机器学习实战必读基于Scikit-Learn、Keras和TensorFlow模型构建与应用

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》
这本机器学习畅销书基于TensorFlow2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。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。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。

《机器学习实战：模型构建与应用》
本书主要包括两部分。第1部分（第1章-第11章）讲解了如何使用TensorFlow来创建不同应用场景的机器学习模型。该部分介绍TensorFlow、计算机视觉、自然语言处理和序列建模。第二部分（第12章-第20章）将引导你了解如何将模型置于Android和iOS上的用户手中、使用JavaScript的浏览器以及通过云提供服务的场景。

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

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》
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
3.1MNIST86
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
5.3SVM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
6.4CART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
7.2bagging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
8.3PCA198
8.4内核PCA204
8.5LLE206
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MLP262
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
12.1TensorFlow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
12.4TensorFlow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API363
13.2TFRecord格式372
13.3预处理输入特征377
13.4TFTransform385
13.5TensorFlow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
14.4CNN架构402
14.5使用Keras实现ResNet-34CNN416
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RNN436
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
第18章强化学习523
18.1学习优化奖励524
18.2策略搜索525
18.3OpenAIGym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
18.9Q学习540
18.10实现深度Q学习544
18.11深度Q学习的变体547
18.12TF-Agents库550
18.13一些流行的RL算法概述568
18.14练习题569