書名： Hands-On Machine Learning with Scikit-Learn and TensorFlow
主要內容：
這本書分為兩個部分。
第一部分，機器學習的基礎知識，涵蓋以下主題：
- 什么是機器學習？它被試圖用來解決什么問題？機器學習系統的主要類別和基本概念是什么？
- 典型的機器學習項目中的主要步驟。
- 通過擬合數據來學習模型。
- 優化成本函數（cost function）。
- 零、前言
- 處理，清洗和準備數據。
- 選擇和設計特征。
- 使用交叉驗證選擇一個模型并調整超參數。
- 機器學習的主要挑戰，特別是欠擬合和過擬合（偏差和方差權衡）。
- 對訓練數據進行降維以對抗 the curse of dimensionality（維度詛咒）
- 最常見的學習算法：線性和多項式回歸， Logistic 回歸，k-最近鄰，支持向量機，決策 樹，隨機森林和集成方法。
第二部分，神經網絡和深度學習，包括以下主題：
- 什么是神經網絡？它們有啥優勢？
- 使用 TensorFlow 構建和訓練神經網絡。
- 最重要的神經網絡架構：前饋神經網絡，卷積網絡，遞歸網絡，長期短期記憶網絡 （LSTM）和自動編碼器。
- 訓練深度神經網絡的技巧。
- 對于大數據集縮放神經網絡。
- 強化學習。
第一部分主要基于 scikit-learn ，而第二部分則使用 TensorFlow 。 注意：不要太急于深入學習到核心知識：深度學習無疑是機器學習中最令人興奮的領域之 一，但是你應該首先掌握基礎知識。而且，大多數問題可以用較簡單的技術很好地解決（而 不需要深度學習），比如隨機森林和集成方法（我們會在第一部分進行討論）。如果你擁有 足夠的數據，計算能力和耐心，深度學習是最適合復雜的問題的，如圖像識別，語音識別或 自然語言處理。
付費5元查看完整內容
相關內容
“機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。機器學習理論主要是設計和分析一些讓
可以自動“
”的算法。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。因為學習算法中涉及了大量的統計學理論，機器學習與統計推斷學聯系尤為密切，也被稱為統計學習理論。算法設計方面，機器學習理論關注可以實現的，行之有效的學習算法。很多
問題屬于
，所以部分的機器學習研究是開發容易處理的近似算法。”
——中文維基百科
有興趣的數據科學專業人士可以通過本書學習Scikit-Learn圖書館以及機器學習的基本知識。本書結合了Anaconda Python發行版和流行的Scikit-Learn庫，演示了廣泛的有監督和無監督機器學習算法。通過用Python編寫的清晰示例，您可以在家里自己的機器上試用和試驗機器學習的原理。
所有的應用數學和編程技能需要掌握的內容，在這本書中涵蓋。不需要深入的面向對象編程知識，因為工作和完整的例子被提供和解釋。必要時，編碼示例是深入和復雜的。它們也簡潔、準確、完整，補充了介紹的機器學習概念。使用示例有助于建立必要的技能，以理解和應用復雜的機器學習算法。
對于那些在機器學習方面追求職業生涯的人來說，Scikit-Learn機器學習應用手冊是一個很好的起點。學習這本書的學生將學習基本知識，這是勝任工作的先決條件。讀者將接觸到專門為數據科學專業人員設計的蟒蛇分布，并將在流行的Scikit-Learn庫中構建技能，該庫是Python世界中許多機器學習應用程序的基礎。
你將學習
- 使用Scikit-Learn中常見的簡單和復雜數據集
- 將數據操作為向量和矩陣，以進行算法處理
- 熟悉數據科學中使用的蟒蛇分布
- 應用帶有分類器、回歸器和降維的機器學習
- 優化算法并為每個數據集找到最佳算法
- 從CSV、JSON、Numpy和panda格式加載數據并保存為這些格式
這本書是給誰的
- 有抱負的數據科學家渴望通過掌握底層的基礎知識進入機器學習領域，而這些基礎知識有時在急于提高生產力的過程中被忽略了。一些面向對象編程的知識和非常基本的線性代數應用將使學習更容易，盡管任何人都可以從這本書獲益。
付費5元查看完整內容
【導讀】自2015年11月TensorFlow第一個開源版本發布以來，它便迅速躋身于最激動人心的機器學習庫的行列，并在科研、產品和教育等領域正在得到日益廣泛的應用。這個庫也在不斷地得到改進、充實和優化。今天給大家推薦一本偏實戰的教程《Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition》第二版，使用最新TensorFlow 2的官方高級API，幫助你直觀地理解構建智能系統的概念和工具。從業者將學習一系列可以在工作中快速使用的技術。第1部分使用Scikit-Learn來介紹基本的機器學習任務，例如簡單的線性回歸。第2部分已經過重大更新，采用Keras和TensorFlow 2.0引導讀者通過使用深度神經網絡的更先進的機器學習方法。通過每章的練習來幫助你應用所學知識，你只需要編程經驗即可開始使用。
Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition
