機器學習實戰(zhàn)
王靜源, 賈瑋, 邊蕤, 邱俊濤 譯
出版時間：2018年08月
頁數(shù)：459
隨著一系列的突破，深度學習點燃了整個機器學習領(lǐng)域。 現(xiàn)在，即使是對這項技術(shù)毫無基礎(chǔ)的程序員，也可以使用簡單高效的工具來實現(xiàn)“可以自動從數(shù)據(jù)中學習”的程序。本書將展示如何做到這一點。
通過具體的例子、非常少的理論和兩個成熟的Python框架——Scikit-learn 和 TensorFlow ，作者將幫助你很直觀地理解并掌握構(gòu)建智能系統(tǒng)所需要的概念和工具。你將學習各種技術(shù)，從簡單的線性回歸到深度神經(jīng)網(wǎng)絡(luò)等。每章的習題可以幫助你應(yīng)用所學的知識，你只需要有一些編程經(jīng)驗即可。
● 探索機器學習的全景圖，特別是神經(jīng)網(wǎng)絡(luò)。
● 使用Scikit-Learn構(gòu)建一個端到端的機器學習項目。
● 探索多種訓練模型，包括支持向量機、決策樹、隨機森林和集成方法。
● 使用TensorFlow庫建立和訓練神經(jīng)網(wǎng)絡(luò)。
● 深入神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括卷積網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)和深度強化學習。
● 學習可用于訓練和伸縮深度神經(jīng)網(wǎng)絡(luò)的技巧。
● 應(yīng)用可以工作的代碼示例，無須掌握過多的機器學習理論或算法細節(jié)。
通過具體的例子、非常少的理論和兩個成熟的Python框架——Scikit-learn 和 TensorFlow ，作者將幫助你很直觀地理解并掌握構(gòu)建智能系統(tǒng)所需要的概念和工具。你將學習各種技術(shù)，從簡單的線性回歸到深度神經(jīng)網(wǎng)絡(luò)等。每章的習題可以幫助你應(yīng)用所學的知識，你只需要有一些編程經(jīng)驗即可。
● 探索機器學習的全景圖，特別是神經(jīng)網(wǎng)絡(luò)。
● 使用Scikit-Learn構(gòu)建一個端到端的機器學習項目。
● 探索多種訓練模型，包括支持向量機、決策樹、隨機森林和集成方法。
● 使用TensorFlow庫建立和訓練神經(jīng)網(wǎng)絡(luò)。
● 深入神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括卷積網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)和深度強化學習。
● 學習可用于訓練和伸縮深度神經(jīng)網(wǎng)絡(luò)的技巧。
● 應(yīng)用可以工作的代碼示例，無須掌握過多的機器學習理論或算法細節(jié)。
- 前言
- 第一部分 機器學習基礎(chǔ)
- 第1章 機器學習概覽
- 什么是機器學習
- 為什么要使用機器學習
- 機器學習系統(tǒng)的種類
- 監(jiān)督式/無監(jiān)督式學習
- 批量學習和在線學習
- 基于實例與基于模型的學習
- 機器學習的主要挑戰(zhàn)
- 訓練數(shù)據(jù)的數(shù)量不足
- 訓練數(shù)據(jù)不具代表性
- 質(zhì)量差的數(shù)據(jù)
- 無關(guān)特征
- 訓練數(shù)據(jù)過度擬合
- 訓練數(shù)據(jù)擬合不足
- 退后一步
- 測試與驗證
- 練習
- 第2章 端到端的機器學習項目
- 使用真實數(shù)據(jù)
- 觀察大局
- 框架問題
- 選擇性能指標
- 檢查假設(shè)
- 獲取數(shù)據(jù)
- 創(chuàng)建工作區(qū)
- 下載數(shù)據(jù)
- 快速查看數(shù)據(jù)結(jié)構(gòu)
- 創(chuàng)建測試集
- 從數(shù)據(jù)探索和可視化中獲得洞見
- 將地理數(shù)據(jù)可視化
- 尋找相關(guān)性
- 試驗不同屬性的組合
- 機器學習算法的數(shù)據(jù)準備
- 數(shù)據(jù)清理
- 處理文本和分類屬性
- 自定義轉(zhuǎn)換器
- 特征縮放
- 轉(zhuǎn)換流水線
- 選擇和訓練模型
- 培訓和評估訓練集
- 使用交叉驗證來更好地進行評估
- 微調(diào)模型
