机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第3版）

封面介绍

作者介绍

附录D TensorFlow图

附录C 特殊数据结构

附录B 自动微分

附录A 机器学习项目清单

致读者

19.6 练习题

19.5 跨多个设备训练模型

19.4 使用GPU加速计算

19.3 在Web页面中运行模型

19.2 将模型部署到移动设备或嵌入式设备

19.1 为TensorFlow模型提供服务

第19章 大规模训练和部署TensorFlow模型

18.13 练习题

18.12 一些流行的RL算法概述

18.11 深度Q学习的变体

18.10 实现深度Q学习

18.9 Q学习

18.8 时序差分学习

18.7 马尔可夫决策过程

18.6 策略梯度

18.5 评估动作：信用分配问题

18.4 神经网络策略

18.3 OpenAI Gym介绍

18.2 策略搜索

18.1 学习优化奖励

第18章 强化学习

17.11 练习题

17.10 扩散模型

17.9 生成对抗网络

17.8 生成Fashion MNIST图像

17.7 变分自动编码器

17.6 稀疏自动编码器

17.5 去噪自动编码器

17.4 卷积自动编码器

17.3 堆叠式自动编码器

17.2 使用不完备的线性自动编码器执行PCA

17.1 有效的数据表示

第17章 自动编码器、GAN和扩散模型

16.8 练习题

16.7 Hugging Face的Transformer库

16.6 视觉Transformer

16.5 Transformer模型的雪崩

16.4 注意力机制

16.3 用于神经机器翻译的编码器-解码器网络

16.2 情感分析

16.1 使用字符RNN生成莎士比亚文本

第16章 基于RNN和注意力机制的自然语言处理

15.5 练习题

15.4 处理长序列

15.3 预测时间序列

15.2 训练RNN

15.1 循环神经元和层

第15章 使用RNN和CNN处理序列

14.13 练习题

14.12 语义分割

14.11 物体跟踪

14.10 物体检测

14.9 分类和定位

14.8 使用预训练模型进行迁移学习

14.7 使用Keras的预训练模型

14.6 使用Keras实现ResNet-34 CNN

14.5 CNN架构

14.4 使用Keras实现池化层

14.3 池化层

14.2 卷积层

14.1 视觉皮层的结构

第14章 使用卷积神经网络进行深度计算机视觉

13.5 练习题

13.4 TensorFlow数据集项目

13.3 Keras预处理层

13.2 TFRecord格式

13.1 tf.data API

第13章 使用TensorFlow加载和预处理数据

12.5 练习题

12.4 TensorFlow函数和图

12.3 自定义模型和训练算法

12.2 像使用NumPy一样使用TensorFlow

12.1 TensorFlow快速浏览

第12章 使用TensorFlow自定义模型和训练

11.7 练习题

11.6 总结和实用指南

11.5 通过正则化避免过拟合

11.4 学习率调度

11.3 更快的优化器

11.2 重用预训练层

11.1 梯度消失和梯度爆炸问题

第11章 训练深度神经网络

10.4 练习题

10.3 微调神经网络超参数

10.2 使用Keras实现MLP

10.1 从生物神经元到人工神经元

第10章 Keras人工神经网络简介

第二部分 神经网络与深度学习

9.3 练习题

9.2 高斯混合模型

9.1 聚类算法：k均值和DBSCAN

第9章 无监督学习技术

8.7 练习题

8.6 其他降维技术

8.5 LLE

8.4 随机投影

8.3 PCA

8.2 降维的主要方法

8.1 维度的诅咒

第8章 降维

7.6 练习题

7.5 堆叠法

7.4 提升法

7.3 随机森林

7.2 bagging和pasting

7.1 投票分类器

第7章 集成学习和随机森林

6.11 练习题

6.10 决策树具有高方差

6.9 对轴方向的敏感性

6.8 回归

6.7 正则化超参数

6.6 基尼杂质或熵

6.5 计算复杂度

6.4 CART训练算法

6.3 估计类概率

6.2 做出预测

6.1 训练和可视化决策树

第6章 决策树

5.6 练习题

5.5 对偶问题

5.4 线性SVM分类器的工作原理

5.3 SVM回归

5.2 非线性SVM分类

5.1 线性SVM分类

第5章 支持向量机

4.7 练习题

4.6 逻辑回归

4.5 正则化线性模型

4.4 学习曲线

4.3 多项式回归

4.2 梯度下降

4.1 线性回归

第4章 训练模型

3.8 练习题

3.7 多输出分类

3.6 多标签分类

3.5 错误分析

3.4 多类分类

3.3 性能测量

3.2 训练二元分类器

3.1 MNIST

第3章 分类

2.10 练习题

2.9 试试看

2.8 启动、监控和维护系统

2.7 微调模型

2.6 选择和训练模型

2.5 为机器学习算法准备数据

2.4 探索和可视化数据以获得见解

2.3 获取数据

2.2 放眼大局

2.1 使用真实数据

第2章 端到端机器学习项目

1.7 练习题

1.6 测试和验证

1.5 机器学习的主要挑战

1.4 机器学习系统的类型

1.3 应用示例

1.2 为什么使用机器学习

1.1 什么是机器学习

第1章 机器学习概览

第一部分 机器学习的基础知识

前言

