反馈文件质量
upload/duxiu_main2/大学堂亿万库/七大书馆2丨浩瀚轩（038）/综合3/英文/机器学习实战：基于Scikit-Learn、Keras和TensorFlow：原书第2版_Aurélien Géron_18471555_zhelper-search.pdf
机器学习实战：基于Scikit-Learn、Keras 和TensorFlow (原书第2 版)/#/机器学习实战：基于Scikit-Learn、Keras 和TensorFlow (原书第2 版) [[No Pinyin Available 🔍
[ FA ] AO LEI LI AN · JIE LONG ( Aur é lien G é ron ) , SONG NENG HUI , LI XIAN YI 机械工业出版社, O'Reilly动物系列(中译本), 2, 2020
中文 [zh] · PDF · 36.5MB · 2020 · 📘 非小说类图书 · 🚀/lgli/upload/zlib · Save
描述
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。
备用文件名
lgli/Aurélien Géron - 机器学习实战：基于Scikit-Learn、Keras和TensorFlow：原书第2版 (2020, 机械工业出版社).pdf
备用文件名
zlib/Computers/Artificial Intelligence (AI)/Aurélien Géron/机器学习实战：基于Scikit-Learn、Keras和TensorFlow：原书第2版_18471555.pdf
备选标题
机器学习实战:基于Scikit-Learn、Keras 和TensorFlow (原书第2 版) # 机器学习实战:基于Scikit-Learn、Keras 和TensorFlow (原书第2 版) [[No Pinyin Available
备选标题
Machine learning actual combat: Based on Scikit-Learn. Keras and Tensorflow (original book 2)(Chinese Edition)
备选标题
机器学习实战:基于Scikit-Learn、Keras和TensorFlow:原书第2版 (O’Reilly精品图书系列)
备选标题
ji yu Scikit-Learn, Keras he TensorFlow
备选标题
Ji qi xue xi shi zhan
备选作者
濂ラ浄鍒╁畨路鏉伴緳 (as-gbk-encoding)
备选作者
奥雷利安·杰龙
备用出版商
Mechanical Industry Press
备用出版商
China Machine Press
备用出版商
北京华章图文信息有限公司
备用版本
2nd edition, Erscheinungsort nicht ermittelbar, 2020
备用版本
China, People's Republic, China
元数据中的注释
producers:
calibre (4.13.0) [https://calibre-ebook.com]
备用描述
O'Reilly Media,Inc.介绍 10
推荐序 12
译者序 14
前言 16
第一部分 机器学习的基础知识 30
第1章 机器学习概览 30
1.1 什么是机器学习 32
1.2 为什么使用机器学习 33
1.3 机器学习的应用示例 37
1.4 机器学习系统的类型 40
1.5 机器学习的主要挑战 60
1.6 测试与验证 69
1.7 练习题 73
第2章 端到端的机器学习项目 75
2.1 使用真实数据 76
2.2 观察大局 78
2.3 获取数据 85
2.4 从数据探索和可视化中获得洞见 103
2.5 机器学习算法的数据准备 113
2.6 选择和训练模型 126
2.7 微调模型 132
2.8 启动、监控和维护你的系统 139
2.9 试试看 143
2.10 练习题 144
第3章 分类 145
3.1 MNIST 146
3.2 训练二元分类器 150
3.3 性能测量 152
3.4 多类分类器 167
3.5 误差分析 171
3.6 多标签分类 177
3.7 多输出分类 179
3.8 练习题 182
第4章 训练模型 184
4.1 线性回归 186
4.2 梯度下降 193
4.3 多项式回归 206
4.4 学习曲线 209
4.5 正则化线性模型 214
4.6 逻辑回归 224
4.7 练习题 236
第5章 支持向量机 238
5.1 线性SVM分类 239
5.2 非线性SVM分类 243
5.3 SVM回归 250
5.4 工作原理 252
5.5 练习题 264
第6章 决策树 266
6.1 训练和可视化决策树 267
6.2 做出预测 269
6.3 估计类概率 272
6.4 CART训练算法 273
6.5 计算复杂度 275
6.6 基尼不纯度或熵 276
6.7 正则化超参数 277
6.8 回归 279
6.9 不稳定性 282
6.10 练习题 284
第7章 集成学习和随机森林 286
7.1 投票分类器 287
7.2 bagging和pasting 291
7.3 随机补丁和随机子空间 296
7.4 随机森林 297
7.5 提升法 301
7.6 堆叠法 313
7.7 练习题 316
第8章 降维 318
8.1 维度的诅咒 320
8.2 降维的主要方法 322
8.3 PCA 327
8.4 内核PCA 336
8.5 LLE 340
8.6 其他降维技术 343
8.7 练习题 345
第9章 无监督学习技术 347
9.1 聚类 349
9.2 高斯混合模型 379
9.3 练习题 398
第二部分 神经网络与深度学习 400
第10章 Keras人工神经网络简介 400
10.1 从生物神经元到人工神经元 402
10.2 使用Keras实现MLP 420
10.3 微调神经网络超参数 452
10.4 练习题 462
第11章 训练深度神经网络 465
11.1 梯度消失与梯度爆炸问题 466
11.2 重用预训练层 484
11.3 更快的优化器 491
11.4 通过正则化避免过拟合 508
11.5 总结和实用指南 518
11.6 练习题 521
第12章 使用TensorFlow自定义模型和训练 523
12.1 TensorFlow快速浏览 524
12.2 像NumPy一样使用TensorFlow 528
12.3 定制模型和训练算法 535
12.4 TensorFlow函数和图 562
12.5 练习题 569
第13章 使用TensorFlow加载和预处理数据 571
13.1 数据API 573
13.2 TFRecord格式 586
13.3 预处理输入特征 595
13.4 TF Transform 607
13.5 TensorFlow数据集项目 610
13.6 练习题 612
第14章 使用卷积神经网络的深度计算机视觉 615
14.1 视觉皮层的架构 616
14.2 卷积层 618
14.3 池化层 628
14.4 CNN架构 633
14.5 使用Keras实现ResNet-34 CNN 652
14.6 使用Keras的预训练模型 654
14.7 迁移学习的预训练模型 657
14.8 分类和定位 661
14.9 物体检测 664
14.10 语义分割 672
14.11 练习题 676
第15章 使用RNN和CNN处理序列 678
15.1 循环神经元和层 679
15.2 训练RNN 685
15.3 预测时间序列 687
15.4 处理长序列 698
15.5 练习题 712
第16章 使用RNN和注意力机制进行自然语言处理 714
16.1 使用字符RNN生成莎士比亚文本 716
16.2 情感分析 728
16.3 神经机器翻译的编码器-解码器网络 738
16.4 注意力机制 746
16.5 最近语言模型的创新 761
16.6 练习题 765
第17章 使用自动编码器和GAN的表征学习和生成学习 767
17.1 有效的数据表征 769
17.2 使用不完整的线性自动编码器执行PCA 771
17.3 堆叠式自动编码器 773
17.4 卷积自动编码器 782
17.5 循环自动编码器 783
17.6 去噪自动编码器 785
17.7 稀疏自动编码器 787
17.8 变分自动编码器 791
17.9 生成式对抗网络 799
17.10 练习题 815
第18章 强化学习 817
18.1 学习优化奖励 819
18.2 策略搜索 821
18.3 OpenAI Gym介绍 823
18.4 神经网络策略 829
18.5 评估动作:信用分配问题 831
18.6 策略梯度 833
18.7 马尔可夫决策过程 839
18.8 时序差分学习 845
18.9 Q学习 847
18.10 实现深度Q学习 852
18.11 深度Q学习的变体 858
18.12 TF-Agents库 863
18.13 一些流行的RL算法概述 888
18.14 练习题 891
第19章 大规模训练和部署TensorFlow模型 893
19.1 为TensorFlow模型提供服务 895
19.2 将模型部署到移动端或嵌入式设备 917
19.3 使用GPU加速计算86 922
19.4 跨多个设备的训练模型 937
19.5 练习题 956
19.6 致谢 958
附录A 课后练习题解答 959
附录B 机器学习项目清单 1000
附录C SVM对偶问题 1009
附录D 自动微分 1013
附录E 其他流行的人工神经网络架构 1021
附录F 特殊数据结构 1031
附录G TensorFlow图 1040
备用描述
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、非常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。 使用Scikit-Learn和pandas通过端到端项目来学习机器学习基础。 使用TensorFlow 2构建和训练多个神经网络架构来进行分类和回归。 覆盖对象检测、语义分割、注意力机制、语言模型、GAN等。 探索Keras API与TensorFlow 2的官方高级API。 使用TensorFlow的数据API、分布策略API、TF Transform和TF-Serving来部署TensorFlow模型。 在Google Cloud AI Platform或移动设备上部署。 开发无监督学习技术,例如降维、聚类和异常检测。 通过强化学习(包括使用TF-Agents库)创建自主学习智能体。
开源日期
2021-12-23
更多信息……

