散文網(wǎng) » 生活 »日常 » 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于Scikit-Learn、Keras和TensorFlow（原書第2版）

機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于Scikit-Learn、Keras和TensorFlow（原書第2版）

2023-03-30 12:09 作者:破產(chǎn)的嗶站用戶 0人讀過 | 我要投稿

鏈接：https://pan.baidu.com/s/1oGyN_RqIiUCftBw6HcZ5zA?pwd=mphm?

提取碼：mphm

內(nèi)容簡(jiǎn)介

這本機(jī)器學(xué)習(xí)暢銷書基于TensorFlow 2和Scikit-Learn的新版本進(jìn)行了全面更新，通過具體的示例、非常少的理論和可用于生產(chǎn)環(huán)境的Python框架，從零幫助你直觀地理解并掌握構(gòu)建智能系統(tǒng)所需要的概念和工具。

全書分為兩部分。第一部分介紹機(jī)器學(xué)習(xí)基礎(chǔ)，涵蓋以下主題：什么是機(jī)器學(xué)習(xí)，它試圖解決什么問題，以及系統(tǒng)的主要類別和基本概念；第二部分介紹神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)，涵蓋以下主題：什么是神經(jīng)網(wǎng)絡(luò)以及它們有什么用，使用TensorFlow和Keras構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)的技術(shù)，以及如何使用強(qiáng)化學(xué)習(xí)構(gòu)建可以通過反復(fù)試錯(cuò)，學(xué)習(xí)好的策略的代理程序。第一部分主要基于Scikit-Learn，而第二部分則使用TensorFlow和Keras。

通過本書，你會(huì)學(xué)到一系列可以快速使用的技術(shù)。每章的練習(xí)可以幫助你應(yīng)用所學(xué)的知識(shí)，你只需要有一些編程經(jīng)驗(yàn)。所有代碼都可以在GitHub上獲得。

代碼獲取方式：

1、微信關(guān)注“華章計(jì)算機(jī)”

2、在后臺(tái)回復(fù)關(guān)鍵詞：新版蜥蜴書

作者簡(jiǎn)介

奧雷利安·杰龍（Aurélien Géron）是機(jī)器學(xué)習(xí)方面的顧問。他曾就職于Google，在2013年到2016年領(lǐng)導(dǎo)過YouTube視頻分類團(tuán)隊(duì)。他是Wifirst公司的創(chuàng)始人并于2002年至2012年擔(dān)任該公司的首席技術(shù)官。2001年，他創(chuàng)辦Ployconseil公司并任首席技術(shù)官。

精彩書評(píng)

“學(xué)習(xí)機(jī)器學(xué)習(xí)的優(yōu)秀資源。你會(huì)找到清晰的思路、直觀的解釋以及大量的實(shí)用技巧?！?br>——弗朗索瓦·肖萊（Francois Chollet），Keras之父，《Python深度學(xué)習(xí)》的作者

“本書很好地介紹使用神經(jīng)網(wǎng)絡(luò)解決問題的相關(guān)理論和實(shí)踐，我向任何有興趣應(yīng)用機(jī)器學(xué)習(xí)來解決實(shí)際問題的人強(qiáng)烈推薦本書?！?br>——皮特·沃登（Pete Warden），TensorFlow移動(dòng)端負(fù)責(zé)人，TensorFlow團(tuán)隊(duì)創(chuàng)始成員

精彩書摘

◆ 前言◆

機(jī)器學(xué)習(xí)海嘯

2006 年，Geoffrey Hinton 等人發(fā)表了一篇論文，展示了如何訓(xùn)練能夠以最先進(jìn)的精度（> 98%）識(shí)別手寫數(shù)字的深度神經(jīng)網(wǎng)絡(luò)。他們將這種技術(shù)稱為“深度學(xué)習(xí)”。深度神經(jīng)網(wǎng)絡(luò)是（非常）簡(jiǎn)化的大腦皮層的模型，由一堆人工神經(jīng)元層組成。當(dāng)時(shí)人們普遍認(rèn)為，訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)是不可能的，并且大多數(shù)研究人員在20世紀(jì)90年代后期就放棄了這一想法。該論文重新激發(fā)了科學(xué)界的興趣，不久之后，許多新論文證明了（在強(qiáng)大的計(jì)算能力和大量數(shù)據(jù)的幫助下）深度學(xué)習(xí)不僅是可能的，而且還具有令人難以置信的成就，這是其他機(jī)器學(xué)習(xí)（ML）技術(shù)無法企及的。這種熱情很快擴(kuò)展到了機(jī)器學(xué)習(xí)的許多其他領(lǐng)域。

