Scikit-Learn、Keras和TensorFlow的机器学习实用指南第2版（影印版）

图书标准信息

• 作者 Aurélien Géron 著
• 出版社 东南大学出版社
• 出版时间 2020-05
• 版次 1
• ISBN 9787564188306
• 定价 186.00元
• 装帧 其他
• 开本 16开
• 页数 819页
• 字数 1057千字

【内容简介】

通过Scikit-Learn和pandas的端到端项目学习机器学习基础知识

 

使用TensorFlow 2构建和训练若干神经网络架构，解决分类和回归问题

 

探索对象检测、语义分割、注意力机制、语言模型，生成对抗网络（GAN）等

 

探索Keras API,TensorFlow 2的官方高级API

 

使用TensorFlow的数据API、分布式策略API、TF Transform和TF-Serving来部署用于生产的TensorFlow模型

 

在Google Cloud 人工智能平台或移动设备上进行部署

 

探索无监督学习技术，如降维、聚类和异常检测

 

通过强化学习创建自主学习代理，包括使用TF-Agents库

【作者简介】

Aurélien Géron，是一名机器学习咨询顾问和培训师。作为一名前Google职员，在2013至2016年间，他领导了YouTube视频分类团队。在2002至2012年间，他身为法国主要的无线ISP Wifirst的创始人和CTO，在2001年他还是Polyconseil的创始人和CTO，这家公司现在管理着电动汽车共享服务Autolib'。 

【目录】

preface

part i.the fundamentals of machine learning

1.the machine learning landscape

what is machine learning?

why use machine learning?

examples of applications

types of machine learning systems

supervised/unsupervised learning

batch and online learning

instance-based versus model-based learning

main challenges of machine learning

insufficient quantity of training data

nonrepresentative training data

poor- quality data

irrelevant features

overfitting the training data

underfitting the training data

stepping back

testing and validating

hyperparameter tuning and model selection

data mismatch

exercises

2.end-to-end machine learning project

working with real data

look at the big picture

frame the problem

select a performance measure

check the assumptions

get the data

create the workspace

download the data

take a quick look at the data structure

create a test set

discover and visualize the data to gain insights

visualizing geographical data

looking for correlations

experimenting with attribute binations

prepare the data for machine learning algorithms

data cleaning

handling text and categorical attributes

custom transformers

feature scaling

transformation pipelines

select and train a model

training and evaluating on the training set

better evaluation using cross-validation

fine-tune your model

grid search

randomized search

ensemble methods

analyze the best models and their errors

evaluate your system on the test set

launch, monitor, and maintain your system

try it out!

exercises

3.classification

mnist

training a binary classifier

performance measures

measuring accuracy using cross-validation

confusion matrix

precision and recall

precision/recall trade-off

the roc curve

multiclass classification

……

part ii.neural works and deep learning

a.exercise solutions

b.machine learning project checklist

c.svm dual problem

d.autodiff

e.other popular ann architectures

f.spe data structures

g.tensorfiow graphs

index