机器学习实战：基于Scikit-Learn和TensorFlow PDF 中文完整版

内容介绍

这书关键分成2个一部分。*一部分为第1章到第8章，包含深度学习的基础知识专业知识和基础优化算法——从线性回归到随机森林等，协助小读者把握Scikit-Learn的常见方式；继集分成第9章到第18章，讨论深度神经网络和常见架构TensorFlow，脚踏实地地领着小读者应用TensorFlow构建和训炼深度神经网络，及其卷积神经网络。

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