大約十年后，機(jī)器學(xué)習(xí)征服了整個(gè)工業(yè)界：它是當(dāng)今高科技產(chǎn)品諸多魔力的核心，可以為你的網(wǎng)絡(luò)搜索結(jié)果排名，為智能手機(jī)的語音識(shí)別提供支持，可以推薦視頻，并在圍棋比賽中擊敗世界冠軍。在不知不覺中，它將駕駛你的汽車。

你的項(xiàng)目中的機(jī)器學(xué)習(xí)

因此，你自然會(huì)對(duì)機(jī)器學(xué)習(xí)感到興奮，并很樂意加入這場(chǎng)盛宴！

也許你想讓你的自制機(jī)器人擁有自己的大腦，使它能夠識(shí)別人臉，或者學(xué)會(huì)走路。

也許你的公司擁有大量數(shù)據(jù)（用戶日志、財(cái)務(wù)數(shù)據(jù)、生產(chǎn)數(shù)據(jù)、機(jī)器傳感器數(shù)據(jù)、熱線統(tǒng)計(jì)信息、人力資源報(bào)告等），如果你知道在哪里看，很有可能會(huì)發(fā)現(xiàn)一些隱藏的寶石。

借助機(jī)器學(xué)習(xí)，你可以完成以下和更多任務(wù)：

? 細(xì)分客戶并為每個(gè)群體找到最佳的營銷策略。

? 根據(jù)類似客戶的購買記錄，為每個(gè)客戶推薦產(chǎn)品。

? 檢測(cè)哪些交易可能是欺詐性的。

? 預(yù)測(cè)明年的收入。

無論出于何種原因，你都決定學(xué)習(xí)機(jī)器學(xué)習(xí)并將其實(shí)現(xiàn)在你的項(xiàng)目中。好主意！

目標(biāo)與方法

本書假設(shè)你對(duì)機(jī)器學(xué)習(xí)一無所知，其目標(biāo)是為你提供實(shí)現(xiàn)能夠從數(shù)據(jù)中學(xué)習(xí)的程序所需的概念、工具和直覺。

我們將介紹大量技術(shù)，從最簡(jiǎn)單和最常用的技術(shù)（例如線性回歸）到一些經(jīng)常贏得比賽的深度學(xué)習(xí)技術(shù)。

本書不是實(shí)現(xiàn)每種算法的玩具版本，而是使用可用于生產(chǎn)環(huán)境的Python框架：

? Scikit-Learn非常易于使用，它有效地實(shí)現(xiàn)了許多機(jī)器學(xué)習(xí)算法，因此成為學(xué)習(xí)機(jī)器學(xué)習(xí)的重要切入點(diǎn)。Scikit-Learn由 David Cournapeau于2007 年創(chuàng)建，現(xiàn)在由法國計(jì)算機(jī)科學(xué)和自動(dòng)化研究所的一個(gè)研究小組領(lǐng)導(dǎo)。

? TensorFlow是用于分布式數(shù)值計(jì)算的更復(fù)雜的庫。通過將計(jì)算分布在數(shù)百個(gè)GPU（圖形處理單元）服務(wù)器上，它可以有效地訓(xùn)練和運(yùn)行大型神經(jīng)網(wǎng)絡(luò)。TensorFlow（TF）是由 Google創(chuàng)建的，并支持許多大型機(jī)器學(xué)習(xí)應(yīng)用程序。它于 2015 年 11 月開源，2.0 版本于 2019 年 11 月發(fā)布。

