet-34 CNN 416
14.6 使用 Keras 的预训练模型 417
14.7 迁移学习的预训练模型 418
14.8 分类和定位 421
14.9 物体检测 422
14.10 语义分割 428
14.11 练习题 431
第 15 章 使用 RNN 和 CNN 处理序列 432
15.1 循环神经元和层 432
15.2 训练 RNN 436
15.3 预测时间序列 437
15.4 处理长序列 444
15.5 练习题 453
第 16 章 使用 RNN 和注意力机制进行自然语言处理 455
16.1 使用字符 RNN 生成莎士比亚文本 456
16.2 情感分析 464
16.3 神经机器翻译的编码器 - 解码器网络 470
16.4 注意力机制 476
16.5 最近语言模型的创新 486
16.6 练习题 ... 488
第 17 章 使用自动编码器和 GAN 的表征学习和生成学习 489
17.1 有效的数据表征 490
17.2 使用不完整的线性自动编码器执行 PCA 491
17.3 堆叠式自动编码器 493
17.4 卷积自动编码器 499
17.5 循环自动编码器 500
17.6 去噪自动编码器 501
17.7 稀疏自动编码器 502
17.8 变分自动编码器 505
17.9 生成式对抗网络 510
17.10 练习题 522
第 18 章 强化学习 523
18.1 学习优化奖励 524
18.2 策略搜索 525
18.3 OpenAI Gym 介绍 526
18.4 神经网络策略 529
18.5 评估动作：信用分配问题 531
18.6 策略梯度 532
18.7 马尔可夫决策过程 536
18.8 时序差分学习 540
18.9 Q 学习 540
18.10 实现深度 Q 学习 544
18.11 深度 Q 学习的变体 547
18.12 TF-Agents 库 550
18.13 一些流行的 RL 算法概述 568
18.14 练习题 569
第 19 章 大规模训练和部署TensorFlow 模型 571
19.1 为 TensorFlow 模型提供服务 572
19.2 将模型部署到移动端或嵌入式设备 586
19.3 使用 GPU 加速计算 589
19.4 跨多个设备的训练模型 600
19.5 练习题 613
19.6 致谢 613
附录 A 课后练习题解答 .....614
附录 B 机器学习项目清单 ..642
附录 C SVM 对偶问题 647
附录 D 自动微分 .650
附录 E 其他流行的人工神经网络架构 ...656
附录 F 特殊数据结构..663
附录 G TensorFlow 图 ......669
· · · · · ·

作者简介

Aurélien Géron是机器学习方面的顾问。曾就职于Google，在2013年到2016年领导过YouTube视频分类团队。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。于2001年创办Ployconseil 公司并任首席技术官。