▌本書簡介
通過近年來一系列的突破，深度學習推動了整個機器學習領域的發展。現在，即使對這種技術幾乎一無所知的程序員也可以使用簡單、高效的工具來實現能夠從數據中學習的程序。這本暢銷書的最新版本使用了具體的例子、最少理論和可復現的Python框架，幫助您直觀地理解用于構建人工智能系統的概念和工具。
您將學習一系列可以快速使用的技術。每一章都有練習來幫助你應用所學，你所需要的只是編程經驗。所有代碼都已更新為TensorFlow 2和最新版本的Scikit-Learn和其他庫。
- 探索Keras API, TensorFlow 2的官方高級API
- 使用TensorFlow的數據API、分發策略API和TensorFlow擴展平臺(TFX)對TensorFlow模型進行產品化
- 部署在Google Cloud ML引擎或移動設備上使用TFLite
- 學習新的和擴展的主題，包括聚類、異常檢測、對象檢測、語義分割、注意力機制、語言模型、GANs等
▌相關代碼
//github.com/ageron/handson-ml2
參考鏈接：
付費5元查看完整內容
機器學習已經成為許多商業應用和研究項目中不可或缺的一部分，但這一領域并不僅限于擁有廣泛研究團隊的大公司。如果您使用Python，即使是初學者，這本書也會教你構建自己的機器學習解決方案的實用方法。今天，有了所有可用的數據，機器學習應用程序只受限于你的想象力。
您將學習使用Python和scikit-learn庫創建成功的機器學習應用程序所需的步驟。兩位作者安德烈亞斯?穆勒(Andreas Muller)和薩拉?圭多(Sarah Guido)關注的是使用機器學習算法的實踐層面，而不是背后的數學。熟悉NumPy和matplotlib庫將有助于您從本書獲得更多信息。
通過這本書，你會學到 :
- 機器學習的基本概念和應用
- 廣泛應用的機器學習算法的優缺點
- 如何表示機器學習處理過的數據，包括關注哪些數據方面
- 先進的模型評估和參數調整方法
- 用于鏈接模型和封裝工作流的管道概念
- 處理文本數據的方法，包括特定于文本的處理技術
- 提高機器學習和數據科學技能的建議
付費5元查看完整內容
獲得在日常工作中應用機器學習所需的信心。通過本實用指南，作者Matthew Kirk向您展示了如何在您的代碼中集成和測試機器學習算法，而沒有學術潛臺詞。
全書以圖形和突出顯示的代碼示例為特色，使用Python的Numpy、panda、Scikit-Learn和SciPy數據科學庫進行測試。如果你是一個軟件工程師或業務分析師，對數據科學感興趣，這本書將幫助你:
- 參考真實世界的例子來測試每一個算法，通過參與，動手練習
- 在開始編碼之前，應用測試驅動開發(TDD)來編寫和運行測試
- 探索使用數據提取和特性開發來改進您的機器學習模型的技術
- 注意機器學習的風險，如數據擬合不足或過擬合
- 使用k近鄰、神經網絡、集群和其他算法
付費5元查看完整內容
本書通過提供真實的案例研究和示例，為使用Python庫進行機器學習提供了堅實的基礎。它涵蓋了諸如機器學習基礎、Python入門、描述性分析和預測分析等主題。包括高級機器學習概念，如決策樹學習、隨機森林、增強、推薦系統和文本分析。這本書在理論理解和實際應用之間采取了一種平衡的方法。所有的主題都包括真實世界的例子，并提供如何探索、構建、評估和優化機器學習模型的逐步方法。
付費5元查看完整內容
題目： Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition
書籍簡介： 通過最近的一系列突破，深度學習促進了整個機器學習領域的發展。現在，即使對這項技術一無所知的程序員也可以使用簡單、高效的工具來實現能夠從數據中學習的程序。這本實用的書告訴你怎么做。通過使用具體的例子、最小理論和兩個可用于生產的Python框架Scikit Learn和TensorFlow的作者Aurélien Géron幫助您直觀地理解用于構建智能系統的概念和工具。您將學習一系列技術，從簡單的線性回歸開始，然后進入深層神經網絡。每一章的練習都有助于你應用你所學的知識。
-
探索機器學習領域，特別是神經網絡
-
使用Scikit Learn端到端跟蹤示例機器學習項目
-
探索幾種訓練模型，包括支持向量機、決策樹、隨機森林和集成方法
-
利用TensorFlow庫建立和訓練神經網絡
-
深入研究神經網絡結構，包括卷積網絡、遞歸網絡和深度強化學習
-
學習深度神經網絡的訓練和縮放技術
作者簡介： Aurélien Géron，Kiwisoft的機器學習顧問，也是暢銷書《與Scikit-Learn、Keras和TensorFlow一起進行機器學習》的作者。此前，他曾領導YouTube的視頻分類團隊，是Wifirst的創始人和首席技術官，并在多個領域擔任顧問:金融(摩根大樓和法國興業銀行)、國防(加拿大國防部)和醫療(輸血)。他還出版了一些技術書籍(關于c++、WiFi和互聯網架構)，他是巴黎多芬大學的講師。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191