? Keras是高層深度學(xué)習(xí)API，使訓(xùn)練和運(yùn)行神經(jīng)網(wǎng)絡(luò)變得非常簡(jiǎn)單。它可以在TensorFlow、Theano或微軟 Cognitive Toolkit（以前稱為 CNTK）之上運(yùn)行。TensorFlow 附帶了該 API 自己的實(shí)現(xiàn)，稱為 tf.keras，支持某些高級(jí) TensorFlow 功能（例如有效加載數(shù)據(jù)的能力）。

本書主張動(dòng)手實(shí)踐，通過具體的示例和一點(diǎn)點(diǎn)理論就可以對(duì)機(jī)器學(xué)習(xí)有一個(gè)直觀的了解。雖然你無須拿起筆記本電腦就可以閱讀本書，但我強(qiáng)烈建議你嘗試用 Jupyter notebook試驗(yàn)在 https://github.com/ageron/handson-ml2 上在線獲得的代碼示例。

先決條件

本書假定你具有一些Python 編程經(jīng)驗(yàn)，并且熟悉Python 的主要科學(xué)庫，尤其是NumPy、pandas 和 Matplotlib。

另外，如果你關(guān)心一些比較深入的內(nèi)容，那么你應(yīng)該對(duì)大學(xué)水平的數(shù)學(xué)知識(shí)（如微積分、線性代數(shù)、概率和統(tǒng)計(jì)）有一定的了解。

如果你還不了解Python，那么http://learnpython.org/ 是一個(gè)不錯(cuò)的起點(diǎn)。Python.org 上的官方教程也相當(dāng)不錯(cuò)。

如果你從未使用過 Jupyter，則第 2 章將指導(dǎo)你完成安裝并學(xué)習(xí)基礎(chǔ)知識(shí)。它是工具箱中的一個(gè)強(qiáng)大工具。

如果你不熟悉Python 的科學(xué)庫，Jupyter notebook里面有一些教程。還有一個(gè)關(guān)于線性代數(shù)的快速數(shù)學(xué)教程。

路線圖

本書分為兩部分。第一部分涵蓋以下主題：

? 什么是機(jī)器學(xué)習(xí)，它試圖解決什么問題，以及其系統(tǒng)的主要類別和基本概念 ? 典型機(jī)器學(xué)習(xí)項(xiàng)目中的步驟 ? 通過將數(shù)據(jù)與模型進(jìn)行擬合來學(xué)習(xí) ? 優(yōu)化成本函數(shù) ? 處理、清潔和準(zhǔn)備數(shù)據(jù) ? 選擇和工程化特征 ? 選擇模型并使用交叉驗(yàn)證調(diào)整超參數(shù) ? 機(jī)器學(xué)習(xí)的挑戰(zhàn)，特別是欠擬合和過擬合（偏差 / 方差的權(quán)衡） ? 最常見的學(xué)習(xí)算法：線性和多項(xiàng)式回歸、邏輯回歸、k-近鄰算法、支持向量機(jī)、決策樹、隨機(jī)森林和集成方法 ? 降低訓(xùn)練數(shù)據(jù)的維度以應(yīng)對(duì)“維度的詛咒” ? 其他無監(jiān)督學(xué)習(xí)技術(shù)，包括聚類、密度估計(jì)和異常檢測(cè)

第二部分涵蓋以下主題：

? 什么是神經(jīng)網(wǎng)絡(luò)以及它們的作用 ? 使用 TensorFlow 和 Keras 構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò) ? 最重要的神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括用于表格數(shù)據(jù)的前饋神經(jīng)網(wǎng)絡(luò)、用于計(jì)算機(jī)視覺的卷積網(wǎng)絡(luò)、用于序列處理的遞歸網(wǎng)絡(luò)和長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)、用于自然語言處理的編碼器 / 解碼器和 Transformer、自動(dòng)編碼器和用于生成學(xué)習(xí)的生成式對(duì)抗網(wǎng)絡(luò)（GAN） ? 訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的技術(shù) ? 如何使用強(qiáng)化學(xué)習(xí)構(gòu)建可以通過反復(fù)試錯(cuò)學(xué)習(xí)好的策略的代理程序（例如游戲中的機(jī)器人） ? 有效地加載和預(yù)處理大量數(shù)據(jù) ? 大規(guī)模訓(xùn)練和部署 TensorFlow 模型

