新書推薦：
《
为什么只见树木不见森林：从简单现象到复杂系统
》
售價：HK$
94.8
《
大英帝国的兴衰：跨越海洋 征服世界
》
售價：HK$
117.6
《
意大利文艺复兴新艺术史
》
售價：HK$
958.8
《
2023年《咬文嚼字》合订本（精）
》
售價：HK$
93.6
《
世界银行营商环境成熟度方法论手册
》
售價：HK$
321.6
《
观鹤笔记.全三册
》
售價：HK$
179.3
《
Hello算法
》
售價：HK$
155.8
《
变革时代的公司契约：法律能否与时俱进？
》
售價：HK$
93.6
|
| 內容簡介： |
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》
这本机器学习畅销书基于TensorFlow 2和Scikit-Learn的新版本进行了全面更新，通过具体的示例、非常少的理论和可用于生产环境的Python框架，从零帮助你直观地理解并掌握构建智能系统所需要的概念和工具。
全书分为两部分。部分介绍机器学习基础，涵盖以下主题：什么是机器学习，它试图解决什么问题，以及系统的主要类别和基本概念；第二部分介绍神经网络和深度学习，涵盖以下主题：什么是神经网络以及它们有什么用，使用TensorFlow和Keras构建和训练神经网络的技术，以及如何使用强化学习构建可以通过反复试错，学习好的策略的代理程序。部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。
通过本书，你会学到一系列可以快速使用的技术。每章的练习可以帮助你应用所学的知识，你只需要有一些编程经验。所有代码都可以在GitHub上获得。
《机器学习实战：模型构建与应用》
本书主要包括两部分。第1部分（第1章-第11章）讲解了如何使用TensorFlow来创建不同应用场景的机器学习模型。该部分介绍TensorFlow、计算机视觉、自然语言处理和序列建模。第二部分（第12章-第20章）将引导你了解如何将模型置于 Android 和 iOS 上的用户手中、使用 JavaScript 的浏览器以及通过云提供服务的场景。
|
| 關於作者： |
|
Aurelien Geron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公司并任首席技术官。
|
| 目錄：
|
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》
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 机器学习的应用示例16
1.4 机器学习系统的类型18
1.5 机器学习的主要挑战32
1.6 测试与验证38
1.7 练习题40
第2章 端到端的机器学习项目42
2.1 使用真实数据42
2.2 观察大局44
2.3 获取数据48
2.4 从数据探索和可视化中获得洞见60
2.5 机器学习算法的数据准备66
2.6 选择和训练模型74
2.7 微调模型77
2.8 启动、监控和维护你的系统82
2.9 试试看84
2.10 练习题84
第3章 分类86
3.1 MNIST86
3.2 训练二元分类器88
3.3 性能测量89
3.4 多类分类器99
3.5 误差分析101
3.6 多标签分类104
3.7 多输出分类105
3.8 练习题107
第4章 训练模型108
4.1 线性回归109
4.2 梯度下降113
4.3 多项式回归122
4.4 学习曲线124
4.5 正则化线性模型127
4.6 逻辑回归134
4.7 练习题141
第5章 支持向量机143
5.1 线性SVM分类143
5.2 非线性SVM分类146
5.3 SVM回归151
5.4 工作原理152
5.5 练习题160
第6章 决策树162
6.1 训练和可视化决策树162
6.2 做出预测163
6.3 估计类概率165
6.4 CART训练算法166
6.5 计算复杂度166
6.6 基尼不纯度或熵167
6.7 正则化超参数167
6.8 回归168
6.9 不稳定性170
6.10 练习题172
第7章 集成学习和随机森林173
7.1 投票分类器173
7.2 bagging和pasting176
7.3 随机补丁和随机子空间179
7.4 随机森林180
7.5 提升法182
7.6 堆叠法190
7.7 练习题192
第8章 降维193
8.1 维度的诅咒194
8.2 降维的主要方法195
8.3 PCA198
8.4 内核PCA204
8.5 LLE206
8.6 其他降维技术208
8.7 练习题209
第9章 无监督学习技术211
9.1 聚类212
9.2 高斯混合模型232
9.3 练习题245
第二部分 神经网络与深度学习247
第10章 Keras人工神经网络简介249