🚀 快速下载

成为会员以支持书籍、论文等的长期保存。为了感谢您对我们的支持，您将获得高速下载权益。❤️

🐢 低速下载

由可信的合作方提供。 更多信息请参见常见问题解答。 （可能需要验证浏览器——无限次下载！）

所有选项下载的文件都相同，应该可以安全使用。即使这样，从互联网下载文件时始终要小心。例如，确保您的设备更新及时。
显示外部下载
  • 对于大文件，我们建议使用下载管理器以防止中断。
    推荐的下载管理器：JDownloader
  • 您将需要一个电子书或 PDF 阅读器来打开文件，具体取决于文件格式。
    推荐的电子书阅读器：Anna的档案在线查看器、ReadEra和Calibre
  • 使用在线工具进行格式转换。
    推荐的转换工具：CloudConvert和PrintFriendly
  • 您可以将 PDF 和 EPUB 文件发送到您的 Kindle 或 Kobo 电子阅读器。
    推荐的工具：亚马逊的“发送到 Kindle”和djazz 的“发送到 Kobo/Kindle”
  • 支持作者和图书馆
    ✍️ 如果您喜欢这个并且能够负担得起，请考虑购买原版，或直接支持作者。
    📚 如果您当地的图书馆有这本书，请考虑在那里免费借阅。