第一部分主要基于 Scikit-Learn，而第二部分則使用 TensorFlow 和 Keras。

不要草率地跳入深水：盡管深度學(xué)習(xí)無疑是機(jī)器學(xué)習(xí)中最令人興奮的領(lǐng)域之一，但你應(yīng)該首先掌握基礎(chǔ)知識(shí)。而且，大多數(shù)問題可以使用更簡(jiǎn)單的技術(shù)（如第一部分中討論的隨機(jī)森林和集成學(xué)習(xí)方法）來很好地解決。如果你有足夠的數(shù)據(jù)、計(jì)算能力和耐心，則深度學(xué)習(xí)最適合諸如圖像識(shí)別、語音識(shí)別或自然語言處理之類的復(fù)雜問題。

第2版的變化第 2 版有 6 個(gè)主要變化：

1.　涵蓋其他ML 主題：更多的無監(jiān)督學(xué)習(xí)技術(shù)（包括聚類、異常檢測(cè)、密度估計(jì)和混合模型）；訓(xùn)練深度網(wǎng)絡(luò)（包括自歸一化網(wǎng)絡(luò)）的更多技術(shù)；其他計(jì)算機(jī)視覺技術(shù)（包括 Xception、SENet、使用YOLO 進(jìn)行物體檢測(cè)，以及使用R-CNN 進(jìn)行語義分割）；使用卷積神經(jīng)網(wǎng)絡(luò)（CNN，包括 WaveNet）處理序列；使用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、 CNN 和 Transformer 進(jìn)行自然語言處理；GAN。 2.　涵蓋其他庫和 API（Keras、Data API、用于強(qiáng)化學(xué)習(xí)的 TF-Agents），以及使用分布式策略API、TF-Serving 和 Google Cloud AI Platform 大規(guī)模訓(xùn)練和部署TF 模型；還簡(jiǎn)要介紹 TF Transform、TFLite、TF Addons/Seq2Seq 和 TensorFlow.js。 3.　討論深度學(xué)習(xí)研究的一些最新重要成果。 4.　將所有TensorFlow 章節(jié)遷移到TensorFlow 2，并盡可能使用TensorFlow 的 Keras API （tf.keras）實(shí)現(xiàn)。 5.　更新代碼示例，使用最新版本的 Scikit-Learn、NumPy、pandas、Matplotlib 和其他庫。 6.　得益于讀者的大量反饋，一些章節(jié)更加明晰，并修正了一些錯(cuò)誤。

添加了一些章節(jié)，有些章節(jié)被重寫，有些則被重新排序。有關(guān)第 2 版更新的更多詳細(xì)信息請(qǐng)參見 https://homl.info/changes2。

其他資源

許多優(yōu)秀的資源可用于學(xué)習(xí)機(jī)器學(xué)習(xí)。例如，吳恩達(dá)（Andrew Ng）在 Coursera 上的機(jī)器學(xué)習(xí)課程雖然很好，但它需要投入大量的時(shí)間（數(shù)月）。

還有許多有趣的關(guān)于機(jī)器學(xué)習(xí)的網(wǎng)站，當(dāng)然包括Scikit-Learn出色的用戶指南。你可能還喜歡Dataquest（它提供了非常不錯(cuò)的交互式教程），以及機(jī)器學(xué)習(xí)博客（例如Quora 上列出的那些博客）。最后，深度學(xué)習(xí)網(wǎng)站上有不錯(cuò)的資源清單，可供你了解更多信息。

最后，加入像Kaggle.com 這樣的機(jī)器學(xué)習(xí)競(jìng)賽網(wǎng)站，將使你在一些實(shí)際的問題上獲得實(shí)踐技能，并獲得一些頂尖機(jī)器學(xué)習(xí)專業(yè)人員的幫助和見解。

