机器学习实战：基于Scikit-Learn和TensorFlow

　　前言1 第一部分 机器学习基础 第1章 机器学习概览11 什么是机器学习12 为什么要使用机器学习12 机器学习系统的种类15 监督式/无监督式学习16 批量学习和在线学习21 基于实例与基于模型的学习24 机器学习的主要挑战29 训练数据的数量不足29 训练数据不具代表性30 质量差的数据32 无关特征32 训练数据过度拟合33 训练数据拟合不足34 退后一步35 测试与验证35 练习37 第2章 端到端的机器学习项目39 使用真实数据39 观察大局40 框架问题41 选择性能指标42 检查假设45 获取数据45 创建工作区45 下载数据48 快速查看数据结构49 创建测试集52 从数据探索和可视化中获得洞见56 将地理数据可视化57 寻找相关性59 试验不同属性的组合61 机器学习算法的数据准备62 数据清理63 处理文本和分类属性65 自定义转换器67 特征缩放68 转换流水线68 选择和训练模型70 培训和评估训练集70 使用交叉验证来更好地…
　查看完整　　

　　奥雷利安·杰龙（Aurélien Géron）是机器学习方面的顾问。他曾是Google软件工程师，在2013年到2016年主导了YouTube视频分类工程。2002年和2012年，他还是Wifirst公司（一家法国的无线ISP）的创始人和首席技术官，2001年是Ployconseil公司（现在管理电动汽车共享服务Autolib）的创始人和首席技术官。

　　本书主要分为两部分，第一部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
　　配套代码下载： 1、微信关注“华章计算机”
　　2、在后台回复关键词：蜥蜴书

