內容簡介
本書分為兩大部分：di一部分主要基於Scikit-Learn，介紹機器學習的基礎算法；第二部分則使用TensorFlow和Keras，介紹神經網絡與深度學習。此外，附錄部分的內容也非常豐富，包括課後練習題解答、機器學習項目清單、SVM對偶問題、自動微分和特殊數據結構等。書中內容廣博，覆蓋了機器學習的各個領域，不僅介紹了傳統的機器學習模型，包括支持向量機、決策樹、隨機森林和集成方法，還提供了使用Scikit-Learn進行機器學習的端到端訓練示例。作者尤其對深度神經網絡進行了深入的探討，包括各種神經網絡架構、強化學習，以及如何使用TensorFlow/Keras庫來構建和訓練神經網絡。本書兼顧理論與實戰，既適合在校學生，又適合有經驗的工程師。
作者簡介
Aurélien Géron是機器學習方麵的顧問。他曾就職於Google，在2013年到2016年領導過YouTube視頻分類團隊。他是Wifirst公司（法國領先的無線互聯網服務供應商）的創始人，並於2002年至2012年擔任該公司的首席技術官。2001年，他創辦Ployconseil公司（一家電信谘詢公司），並任首席技術官。
目錄
目錄前言1
**部分機器學習的基礎知識11
第1章機器學習概覽13
1.1什麼是機器學習14
1.2為什麼使用機器學習14
1.3應用示例17
1.4機器學習係統的類型18
1.5機器學習的主要挑戰33
1.6測試和驗證39
1.7練習題43
第2章端到端機器學習項目44
2.1使用真實數據44
2.2放眼大局46
2.3獲取數據50
2.4探索和可視化數據以獲得見解63
2.5為機器學習算法準備數據69
2.6選擇和訓練模型87
2.7微調模型91
2.8啟動、監控和維護係統96
2.9試試看99
2.10練習題99
第3章分類101
3.1MNIST101
3.2訓練二元分類器104
3.3性能測量104
3.4多類分類115
3.5錯誤分析118
3.6多標簽分類121
3.7多輸出分類123
3.8練習題124
第4章訓練模型126
4.1線性回歸127
4.2梯度下降132
4.3多項式回歸141
4.4學習曲線143
4.5正則化線性模型146
4.6邏輯回歸153
4.7練習題162
第5章支持向量機164
5.1線性SVM分類164
5.2非線性SVM分類167
5.3SVM回歸172
5.4線性SVM分類器的工作原理174
5.5對偶問題176
5.6練習題180
第6章決策樹181
6.1訓練和可視化決策樹181
6.2做出預測182
6.3估計類概率185
6.4CART訓練算法185
6.5計算複雜度186
6.6基尼雜質或熵186
6.7正則化超參數187
6.8回歸189
6.9對軸方向的敏感性191
6.10決策樹具有高方差192
6.11練習題193
第7章集成學習和隨機森林194
7.1投票分類器194
7.2bagging和pasting198
7.3隨機森林202
7.4提升法204
7.5堆疊法212
7.6練習題215
第8章降維216
8.1維度的詛咒217
8.2降維的主要方法218
8.3PCA221
8.4隨機投影228
8.5LLE230
8.6其他降維技術232
8.7練習題234
第9章無監督學習技術235
9.1聚類算法：k均值和DBSCAN236
9.2高斯混合模型256
9.3練習題265
第二部分神經網絡與深度學習267
第10章Keras人工神經網絡簡介269
10.1從生物神經元到人工神經元270
10.2使用Keras實現MLP284
10.3微調神經網絡超參數308
10.4練習題316
第11章訓練深度神經網絡319
11.1梯度消失和梯度爆炸問題319
11.2重用預訓練層333
11.3更快的優化器338
11.4學習率調度346
11.5通過正則化避免過擬合350
11.6總結和實用指南357
11.7練習題358
第12章使用TensorFlow自定義模型和訓練360
12.1TensorFlow快速瀏覽360
12.2像使用NumPy一樣使用TensorFlow363
12.3自定義模型和訓練算法368
12.4TensorFlow函數和圖387
12.5練習題392
第13章使用TensorFlow加載和預處理數據394
13.1tf.dataAPI395
13.2TFRecord格式405
13.3Keras預處理層411
13.4TensorFlow數據集項目425
13.5練習題427
第14章使用卷積神經網絡進行深度計算機視覺429
14.1視覺皮層的結構429
14.2卷積層431
14.3池化層439
14.4使用Keras實現池化層441
14.5CNN架構443
14.6使用Keras實現ResNet-34CNN460
14.7使用Keras的預訓練模型462
14.8使用預訓練模型進行遷移學習463
14.9分類和定位466
14.10物體檢測467
14.11物體跟蹤474
14.12語義分割475
14.13練習題478
第15章使用RNN和CNN處理序列480
15.1循環神經元和層481
15.2訓練RNN484
15.3預測時間序列485
15.4處理長序列505
15.5練習題515
第16章基於RNN和注意力機製的自然語言處理516
16.1使用字符RNN生成莎士比亞文本517
16.2情感分析525
16.3用於神經機器翻譯的編碼器-解碼器網絡532
16.4注意力機製541
16.5Transformer模型的雪崩554
16.6視覺Transformer558
16.7HuggingFace的Transformer庫562
16.8練習題566
第17章自動編碼器、GAN和擴散模型568
17.1有效的數據表示569
17.2使用不完備的線性自動編碼器執行PCA571
17.3堆疊式自動編碼器572
17.4卷積自動編碼器579
17.5去噪自動編碼器580
17.6稀疏自動編碼器582
17.7變分自動編碼器584
17.8生成FashionMNIST圖像588
17.9生成對抗網絡589
17.10擴散模型602
17.11練習題608
第18章強化學習610
18.1學習優化獎勵611
18.2策略搜索612
18.3OpenAIGym介紹614
18.4神經網絡策略617
18.5評估動作：信用分配問題619
18.6策略梯度620
18.7馬爾可夫決策過程624
18.8時序差分學習628
18.9Q學習629
18.10實現深度Q學習632
18.11深度Q學習的變體636
18.12一些流行的RL算法概述640
18.13練習題643
第19章大規模訓練和部署TensorFlow模型645
19.1為TensorFlow模型提供服務646
19.2將模型部署到移動設備或嵌入式設備664
19.3在Web頁麵中運行模型666
19.4使用GPU加速計算668
19.5跨多個設備訓練模型676
19.6練習題694
致讀者694
附錄A機器學習項目清單697
附錄B自動微分703
附錄C特殊數據結構710
附錄DTensorFlow圖716
······
最後修改：2025 年 07 月 18 日
© 允許規範轉載