- 網(wǎng)格搜索
- 隨機搜索
- 集成方法
- 分析最佳模型及其錯誤
- 通過測試集評估系統(tǒng)
- 啟動、監(jiān)控和維護系統(tǒng)
- 試試看
- 練習
- 第3章 分類
- MNIST
- 訓練一個二元分類器
- 性能考核
- 使用交叉驗證測量精度
- 混淆矩陣
- 精度和召回率
- 精度/召回率權(quán)衡
- ROC曲線
- 多類別分類器
- 錯誤分析
- 多標簽分類
- 多輸出分類
- 練習
- 第4章 訓練模型
- 線性回歸
- 標準方程
- 計算復(fù)雜度
- 梯度下降
- 批量梯度下降
- 隨機梯度下降
- 小批量梯度下降
- 多項式回歸
- 學習曲線
- 正則線性模型
- 嶺回歸
- 套索回歸
- 彈性網(wǎng)絡(luò)
- 早期停止法
- 邏輯回歸
- 概率估算
- 訓練和成本函數(shù)
- 決策邊界
- Softmax回歸
- 練習
- 第5章 支持向量機
- 線性SVM分類
- 軟間隔分類
- 非線性SVM分類
- 多項式核
- 添加相似特征
- 高斯RBF核函數(shù)
- 計算復(fù)雜度
- SVM回歸
- 工作原理
- 決策函數(shù)和預(yù)測
- 訓練目標
- 二次規(guī)劃
- 對偶問題
- 核化SVM
- 在線SVM
- 練習
- 第6章 決策樹
- 決策樹訓練和可視化
- 做出預(yù)測
- 估算類別概率
- CART訓練算法
- 計算復(fù)雜度
- 基尼不純度還是信息熵
- 正則化超參數(shù)
- 回歸
- 不穩(wěn)定性
- 練習
- 第7章 集成學習和隨機森林
- 投票分類器
- bagging和pasting
- Scikit-Learn的bagging和pasting
- 包外評估
- Random Patches和隨機子空間
- 隨機森林
- 極端隨機樹
- 特征重要性
- 提升法
- AdaBoost
- 梯度提升
- 堆疊法
- 練習
- 第8章 降維
- 維度的詛咒
- 數(shù)據(jù)降維的主要方法
- 投影
- 流形學習
- PCA
- 保留差異性
- 主成分
- 低維度投影
- 使用Scikit-Learn
- 方差解釋率
- 選擇正確數(shù)量的維度
- PCA壓縮
- 增量PCA
- 隨機PCA
- 核主成分分析
- 選擇核函數(shù)和調(diào)整超參數(shù)
- 局部線性嵌入
- 其他降維技巧
- 練習
- 第二部分 神經(jīng)網(wǎng)絡(luò)和深度學習
- 第9章 運行TensorFlow
- 安裝
- 創(chuàng)建一個計算圖并在會話中執(zhí)行
- 管理圖
- 節(jié)點值的生命周期
- TensorFlow中的線性回歸
- 實現(xiàn)梯度下降
- 手工計算梯度
- 使用自動微分
- 使用優(yōu)化器
- 給訓練算法提供數(shù)據(jù)
- 保存和恢復(fù)模型
- 用TensorBoard來可視化圖和訓練曲線
- 命名作用域
- 模塊化
- 共享變量
- 練習
- 第10章 人工神經(jīng)網(wǎng)絡(luò)簡介
- 從生物神經(jīng)元到人工神經(jīng)元
- 生物神經(jīng)元
- 具有神經(jīng)元的邏輯計算
- 感知器
- 多層感知器和反向傳播
- 用TensorFlow的高級API來訓練MLP
- 使用純TensorFlow訓練DNN
- 構(gòu)建階段
- 執(zhí)行階段
- 使用神經(jīng)網(wǎng)絡(luò)
- 微調(diào)神經(jīng)網(wǎng)絡(luò)的超參數(shù)
- 隱藏層的個數(shù)
- 每個隱藏層中的神經(jīng)元數(shù)
- 激活函數(shù)
- 練習
- 第11章 訓練深度神經(jīng)網(wǎng)絡(luò)
- 梯度消失/爆炸問題
- Xavier初始化和He初始化
- 非飽和激活函數(shù)
- 批量歸一化
- 梯度剪裁
- 重用預(yù)訓練圖層
- 重用TensorFlow模型
- 重用其他框架的模型
- 凍結(jié)低層
- 緩存凍結(jié)層
- 調(diào)整、丟棄或替換高層
- 模型動物園
- 無監(jiān)督的預(yù)訓練
- 輔助任務(wù)中的預(yù)訓練
- 快速優(yōu)化器
- Momentum優(yōu)化
- Nesterov梯度加速
- AdaGrad
- RMSProp
- Adam優(yōu)化
- 學習速率調(diào)度
- 通過正則化避免過度擬合
- 提前停止