　　前言1 第一部分 机器学习基础 第1章 机器学习概览11 什么是机器学习12 为什么要使用机器学习12 机器学习系统的种类15 监督式/无监督式学习16 批量学习和在线学习21 基于实例与基于模型的学习24 机器学习的主要挑战29 训练数据的数量不足29 训练数据不具代表性30 质量差的数据32 无关特征32 训练数据过度拟合33 训练数据拟合不足34 退后一步35 测试与验证35 练习37 第2章 端到端的机器学习项目39 使用真实数据39 观察大局40 框架问题41 选择性能指标42 检查假设45 获取数据45 创建工作区45 下载数据48 快速查看数据结构49 创建测试集52 从数据探索和可视化中获得洞见56 将地理数据可视化57 寻找相关性59 试验不同属性的组合61 机器学习算法的数据准备62 数据清理63 处理文本和分类属性65 自定义转换器67 特征缩放68 转换流水线68 选择和训练模型70 培训和评估训练集70 使用交叉验证来更好地进行评估72 微调模型74 网格搜索74 随机搜索76 集成方法76 分析最佳模型及其错误76 通过测试集评估系统77 启动、监控和维护系统78 试试看79 练习79 第3章 分类80 MNIST80 训练一个二元分类器82 性能考核83 使用交叉验证测量精度83 混淆矩阵84 精度和召回率86 精度/召回率权衡87 ROC曲线90 多类别分类器93 错误分析95 多标签分类98 多输出分类99 练习100 第4章 训练模型102 线性回归103 标准方程104 计算复杂度106 梯度下降107 批量梯度下降110 随机梯度下降112 小批量梯度下降114 多项式回归115 学习曲线117 正则线性模型121 岭回归121 套索回归123 弹性网络125 早期停止法126 逻辑回归127 概率估算127 训练和成本函数128 决策边界129 Softmax回归131 练习134 第5章 支持向量机136 线性SVM分类136 软间隔分类137 非线性SVM分类139 多项式核140 添加相似特征141 高斯RBF核函数142 计算复杂度143 SVM回归144 工作原理145 决策函数和预测146 训练目标146 二次规划148 对偶问题149 核化SVM149 在线SVM151 练习152 第6章 决策树154 决策树训练和可视化154 做出预测155 估算类别概率157 CART训练算法158 计算复杂度158 基尼不纯度还是信息熵159 正则化超参数159 回归161 不稳定性162 练习163 第7章 集成学习和随机森林165 投票分类器165 bagging和pasting168 Scikit-Learn的bagging和pasting169 包外评估170 Random Patches和随机子空间171 随机森林172 极端随机树173 特征重要性173 提升法174 AdaBoost175 梯度提升177 堆叠法181 练习184 第8章 降维185 维度的诅咒186 数据降维的主要方法187 投影187 流形学习189 PCA190 保留差异性190 主成分191 低维度投影192 使用Scikit-Learn192 方差解释率193 选择正确数量的维度193 PCA压缩194 增量PCA195 随机PCA195 核主成分分析196 选择核函数和调整超参数197 局部线性嵌入199 其他降维技巧200 练习201 第二部分 神经网络和深度学习 第9章 运行TensorFlow205 安装207 创建一个计算图并在会话中执行208 管理图209 节点值的生命周期210 TensorFlow中的线性回归211 实现梯度下降211 手工计算梯度212 使用自动微分212 使用优化器214 给训练算法提供数据214 保存和恢复模型215 用TensorBoard来可视化图和训练曲线216 命名作用域219 模块化220 共享变量222 练习225 第10章 人工神经网络简介227 从生物神经元到人工神经元227 生物神经元228 具有神经元的逻辑计算229 感知器230 多层感知器和反向传播233 用TensorFlow的高级API来训练MLP236 使用纯TensorFlow训练DNN237 构建阶段237 执行阶段240 使用神经网络241 微调神经网络的超参数242 隐藏层的个数242 每个隐藏层中的神经元数243 激活函数243 练习244 第11章 训练深度神经网络245 梯度消失/爆炸问题245 Xavier初始化和He初始化246 非饱和激活函数248 批量归一化250 梯度剪裁254 重用预训练图层255 重用TensorFlow模型255 重用其他框架的模型256 冻结低层257 缓存冻结层257 调整、丢弃或替换高层258 模型动物园258 无监督的预训练259 辅助任务中的预训练260 快速优化器261 Momentum优化261 Nesterov梯度加速262 AdaGrad263 RMSProp265 Adam优化265 学习速率调度267 通过正则化避免过度拟合269 提前停止269 1和2正则化269 dropout270 最大范数正则化273 数据扩充274 实用指南275 练习276 第12章 跨设备和服务器的分布式TensorFlow279 一台机器上的多个运算资源280 安装280 管理GPU RAM282 在设备上操作284 并行执行287 控制依赖288 多设备跨多服务器288 开启一个会话290 master和worker服务290 分配跨任务操作291 跨多参数服务器分片变量291 用资源容器跨会话共享状态292 使用TensorFlow队列进行异步通信294 直接从图中加载数据299 在TensorFlow集群上并行化神经网络305 一台设备一个神经网络305 图内与图间复制306 模型并行化308 数据并行化309 练习314 第13章 卷积神经网络315 视觉皮层的组织结构315 卷积层317 过滤器318 多个特征图的叠加319 TensorFlow实现321 内存需求323 池化层323 CNN架构325 LeNet-5326 AlexNet327 GoogLeNet328 ResNet331 练习334 第14章 循环神经网络337 循环神经元337 记忆单元339 输入和输出序列340 TensorFlow中的基本RNN341 通过时间静态展开342 通过时间动态展开344 处理长度可变输入序列344 处理长度可变输出序列345 训练RNN346 训练序列分类器346 训练预测时间序列348 创造性的RNN352 深层RNN353 在多个GPU中分配一个深层RNN354 应用丢弃机制355 多个时间迭代训练的难点356 LSTM单元357 窥视孔连接359 GRU单元359 自然语言处理361 单词嵌入361 用于机器翻译的编码器-解码器网络362 练习364 第15章 自动编码器366 高效的数据表示366 使用不完整的线性自动编码器实现PCA368 栈式自动编码器369 TensorFlow实现370 权重绑定371 一次训练一个自动编码器372 重建可视化374 特征可视化375 使用堆叠的自动编码器进行无监控的预训练376 去噪自动编码器377 TensorFlow 实现378 稀疏自动编码器379 TensorFlow 实现380 变分自动编码器381 生成数字384 其他自动编码器385 练习386 第16章 强化学习388 学习奖励最优化389 策略搜索390 OpenAI gym 介绍391 神经网络策略394 评估行为：信用分配问题396 策略梯度397 马尔可夫决策过程401 时间差分学习与Q学习405 探索策略406 逼近Q学习407 使用深度Q学习玩吃豆人游戏407 练习414 致谢415 附录A 练习答案416 附录B 机器学习项目清单438 附录C SVM对偶问题444 附录D 自动微分447 附录E 其他流行的ANN架构453
^ 收 起　　

　　奥雷利安·杰龙（Aurélien Géron）是机器学习方面的顾问。他曾是Google软件工程师，在2013年到2016年主导了YouTube视频分类工程。2002年和2012年，他还是Wifirst公司（一家法国的无线ISP）的创始人和首席技术官，2001年是Ployconseil公司（现在管理电动汽车共享服务Autolib）的创始人和首席技术官。

　　本书主要分为两部分，第一部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
　　配套代码下载： 1、微信关注“华章计算机”
　　2、在后台回复关键词：蜥蜴书