Scikit-Learn、Keras和TensorFlow的机器学习实用指南 第3版(影印版)

通过一系列最新的技术 突破，深度学习推动了整 个机器学习领域的发展。 现在，即使是对这项技术 几乎一无所知的程序员也 可以使用简单、高效的工 具来实现具备数据学习能 力的程序。这本畅销书采 用具体示例、最小化理论 和生产就绪的Python框架 (Scikit-Learn、Keras和 TerisorFlow)来帮助你直观 地理解构建智能系统的概 念和工具。 在更新的第3版中，作 者Aurélien Géron探究了一 系列技术，从简单的线性 回归开始，逐步推进到深 度神经网络。书中的大量 代码示例和练习有助于你 学以致用。你需要具备一 定的编程经验。 使用Scikit-Learn从头到 尾跟踪一个机器学习示例 项目 探索包括支持向量机、 决策树、随机森林和集成 方法在内的多种模型 利用降维、聚类和异常 检测等无监督学习技术 深入研究包括卷积网络 、递归网络、生成对抗网 络、自动编码器、扩散模 型和Transformers在内的 多种神经网络架构 使用TensorFIow和 Keras为计算机视觉、自然 语言处理、生成模型和深 度强化学习构建和训练神 经网络

奥雷利安·吉翁是一名机器学习顾问。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，他是法国主要的无线ISP Wifirst的创始人和CT0，在2001年他还是Polyconseil的创始人和CT0，这家公司现在管理着电动汽车共享服务Autolib。

Preface Part Ⅰ．The Fundamentals of Machine Learning 1．TheMachine Learning Landscape What Is Machine Learning Whr Use Machine Learning Examples of Applications Types of Machine Learning Systems Training Supervision Batch Versus 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 Running the Code Examples Using Google Colab Saving Your Code Changes and Your Data The Power and Danger of Interactivity Book Code Versus Notebook Code Download the Data Take a Quick Look at the Data Structure Create a 11est Set Explore and Visualize the Data to Gain Insights Visualizing Geographical Data Look for Correlations Experiment with Attribute Combinations Prepare the Data for Machine Learning Algorithms Clean the Data Handling Text and Categorical Attributes Feature Scaling and Transformation Custom Transformers Transformation Pipelines Select and Train a Model Train and Evaluate on the Training Set Better Evaluation Using Cross-Validation Fine-Tune Your Model