幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習實戰(基於Scikit-Learn\Keras和TensorFlow原書第2版)

  • 作者：(法)奧雷利安·傑龍|責編:李忠明|譯者:宋能輝//李嫻
  • 出版社：機械工業
  • ISBN：9787111665977
  • 出版日期：2020/10/01
  • 裝幀：平裝
  • 頁數：676
人民幣：RMB 149 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著一系列的技術突破，深度學習推動了整個機器學習領域的發展。現在，即使是對這項技術幾乎一無所知的程序員也可以使用簡單有效的工具來實現「可以自動從數據中學習」的程序。這本暢銷書的更新版通過具體的示例、非常少的理論和可用於生產環境的Python框架來幫助你直觀地理解並掌握構建智能系統所需要的概念和工具。
    你會學到一系列可以快速使用的技術。每章的練習可以幫助你應用所學的知識，你只需要有一些編程經驗。所有代碼都可以在GitHub上獲得。它已更新為TensorFlow2和Scikit-Learn的新版本。
    使用Scikit-Learn和pandas通過端到端項目來學習機器學習基礎。
    使用TensorFlow 2構建和訓練多個神經網路架構來進行分類和回歸。
    覆蓋對象檢測、語義分割、注意力機制、語言模型、GAN等。
    探索Keras API與TensorFlow 2的官方高級APl。
    使用TensorFlow的數據APl、分佈策略API、TF Transform和TFServing來部署TensorFlow模型。   在Google Cloud AI Platform或移動設備上部署。
    開發無監督學習技術，例如降維、聚類和異常檢測。
    通過強化學習（包括使用TF-Agents庫）創建自主學習智能體。
作者介紹
(法)奧雷利安·傑龍|責編:李忠明|譯者:宋能輝//李嫻
    奧雷利安·傑龍，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
第一部分  機器學習的基礎知識
第1章  機器學習概覽
  1.1  什麼是機器學習
  1.2  為什麼使用機器學習
  1.3  機器學習的應用示例
  1.4  機器學習系統的類型
  1.5  機器學習的主要挑戰
  1.6  測試與驗證
  1.7  練習題
第2章  端到端的機器學習項目
  2.1  使用真實數據
  2.2  觀察大局
  2.3  獲取數據
  2.4  從數據探索和可視化中獲得洞見
  2.5  機器學習演算法的數據準備
  2.6  選擇和訓練模型
  2.7  微調模型
  2.8  啟動、監控和維護你的系統
  2.9  試試看
  2.10  練習題
第3章  分類
  3.1  MNIST
  3.2  訓練二元分類器
  3.3  性能測量
  3.4  多類分類器
  3.5  誤差分析
  3.6  多標籤分類
  3.7  多輸出分類
  3.8  練習題
第4章  訓練模型
  4.1  線性回歸
  4.2  梯度下降
  4.3  多項式回歸
  4.4  學習曲線
  4.5  正則化線性模型
  4.6  邏輯回歸
  4.7  練習題
第5章  支持向量機
  5.1  線性SVM分類
  5.2  非線性SVM分類
  5.3  SVM回歸
  5.4  工作原理
  5.5  練習題
第6章  決策樹
  6.1  訓練和可視化決策樹
  6.2  做出預測
  6.3  估計類概率
  6.4  CART訓練演算法
  6.5  計算複雜度

  6.6  基尼不純度或熵
  6.7  正則化超參數
  6.8  回歸
  6.9  不穩定性
  6.10  練習題
第7章  集成學習和隨機森林
  7.1  投票分類器
  7.2  bagging和pasting
  7.3  隨機補丁和隨機子空間
  7.4  隨機森林
  7.5  提升法
  7.6  堆疊法
  7.7  練習題
第8章  降維
  8.1  維度的詛咒
  8.2  降維的主要方法
  8.3  PCA
  8.4  內核PCA
  8.5  LLE
  8.6  其他降維技術
  8.7  練習題
第9章  無監督學習技術
  9.1  聚類
  9.2  高斯混合模型
  9.3  練習題
第二部分  神經網路與深度學習
第10章  Keras人工神經網路簡介
  10.1  從生物神經元到人工神經元
  10.2  使用Keras實現MLP
  10.3  微調神經網路超參數
  10.4  練習題
第11章  訓練深度神經網路
  11.1  梯度消失與梯度爆炸問題
  11.2  重用預訓練層
  11.3  更快的優化器
  11.4  通過正則化避免過擬合
  11.5  總結和實用指南
  11.6  練習題
第12章  使用TensorFlow自定義模型和訓練
  12.1  TensorFlow快速瀏覽
  12.2  像NumPy一樣使用TensorFlow
  12.3  定製模型和訓練演算法
  12.4  TensorFlow函數和圖
  12.5  練習題
第13章  使用TensorFlow載入和預處理數據
  13.1  數據API
  13.2  TFRecord格式
  13.3  預處理輸入特徵
  13.4  TF Transform
  13.5  TensorFlow數據集項目

  13.6  練習題
第14章  使用卷積神經網路的深度電腦視覺
  14.1  視覺皮層的架構
  14.2  卷積層
  14.3  池化層
  14.4  CNN架構
  14.5  使用Keras實現ResNet-34 CNN
  14.6  使用Keras的預訓練模型
  14.7  遷移學習的預訓練模型
  14.8  分類和定位
  14.9  物體檢測
  14.10  語義分割
  14.11  練習題
第15章  使用RNN和CNN處理序列
  15.1  循環神經元和層
  15.2  訓練RNN
  15.3  預測時間序列
  15.4  處理長序列
  15.5  練習題
第16章  使用RNN和注意力機制進行自然語言處理
  16.1  使用字元RNN生成莎士比亞文本
  16.2  情感分析
  16.3  神經機器翻譯的編碼器-解碼器網路
  16.4  注意力機制
  16.5  最近語言模型的創新
  16.6  練習題
第17章  使用自動編碼器和GAN的表徵學習和生成學習
  17.1  有效的數據表徵
  17.2  使用不完整的線性自動編碼器執行PCA
  17.3  堆疊式自動編碼器
  17.4  卷積自動編碼器
  17.5  循環自動編碼器
  17.6  去噪自動編碼器
  17.7  稀疏自動編碼器
  17.8  變分自動編碼器
  17.9  生成式對抗網路
  17.10  練習題
第18章  強化學習
  18.1  學習優化獎勵
  18.2  策略搜索
  18.3  OpenAI Gym介紹
  18.4  神經網路策略
  18.5  評估動作：信用分配問題
  18.6  策略梯度
  18.7  馬爾可夫決策過程
  18.8  時序差分學習
  18.9  Q學習
  18.10  實現深度Q學習
  18.11  深度Q學習的變體
  18.12  TF-Agents庫

  18.13  一些流行的RL演算法概述
  18.14  練習題
第19章  大規模訓練和部署TensorFlow模型
  19.1  為TensorFlow模型提供服務
  19.2  將模型部署到移動端或嵌入式設備
  19.3  使用GPU加速計算
  19.4  跨多個設備的訓練模型
  19.5  練習題
  19.6  致謝
附錄A  課後練習題解答
附錄B  機器學習項目清單
附錄C  SVM對偶問題
附錄D  自動微分
附錄E  其他流行的人工神經網路架構
附錄F  特殊數據結構
附錄G  TensorFlow圖

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032