10.1 从生物神经元到人工神经元250
10.2 使用Keras实现MLP262
10.3 微调神经网络超参数284
10.4 练习题290
第11章 训练深度神经网络293
11.1 梯度消失与梯度爆炸问题293
11.2 重用预训练层305
11.3 更快的优化器310
11.4 通过正则化避免过拟合321
11.5 总结和实用指南327
11.6 练习题329
第12章 使用TensorFlow自定义模型和训练330
12.1 TensorFlow快速浏览330
12.2 像NumPy一样使用TensorFlow333
12.3 定制模型和训练算法338
12.4 TensorFlow函数和图356
12.5 练习题360
第13章 使用TensorFlow加载和预处理数据362
13.1 数据API363
13.2 TFRecord格式372
13.3 预处理输入特征377
13.4 TF Transform385
13.5 TensorFlow数据集项目386
13.6 练习题388
第14章 使用卷积神经网络的深度计算机视觉390
14.1 视觉皮层的架构390
14.2 卷积层392
14.3 池化层399
14.4 CNN架构402
14.5 使用Keras实现ResNet-34 CNN416
14.6 使用Keras的预训练模型417
14.7 迁移学习的预训练模型418
14.8 分类和定位421
14.9 物体检测422
14.10 语义分割428
14.11 练习题431
第15章 使用RNN和CNN处理序列432
15.1 循环神经元和层432
15.2 训练RNN436
15.3 预测时间序列437
15.4 处理长序列444
15.5 练习题453
第16章 使用RNN和注意力机制进行自然语言处理455
16.1 使用字符RNN生成莎士比亚文本456
16.2 情感分析464
16.3 神经机器翻译的编码器-解码器网络470
16.4 注意力机制476
16.5 近语言模型的创新486
16.6 练习题488
第17章 使用自动编码器和GAN的表征学习和生成学习489
17.1 有效的数据表征490
17.2 使用不完整的线性自动编码器执行PCA491
17.3 堆叠式自动编码器493
17.4 卷积自动编码器499
17.5 循环自动编码器500
17.6 去噪自动编码器501
17.7 稀疏自动编码器502
17.8变分自动编码器505
17.9 生成式对抗网络510
17.10 练习题522
第18章 强化学习523
18.1 学习优化奖励524
18.2 策略搜索525
18.3 OpenAI Gym介绍526
18.4 神经网络策略529
18.5 评估动作：信用分配问题531
18.6 策略梯度532
18.7 马尔可夫决策过程536
18.8 时序差分学习540
18.9 Q学习540
18.10 实现深度Q学习544
18.11 深度Q学习的变体547
18.12 TF-Agents库550
18.13 一些流行的RL算法概述568
18.14 练习题569
第19章 大规模训练和部署TensorFlow模型571
19.1 为TensorFlow模型提供服务572
19.2 将模型部署到移动端或嵌入式设备586
19.3 使用GPU加速计算589
19.4 跨多个设备的训练模型600
19.5 练习题613
19.6 致谢613
附录A 课后练习题解答614
附录B 机器学习项目清单642
附录C SVM对偶问题647
附录D 自动微分650
附录E 其他流行的人工神经网络架构656
附录F 特殊数据结构663
附录G TensorFlow图669
《机器学习实战：模型构建与应用》
序言1
前言3
部分 构建模型
第1章 TensorFlow简介11
1.1 什么是机器学习11
1.2 传统编程的局限性13
1.3 从编程到学习15
1.4 什么是TensorFlow16
1.5 使用TensorFlow18
1.6 初学机器学习22
1.7 总结27
第2章 计算机视觉简介28
2.1 识别服装28
2.2 视觉神经元30
2.3 设计神经网络32
2.4 训练神经网络35
2.5 探索模型输出36
2.6 训练更长时间，发现过拟合36
2.7 停止训练37
2.8 总结38
第3章 图像特征检测39
3.1 卷积39
3.2 池化41
3.3 实现卷积神经网络43
3.4 探索卷积网络45
3.5 创建一个CNN来区分马和人47
3.6 图像增强56
3.7 迁移学习59
3.8 多类别分类63
3.9 dropout正则化66
3.10 总结69
第4章 TensorFlow Datasets70
4.1 TFDS入门71
4.2 在Keras模型中使用TFDS73
4.3 使用映射函数进行增强76
4.4 使用自定义分割77
4.5 理解TFRecord78
