机器学习实战：基于Scikit-Learn和TensorFlow

图书标准信息

• 作者 [法]奥雷利安·杰龙（Aurélien Géron）
• 出版社 机械工业出版社
• 出版时间 2018-08
• 版次 1
• ISBN 9787111603023
• 定价 119.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 350页

【内容简介】

本书主要分为两个部分。*部分为第1章到第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，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

【作者简介】

随着一系列的突破，深度学习点燃了整个机器学习领域。 现在，即使是对这项技术毫无基础的程序员，也可以使用简单高效的工具来实现“可以自动从数据中学习”的程序。本书将展示如何做到这一点。

通过具体的例子、非常少的理论和两个产品级的Python框架——Scikit-learn 和 TensorFlow 。作者帮助你很直观地理解并掌握构建智能系统的概念和工具。你将学习一系列技术，从简单的线性回归开始到深度神经网络等。每章都有习题来帮助你应用学到的知识，你所需要的只是一点编程经验，仅此而已。

- 探索机器学习的全景图，特别是神经网络。

- 使用Scikit-Learn来端到端地建立一个机器学习项目的示例。

- 探索多种训练模型，包括支持向量机、决策树、随机森林和集成方法。

- 使用TensorFlow库建立和训练神经网络。

- 深入神经网络架构，包括卷积网络、递归网络和深度强化学习。

- 学习训练和伸缩深度神经网络的技巧。

- 应用可以工作的代码示例，而无须过多的机器学习理论或算法细节。

本书是关于使用神经网络来解决问题的理论和实践的一本导论。它涵盖了你建立高效应用的关键点，以及足够的背景知识以应对新研究的出现。 我推荐这本书给有兴趣学习用机器学习来解决实际问题的人。

- Pete Warden

- TensorFlow移动端负责人

Aurelien Geron是机器学习方面的顾问。他是Google的前员工，在2013年到2016年领导过YouTube视频分类团队。2002年至2012年，他还是Wifirst公司的创始人和首席技术官，在2001年，他是Ployconseil公司的创始人和首席技术官。

【目录】

目录

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31