本書主要分為兩個部分。*部分為第1章到第8章，涵蓋機器學習的基礎理論知識和基本算法從線性回歸到隨機森林等，幫助讀者掌握Scikit-Learn的常用方法；第二部分為第9章到第16章，探討深度學習和常用框架TensorFlow，一步一個腳印地帶領讀者使用TensorFlow搭建和訓練深度神經網絡，以及卷積神經網絡。
本書作者曾經是谷歌工程師，在2013年至2016年主導了YouTube的視頻分類工程，擁有豐富的機器學習項目經驗。本書從開發者的實踐角度，在動手寫代碼的過程中，循序漸進地了解機器學習的理論知識和工具的實踐技巧，可以幫助讀者快速上手機器學習項目。
隨著一系列的突破，深度學習點燃了整個機器學習領域。 現在，即使是對這項技術毫無基礎的程序員，也可以使用簡單高效的工具來實現可以自動從數據中學習的程序。本書將展示如何做到這一點。
通過具體的例子、非常少的理論和兩個產品級的Python框架Scikit-learn 和 TensorFlow 。作者幫助你很直觀地理解并掌握構建智能系統的概念和工具。你將學習一系列技術，從簡單的線性回歸開始到深度神經網絡等。每章都有習題來幫助你應用學到的知識，你所需要的只是一點編程經驗，僅此而已。
- 探索機器學習的全景圖，特別是神經網絡。
- 使用Scikit-Learn來端到端地建立一個機器學習項目的示例。
- 探索多種訓練模型，包括支持向量機、決策樹、隨機森林和集成方法。
- 使用TensorFlow庫建立和訓練神經網絡。
- 深入神經網絡架構，包括卷積網絡、遞歸網絡和深度強化學習。
- 學習訓練和伸縮深度神經網絡的技巧。
- 應用可以工作的代碼示例，而無須過多的機器學習理論或算法細節。
本書是關于使用神經網絡來解決問題的理論和實踐的一本導論。它涵蓋了你建立高效應用的關鍵點，以及足夠的背景知識以應對新研究的出現。 我推薦這本書給有興趣學習用機器學習來解決實際問題的人。
- Pete Warden
- TensorFlow移動端負責人
Aurelien Geron是機器學習方面的顧問。他是Google的前員工，在2013年到2016年領導過YouTube視頻分類團隊。2002年至2012年，他還是Wifirst公司的創始人和首席技術官，在2001年，他是Ployconseil公司的創始人和首席技術官。
目錄
前言1
第一部分 機器學習基礎
第1章 機器學習概覽11
什么是機器學習12
為什么要使用機器學習12
機器學習系統的種類15
監督式/無監督式學習16
批量學習和在線學習21
基于實例與基于模型的學習24
機器學習的主要挑戰29
訓練數據的數量不足29
訓練數據不具代表性30
質量差的數據32
無關特征32
訓練數據過度擬合33
訓練數據擬合不足34
退后一步35
測試與驗證35
練習37
第2章 端到端的機器學習項目39
使用真實數據39
觀察大局40
框架問題41
選擇性能指標42
檢查假設45
獲取數據45
創建工作區45
下載數據48
快速查看數據結構49
創建測試集52
從數據探索和可視化中獲得洞見56
將地理數據可視化57
尋找相關性59
試驗不同屬性的組合61
機器學習算法的數據準備62
數據清理63
處理文本和分類屬性65
自定義轉換器67
特征縮放68
轉換流水線68
選擇和訓練模型70
培訓和評估訓練集70
使用交叉驗證來更好地進行評估72
微調模型74
網格搜索74
隨機搜索76
集成方法76
分析最佳模型及其錯誤76
通過測試集評估系統77
啟動、監控和維護系統78
試試看79
練習79
第3章 分類80
MNIST80
訓練一個二元分類器82
性能考核83
使用交叉驗證測量精度83
混淆矩陣84
精度和召回率86
精度/召回率權衡87
ROC曲線90
多類別分類器93
錯誤分析95
多標簽分類98
多輸出分類99
練習100
第4章 訓練模型102
線性回歸103
標準方程104
計算復雜度106
梯度下降107
批量梯度下降110
隨機梯度下降112
小批量梯度下降114
多項式回歸115
學習曲線117
正則線性模型121
嶺回歸121
套索回歸123
彈性網絡125
早期停止法126