4.6 TensorFlow中管理数据的ETL过程81
4.7 总结86
第5章 自然语言处理简介87
5.1 将语言编码为数字87
5.2 移除停用词和清理文本93
5.3 使用真实数据源94
5.4 总结103
第6章 使用嵌入来编程情感104
6.1 从词建立意义104
6.2 TensorFlow中的嵌入106
6.3 可视化嵌入121
6.4 使用来自TensorFlow Hub的预训练嵌入123
6.5 总结125
第7章 自然语言处理的循环神经网络126
7.1 循环的基础126
7.2 为语言扩展循环128
7.3 使用RNN创建文本分类器130
7.4 在RNN中使用预训练的嵌入137
7.5 总结143
第8章 使用TensorFlow创建文本144
8.1 将序列转换为输入序列145
8.2 创建模型149
8.3 生成文本150
8.4 扩展数据集152
8.5 改变模型架构153
8.6 改进数据154
8.7 基于字符的编码157
8.8 总结158
第9章 理解序列和时间序列数据159
9.1 时间序列的常见属性160
9.2 预测时间序列的技术162
9.3 总结167
第10章 创建ML模型来预测序列168
10.1 创建窗口数据集169
10.2 创建并训练DNN来拟合序列数据173
10.3 评估DNN的结果174
10.4 探索整体的预测175
10.5 调整学习率177
10.6 使用Keras Tuner探索超参数调优178
10.7 总结182
第11章 序列模型中的卷积和循环183
11.1 序列数据的卷积183
11.2 使用NASA天气数据189
11.3 使用RNN进行序列建模191
11.4 使用其他循环方法196
11.5 使用dropout197
11.6 使用双向RNN199
11.7 总结201
第二部分 使用模型
第12章 TensorFlow Lite简介205
12.1 什么是TensorFlow Lite205
12.2 演练：创建模型并将其转换为TensorFlow Lite207
12.3 演练：迁移学习图像分类器并转换到Tensor Flow Lite211
12.4 总结216
第13章 在Android应用程序中使用TensorFlow Lite217
13.1 什么是Android Studio217
13.2 创建你的个TensorFlow Lite Android应用程序218
13.3 超越“Hello World”—处理图像226
13.4 TensorFlow Lite示例应用程序229
13.5 总结230
第14章 在iOS应用程序中使用TensorFlow Lite231
14.1 使用Xcode创建你的个TensorFlow Lite应用程序231
14.2 超越“Hello World”—处理图像243
14.3 TensorFlow Lite示例应用程序246
14.4 总结247
第15章 TensorFlow.js简介248
15.1 什么是TensorFlow.js248
15.2 安装和使用Brackets IDE249
15.3 构建个TensorFlow.js模型251
15.4 创建Iris分类器254
15.5 总结258
第16章 TensorFlow.js中的计算机视觉编程技术259
16.1 TensorFlow开发人员的JavaScript注意事项260
16.2 使用JavaScript构建CNN261
16.3 使用回调进行可视化263
16.4 使用MNIST数据集进行训练264
16.5 在TensorFlow.js中对图像运行推理270
16.6 总结270
第17章 重用和转换Python模型为JavaScript272
17.1 将基于Python的模型转换为JavaScript272
17.2 使用预转换的JavaScript模型276
17.3 总结284
第18章 JavaScript中的迁移学习285
18.1 从MobileNet进行迁移学习285
18.2 来自TensorFlow Hub的迁移学习297
18.3 使用来自TensorFlow.org的模型301
18.4 总结303
第19章 使用TensorFlow Serving进行部署304
19.1 什么是TensorFlow Serving304
19.2 安装TensorFlow Serving306
19.3 构建和服务模型308
19.4 总结314
第20章 AI的伦理、公平和隐私315
20.1 编程中的公平316
20.2 机器学习中的公平318
20.3 实现公平的工具320
20.4 联邦学习323
20.5 谷歌的AI原则328
20.6 总结329
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