致謝

我從未想象過我的第一本書會(huì)吸引如此眾多的讀者。我收到了讀者的大量反饋，很多人提出了許多問題，有些人指出了書中的差錯(cuò)，大多數(shù)人給了我鼓勵(lì)。我對(duì)所有讀者的大力支持表示感謝。非常感謝大家！如果你在代碼示例中發(fā)現(xiàn)錯(cuò)誤（或只是提出問題），請(qǐng)毫不猶豫地在GitHub 上提交問題。如果在文本中發(fā)現(xiàn)錯(cuò)誤，請(qǐng)?zhí)峤豢闭`。一些讀者還分享了本書如何幫助他們獲得了第一份工作，或者它如何幫助他們解決了正在處理的具體問題。這種反饋極大地激勵(lì)了我。如果你認(rèn)為本書對(duì)你有所幫助，可以與我分享你的故事，無論是私下還是公開地與我分享。

我也非常感謝那些百忙之中抽出時(shí)間審閱本書的專家。特別要感謝Fran?ois Chollet 審閱了所有基于Keras和TensorFlow 的章節(jié)，并給了我一些深入的反饋。由于Keras是第2版的主要新增內(nèi)容之一，因此請(qǐng)Keras 的作者審閱本書是非常值得的。還要特別感謝 Ankur Patel，他審閱了第 2 版的每一章，并給了我很好的反饋，特別是第9 章（涵蓋了無監(jiān)督學(xué)習(xí)技術(shù)）。關(guān)于該主題，他可以寫一本書，請(qǐng)查看 Hands-On UnsupervisedLearning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data（O’Reilly）。還要感謝Olzhas Akpambetov，他審閱了本書第二部分的所有章節(jié)，測(cè)試了許多代碼，并提出了許多很好的建議。我非常感謝 Mark Daoust、Jon Krohn、Dominic Monn 和 Josh Patterson 如此全面地審閱了本書的第二部分，并用他們的專業(yè)知識(shí)提供了非常有用的反饋。

查看全部↓

前言/序言

◆推薦序◆

最近幾年人工智能技術(shù)的突破性進(jìn)展，比如AlphaGo戰(zhàn)勝圍棋世界冠軍柯潔，Waymo開始部署自動(dòng)駕駛出租車，都表明深度學(xué)習(xí)極大地推動(dòng)了整個(gè)機(jī)器學(xué)習(xí)的發(fā)展?，F(xiàn)在，即使對(duì)深度學(xué)習(xí)技術(shù)幾乎一無所知的工程師和程序員，也可以使用簡(jiǎn)單而有效的工具來實(shí)現(xiàn)從數(shù)據(jù)中學(xué)習(xí)的復(fù)雜應(yīng)用程序。本書就向你展示了具體應(yīng)該如何來實(shí)現(xiàn)各種人工智能的應(yīng)用，如計(jì)算機(jī)視覺、自然語言處理等。

本書作者是一位出色的機(jī)器學(xué)習(xí)顧問和培訓(xùn)師，前Google 資深工程師，從2013年至2016 年領(lǐng)導(dǎo)YouTube的視頻分類團(tuán)隊(duì)，不僅具有深厚的理論功底，還有最前沿的工業(yè)界實(shí)戰(zhàn)操作經(jīng)驗(yàn)。作者通過使用簡(jiǎn)潔的理論和細(xì)致具體的示例，運(yùn)用兩個(gè)Python 框架（Scikit-Learn和 TensorFlow/Keras），幫助你直觀地了解構(gòu)建智能系統(tǒng)的相關(guān)概念和工具。你將從本書中學(xué)到各種機(jī)器學(xué)習(xí)技術(shù)（從簡(jiǎn)單的線性回歸到各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)）。每章都附有練習(xí)題，可以幫助你應(yīng)用所學(xué)的知識(shí)，你所需要的只是編程練習(xí)。

本書內(nèi)容廣博，覆蓋了機(jī)器學(xué)習(xí)的各個(gè)領(lǐng)域，不僅介紹了傳統(tǒng)的機(jī)器學(xué)習(xí)模型，包括支持向量機(jī)、決策樹、隨機(jī)森林和集成方法，還提供了使用Scikit-Learn 進(jìn)行機(jī)器學(xué)習(xí)的端到端訓(xùn)練示例。作者尤其對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入的探討，包括各種神經(jīng)網(wǎng)絡(luò)架構(gòu)（如卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等）、強(qiáng)化學(xué)習(xí)，以及如何使用TensorFlow/Keras 庫來構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

標(biāo)簽：