正版新书]机器学习实战:基于Scikit-Learn.Keras和TensorFlow(原

前言1

部分 机器学习的基础知识11

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 MNIST86

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pasting176

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 PCA198

8.4 内核PCA204

8.5 LLE206

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

0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MLP262

10.3 微调神经网络超参数284

10.4 练习题290

1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

2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TensorFlow333

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

3章 使用TensorFlow加载和预处理数据362

13.1 数据API363

13.2 TFRecord格式372

13.3 预处理输入特征377

13.4 TF Transform385

13.5 TensorFlow数据集项目386

13.6 练习题388

4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 CNN416

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

5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RNN436

15.3 预测时间序列437

15.4 处理长序列444

15.5 练习题453

6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

7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PCA491

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

8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

9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

随着一系列的突破，深度学习点燃了整个机器学习领域。 现在，即使是对这项技术毫无基础的程序员，也可以使用简单高效的工具来实现“可以自动从数据中学习”的程序。本书将展示如何做到这一点。通过具体的例子、很好少的理论和两个产品级的Python框架——Scikit-learn 和 TensorFlow 。作者帮助你很直观地理解并掌握构建智能系统的概念和工具。你将学习一系列技术，从简单的线性回归开始到深度神经网络等。每章都有习题来帮助你应用学到的知识，你所需要的只是一点编程经验，仅此而已。- 探索机器学习的全景图，特别是神经网络。- 使用Scikit-Learn来端到端地建立一个机器学习项目的示例。- 探索多种训练模型，包括支持向量机、决策树、随机森林和集成方法。- 使用TensorFlow库建立和训练神经网络。- 深入神经网络架构，包括卷积网络、递归网络和深度强化学习。- 学习训练和伸缩深度神经网络的技巧。- 应用可以工作的代码示例，而无须过多的机器学习理论或算法细节。本书是关于使用神经网络来解决问题的理论和实践的一本导论。它涵盖了你建立高效应用的关键点，以及足够的背景知识以应对新研究的出现。 我推荐这本书给有兴趣学习用机器学习来解决实际问题的人。- Pete Warden- TensorFlow移动端负责人Aurelien Geron是机器学习方面的顾问。他是Google的前员工，在2013年到2016年领导过YouTube视频分类团队。2002年至2012年，他还是Wifirst公司的创始人和首席技术官，在2001年，他是Ployconseil公司的创始人和首席技术官。

随着一系列的技术突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单有效的工具来实现“可以自动从数据中学习”的程序。这本畅销书的更新版通过具体的示例、很好少的理论和可用于生产环境的Python框架来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。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。它已更新为TensorFlow 2和Scikit-Learn的新版本。