邏輯回歸127
概率估算127
訓練和成本函數128
決策邊界129
Softmax回歸131
練習134
第5章 支持向量機136
線性SVM分類136
軟間隔分類137
非線性SVM分類139
多項式核140
添加相似特征141
高斯RBF核函數142
計算復雜度143
SVM回歸144
工作原理145
決策函數和預測146
訓練目標146
二次規劃148
對偶問題149
核化SVM149
在線SVM151
練習152
第6章 決策樹154
決策樹訓練和可視化154
做出預測155
估算類別概率157
CART訓練算法158
計算復雜度158
基尼不純度還是信息熵159
正則化超參數159
回歸161
不穩定性162
練習163
第7章 集成學習和隨機森林165
投票分類器165
bagging和pasting168
Scikit-Learn的bagging和pasting169
包外評估170
Random Patches和隨機子空間171
隨機森林172
極端隨機樹173
特征重要性173
提升法174
AdaBoost175
梯度提升177
堆疊法181
練習184
第8章 降維185
維度的詛咒186
數據降維的主要方法187
投影187
流形學習189
PCA190
保留差異性190
主成分191
低維度投影192
使用Scikit-Learn192
方差解釋率193
選擇正確數量的維度193
PCA壓縮194
增量PCA195
隨機PCA195
核主成分分析196
選擇核函數和調整超參數197
局部線性嵌入199
其他降維技巧200
練習201
第二部分 神經網絡和深度學習
第9章 運行TensorFlow205
安裝207
創建一個計算圖并在會話中執行208
管理圖209
節點值的生命周期210
TensorFlow中的線性回歸211
實現梯度下降211
手工計算梯度212
使用自動微分212
使用優化器214
給訓練算法提供數據214
保存和恢復模型215
用TensorBoard來可視化圖和訓練曲線216
命名作用域219
模塊化220
共享變量222
練習225
第10章 人工神經網絡簡介227
從生物神經元到人工神經元227
生物神經元228
具有神經元的邏輯計算229
感知器230
多層感知器和反向傳播233
用TensorFlow的高級API來訓練MLP236
使用純TensorFlow訓練DNN237
構建階段237
執行階段240
使用神經網絡241
微調神經網絡的超參數242
隱藏層的個數242
每個隱藏層中的神經元數243
激活函數243
練習244
第11章 訓練深度神經網絡245
梯度消失/爆炸問題245
Xavier初始化和He初始化246
非飽和激活函數248
批量歸一化250
梯度剪裁254
重用預訓練圖層255
重用TensorFlow模型255
重用其他框架的模型256
凍結低層257
緩存凍結層257
調整、丟棄或替換高層258
模型動物園258
無監督的預訓練259
輔助任務中的預訓練260
快速優化器261
Momentum優化261
Nesterov梯度加速262
AdaGrad263
RMSProp265
Adam優化265
學習速率調度267
通過正則化避免過度擬合269
提前停止269
1和2正則化269
dropout270
最大范數正則化273
數據擴充274
實用指南275
練習276
第12章 跨設備和服務器的分布式TensorFlow279
一臺機器上的多個運算資源280
安裝280
管理GPU RAM282
在設備上操作284
并行執行287
控制依賴288
多設備跨多服務器288
開啟一個會話290
master和worker服務290
分配跨任務操作291
跨多參數服務器分片變量291
用資源容器跨會話共享狀態292
使用TensorFlow隊列進行異步通信294
直接從圖中加載數據299
在TensorFlow集群上并行化神經網絡305
一臺設備一個神經網絡305
圖內與圖間復制306
模型并行化308
數據并行化309
練習314
第13章 卷積神經網絡31
新書資訊