内容简介
本书分为两大部分：di一部分主要基于Scikit-Learn，介绍机器学习的基础算法；第二部分则使用TensorFlow和Keras，介绍神经网络与深度学习。此外，附录部分的内容也非常丰富，包括课后练习题解答、机器学习项目清单、SVM对偶问题、自动微分和特殊数据结构等。书中内容广博，覆盖了机器学习的各个领域，不仅介绍了传统的机器学习模型，包括支持向量机、决策树、随机森林和集成方法，还提供了使用Scikit-Learn进行机器学习的端到端训练示例。作者尤其对深度神经网络进行了深入的探讨，包括各种神经网络架构、强化学习，以及如何使用TensorFlow/Keras库来构建和训练神经网络。本书兼顾理论与实战，既适合在校学生，又适合有经验的工程师。
作者简介
Aurélien Géron是机器学习方面的顾问。他曾就职于Google，在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司（法国领先的无线互联网服务供应商）的创始人，并于2002年至2012年担任该公司的首席技术官。2001年，他创办Ployconseil公司（一家电信咨询公司），并任首席技术官。
目录
目录前言1
**部分机器学习的基础知识11
第1章机器学习概览13
1.1什么是机器学习14
1.2为什么使用机器学习14
1.3应用示例17
1.4机器学习系统的类型18
1.5机器学习的主要挑战33
1.6测试和验证39
1.7练习题43
第2章端到端机器学习项目44
2.1使用真实数据44
2.2放眼大局46
2.3获取数据50
2.4探索和可视化数据以获得见解63
2.5为机器学习算法准备数据69
2.6选择和训练模型87
2.7微调模型91
2.8启动、监控和维护系统96
2.9试试看99
2.10练习题99
第3章分类101
3.1MNIST101
3.2训练二元分类器104
3.3性能测量104
3.4多类分类115
3.5错误分析118
3.6多标签分类121
3.7多输出分类123
3.8练习题124
第4章训练模型126
4.1线性回归127
4.2梯度下降132
4.3多项式回归141
4.4学习曲线143
4.5正则化线性模型146
4.6逻辑回归153
4.7练习题162
第5章支持向量机164
5.1线性SVM分类164
5.2非线性SVM分类167
5.3SVM回归172
5.4线性SVM分类器的工作原理174
5.5对偶问题176
5.6练习题180
第6章决策树181
6.1训练和可视化决策树181
6.2做出预测182
6.3估计类概率185
6.4CART训练算法185
6.5计算复杂度186
6.6基尼杂质或熵186
6.7正则化超参数187
6.8回归189
6.9对轴方向的敏感性191
6.10决策树具有高方差192
6.11练习题193
第7章集成学习和随机森林194
7.1投票分类器194
7.2bagging和pasting198
7.3随机森林202
7.4提升法204
7.5堆叠法212
7.6练习题215
第8章降维216
8.1维度的诅咒217
8.2降维的主要方法218
8.3PCA221
8.4随机投影228
8.5LLE230
8.6其他降维技术232
8.7练习题234
第9章无监督学习技术235
9.1聚类算法：k均值和DBSCAN236
9.2高斯混合模型256
9.3练习题265
第二部分神经网络与深度学习267
第10章Keras人工神经网络简介269
10.1从生物神经元到人工神经元270
10.2使用Keras实现MLP284
10.3微调神经网络超参数308
10.4练习题316
第11章训练深度神经网络319
11.1梯度消失和梯度爆炸问题319
11.2重用预训练层333
11.3更快的优化器338
11.4学习率调度346
11.5通过正则化避免过拟合350
11.6总结和实用指南357
11.7练习题358
第12章使用TensorFlow自定义模型和训练360
12.1TensorFlow快速浏览360
12.2像使用NumPy一样使用TensorFlow363
12.3自定义模型和训练算法368
12.4TensorFlow函数和图387
12.5练习题392
第13章使用TensorFlow加载和预处理数据394
13.1tf.dataAPI395
13.2TFRecord格式405
13.3Keras预处理层411
13.4TensorFlow数据集项目425
13.5练习题427
第14章使用卷积神经网络进行深度计算机视觉429
14.1视觉皮层的结构429
14.2卷积层431
14.3池化层439
14.4使用Keras实现池化层441
14.5CNN架构443
14.6使用Keras实现ResNet-34CNN460
14.7使用Keras的预训练模型462
14.8使用预训练模型进行迁移学习463
14.9分类和定位466
14.10物体检测467
14.11物体跟踪474
14.12语义分割475
14.13练习题478
第15章使用RNN和CNN处理序列480
15.1循环神经元和层481
15.2训练RNN484
15.3预测时间序列485
15.4处理长序列505
15.5练习题515
第16章基于RNN和注意力机制的自然语言处理516
16.1使用字符RNN生成莎士比亚文本517
16.2情感分析525
16.3用于神经机器翻译的编码器-解码器网络532
16.4注意力机制541
16.5Transformer模型的雪崩554
16.6视觉Transformer558
16.7HuggingFace的Transformer库562
16.8练习题566
第17章自动编码器、GAN和扩散模型568
17.1有效的数据表示569
17.2使用不完备的线性自动编码器执行PCA571
17.3堆叠式自动编码器572
17.4卷积自动编码器579
17.5去噪自动编码器580
17.6稀疏自动编码器582
17.7变分自动编码器584
17.8生成FashionMNIST图像588
17.9生成对抗网络589
17.10扩散模型602
17.11练习题608
第18章强化学习610
18.1学习优化奖励611
18.2策略搜索612
18.3OpenAIGym介绍614
18.4神经网络策略617
18.5评估动作：信用分配问题619
18.6策略梯度620
18.7马尔可夫决策过程624
18.8时序差分学习628
18.9Q学习629
18.10实现深度Q学习632
18.11深度Q学习的变体636
18.12一些流行的RL算法概述640
18.13练习题643
第19章大规模训练和部署TensorFlow模型645
19.1为TensorFlow模型提供服务646
19.2将模型部署到移动设备或嵌入式设备664
19.3在Web页面中运行模型666
19.4使用GPU加速计算668
19.5跨多个设备训练模型676
19.6练习题694
致读者694
附录A机器学习项目清单697
附录B自动微分703
附录C特殊数据结构710
附录DTensorFlow图716
······
最后修改：2025 年 07 月 18 日
© 允许规范转载