O'Reilly Media，Inc.介绍

版权信息

封面

封面

版权信息

O'Reilly Media，Inc.介绍

前言

第一部分 机器学习的基础知识

第1章 机器学习概览

1.1 什么是机器学习

1.2 为什么使用机器学习

1.3 应用示例

1.4 机器学习系统的类型

1.5 机器学习的主要挑战

1.6 测试和验证

1.7 练习题

第2章 端到端机器学习项目

2.1 使用真实数据

2.2 放眼大局

2.3 获取数据

2.4 探索和可视化数据以获得见解

2.5 为机器学习算法准备数据

2.6 选择和训练模型

2.7 微调模型

2.8 启动、监控和维护系统

2.9 试试看

2.10 练习题

第3章 分类

3.1 MNIST

3.2 训练二元分类器

3.3 性能测量

3.4 多类分类

3.5 错误分析

3.6 多标签分类

3.7 多输出分类

3.8 练习题

第4章 训练模型

4.1 线性回归

4.2 梯度下降

4.3 多项式回归

4.4 学习曲线

4.5 正则化线性模型

4.6 逻辑回归

4.7 练习题

第5章 支持向量机

5.1 线性SVM分类

5.2 非线性SVM分类

5.3 SVM回归

5.4 线性SVM分类器的工作原理

5.5 对偶问题

5.6 练习题

第6章 决策树

6.1 训练和可视化决策树

6.2 做出预测

6.3 估计类概率

6.4 CART训练算法

6.5 计算复杂度

6.6 基尼杂质或熵

6.7 正则化超参数

6.8 回归

6.9 对轴方向的敏感性

6.10 决策树具有高方差

6.11 练习题

第7章 集成学习和随机森林

7.1 投票分类器

7.2 bagging和pasting

7.3 随机森林

7.4 提升法

7.5 堆叠法

7.6 练习题

第8章 降维

8.1 维度的诅咒

8.2 降维的主要方法

8.3 PCA

8.4 随机投影

8.5 LLE

8.6 其他降维技术

8.7 练习题

第9章 无监督学习技术

9.1 聚类算法：k均值和DBSCAN

9.2 高斯混合模型

9.3 练习题

第二部分 神经网络与深度学习

第10章 Keras人工神经网络简介

10.1 从生物神经元到人工神经元

10.2 使用Keras实现MLP

10.3 微调神经网络超参数

10.4 练习题

第11章 训练深度神经网络

11.1 梯度消失和梯度爆炸问题

11.2 重用预训练层

11.3 更快的优化器

11.4 学习率调度

11.5 通过正则化避免过拟合

11.6 总结和实用指南

11.7 练习题

第12章 使用TensorFlow自定义模型和训练

12.1 TensorFlow快速浏览

12.2 像使用NumPy一样使用TensorFlow

12.3 自定义模型和训练算法

12.4 TensorFlow函数和图

12.5 练习题

第13章 使用TensorFlow加载和预处理数据

13.1 tf.data API

13.2 TFRecord格式

13.3 Keras预处理层

13.4 TensorFlow数据集项目

13.5 练习题

第14章 使用卷积神经网络进行深度计算机视觉

14.1 视觉皮层的结构

14.2 卷积层

14.3 池化层

14.4 使用Keras实现池化层

14.5 CNN架构

14.6 使用Keras实现ResNet-34 CNN

14.7 使用Keras的预训练模型

14.8 使用预训练模型进行迁移学习

14.9 分类和定位

14.10 物体检测

14.11 物体跟踪

14.12 语义分割

14.13 练习题

第15章 使用RNN和CNN处理序列

15.1 循环神经元和层

15.2 训练RNN

15.3 预测时间序列

15.4 处理长序列

15.5 练习题

第16章 基于RNN和注意力机制的自然语言处理

16.1 使用字符RNN生成莎士比亚文本

16.2 情感分析

16.3 用于神经机器翻译的编码器-解码器网络

16.4 注意力机制

16.5 Transformer模型的雪崩

16.6 视觉Transformer

16.7 Hugging Face的Transformer库

16.8 练习题

第17章 自动编码器、GAN和扩散模型

17.1 有效的数据表示

17.2 使用不完备的线性自动编码器执行PCA

17.3 堆叠式自动编码器

17.4 卷积自动编码器

17.5 去噪自动编码器

17.6 稀疏自动编码器

17.7 变分自动编码器

17.8 生成Fashion MNIST图像

17.9 生成对抗网络

17.10 扩散模型

17.11 练习题

第18章 强化学习

18.1 学习优化奖励

18.2 策略搜索

18.3 OpenAI Gym介绍

18.4 神经网络策略

18.5 评估动作：信用分配问题

18.6 策略梯度

18.7 马尔可夫决策过程

18.8 时序差分学习

18.9 Q学习

18.10 实现深度Q学习

18.11 深度Q学习的变体

18.12 一些流行的RL算法概述

18.13 练习题

第19章 大规模训练和部署TensorFlow模型

19.1 为TensorFlow模型提供服务

19.2 将模型部署到移动设备或嵌入式设备

19.3 在Web页面中运行模型

19.4 使用GPU加速计算

19.5 跨多个设备训练模型

19.6 练习题

致读者

附录A 机器学习项目清单

附录B 自动微分

附录C 特殊数据结构

附录D TensorFlow图

作者介绍

封面介绍