- 1和2正則化
- dropout
- 最大范數(shù)正則化
- 數(shù)據(jù)擴充
- 實用指南
- 練習
- 第12章 跨設(shè)備和服務(wù)器的分布式TensorFlow
- 一臺機器上的多個運算資源
- 安裝
- 管理GPU RAM
- 在設(shè)備上操作
- 并行執(zhí)行
- 控制依賴
- 多設(shè)備跨多服務(wù)器
- 開啟一個會話
- master和worker服務(wù)
- 分配跨任務(wù)操作
- 跨多參數(shù)服務(wù)器分片變量
- 用資源容器跨會話共享狀態(tài)
- 使用TensorFlow隊列進行異步通信
- 直接從圖中加載數(shù)據(jù)
- 在TensorFlow集群上并行化神經(jīng)網(wǎng)絡(luò)
- 一臺設(shè)備一個神經(jīng)網(wǎng)絡(luò)
- 圖內(nèi)與圖間復(fù)制
- 模型并行化
- 數(shù)據(jù)并行化
- 練習
- 第13章 卷積神經(jīng)網(wǎng)絡(luò)
- 視覺皮層的組織結(jié)構(gòu)
- 卷積層
- 過濾器
- 多個特征圖的疊加
- TensorFlow實現(xiàn)
- 內(nèi)存需求
- 池化層
- CNN架構(gòu)
- LeNet-5
- AlexNet
- GoogLeNet
- ResNet
- 第14章 循環(huán)神經(jīng)網(wǎng)絡(luò)
- 循環(huán)神經(jīng)元
- 記憶單元
- 輸入和輸出序列
- TensorFlow中的基本RNN
- 通過時間靜態(tài)展開
- 通過時間動態(tài)展開
- 處理長度可變輸入序列
- 處理長度可變輸出序列
- 訓練RNN
- 訓練序列分類器
- 訓練預(yù)測時間序列
- 創(chuàng)造性的RNN
- 深層RNN
- 在多個GPU中分配一個深層RNN
- 應(yīng)用丟棄機制
- 多個時間迭代訓練的難點
- LSTM單元
- 窺視孔連接
- GRU單元
- 自然語言處理
- 單詞嵌入
- 用于機器翻譯的編碼器-解碼器網(wǎng)絡(luò)
- 練習
- 第15章 自動編碼器
- 高效的數(shù)據(jù)表示
- 使用不完整的線性自動編碼器實現(xiàn)PCA
- 棧式自動編碼器
- TensorFlow實現(xiàn)
- 權(quán)重綁定
- 一次訓練一個自動編碼器
- 重建可視化
- 特征可視化
- 使用堆疊的自動編碼器進行無監(jiān)控的預(yù)訓練
- 去噪自動編碼器
- TensorFlow實現(xiàn)
- 稀疏自動編碼器
- TensorFlow實現(xiàn)
- 變分自動編碼器
- 生成數(shù)字
- 其他自動編碼器
- 練習
- 第16章 強化學習
- 學習獎勵z1u1i優(yōu)化
- 策略搜索
- OpenAI gym介紹
- 神經(jīng)網(wǎng)絡(luò)策略
- 評估行為：信用分配問題
- 策略梯度
- 馬爾可夫決策過程
- 時間差分學習與Q學習
- 探索策略
- 逼近Q學習
- 使用深度學習玩吃豆人游戲
- 練習
- 致謝
- 附錄A 練習答案
- 附錄B 機器學習項目清單
- 附錄C SVM對偶問題
- 附錄D 自動微分
- 附錄E 其他流行的ANN架構(gòu)
書名：機器學習實戰(zhàn)
作者：Aurélien Géron 著
譯者：王靜源, 賈瑋, 邊蕤, 邱俊濤 譯
國內(nèi)出版社：機械工業(yè)出版社
出版時間：2018年08月
頁數(shù)：459
書號：978-7-111-60302-3
原版書書名：Hands-On Machine Learning with Scikit-Learn and TensorFlow
原版書出版商：O'Reilly Media
Aurélien Géron
Aurélien Géron是機器學習方面的顧問。他曾是Google軟件工程師，在2013年到2016年主導(dǎo)了YouTube視頻分類工程。2002年和2012年，他還是Wifirst公司（一家法國的無線ISP）的創(chuàng)始人和首席技術(shù)官，2001年是Ployconseil公司（現(xiàn)在管理電動汽車共享服務(wù)Autolib）的創(chuàng)始人和首席技術(shù)官。
購買選項
|
© 2026，奧萊利技術(shù)咨詢(北京)有限公司。版權(quán)所有。 傳真: +86-10-88097463 京ICP備05003502號 |
|