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3版)

  • 作者：(法)奧雷利安·傑龍|責編:王春華//馮潤峰|譯者:宋能輝//李嫻
  • 出版社：機械工業
  • ISBN：9787111749714
  • 出版日期：2024/06/01
  • 裝幀：平裝
  • 頁數：723
人民幣：RMB 159 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能夠從數據中學習的程序。這本暢銷書通過具體的示例、簡單的理論和可用於生產環境的Python框架（Scikit-Learn、keras和TensorFlow）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。
    在本書中，你會學到一系列可以快速使用的技術，從簡單的線性回歸到深度神經網路。全書中大量的代碼示例和練習幫助你學以致用。你只需具備編程經驗即可入門。
    通過本書，你將能夠：
    使用Scikit-Learn通過端到端項目來學習機器學習基礎知識。
    探索多種模型，包括支持向量機、決策樹、隨機森林和集成方法。
    探索無監督學習技術，如降維、聚類和異常檢測。
    深入研究神經網路架構，包括卷積網路、循環網路、生成對抗網路、自動編碼器、擴散模型和轉換器。
    使用TensorFlow和Keras構建和訓練用於電腦視覺、自然語言處理、生成模型和深度強化學習的神經網路。
作者介紹
(法)奧雷利安·傑龍|責編:王春華//馮潤峰|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  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  測試和驗證
    1.7  練習題
  第2章  端到端機器學習項目
    2.1  使用真實數據
    2.2  放眼大局
    2.3  獲取數據
    2.4  探索和可視化數據以獲得見解
    2.5  為機器學習演算法準備數據
    2.6  選擇和訓練模型
    2.7  微調模型
    2.8  啟動、監控和維護系統
    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
    3.5  錯誤分析
    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  線性SVM分類器的工作原理
    5.5  對偶問題
    5.6  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  基尼雜質或熵
    6.7  正則化超參數
    6.8  回歸
    6.9  對軸方向的敏感性
    6.10  決策樹具有高方差
    6.11  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  隨機森林
    7.4  提升法
    7.5  堆疊法
    7.6  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  隨機投影
    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  聚類演算法：k均值和DBSCAN
    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  梯度消失和梯度爆炸問題
    11.2  重用預訓練層
    11.3  更快的優化器
    11.4  學習率調度
    11.5  通過正則化避免過擬合
    11.6  總結和實用指南
    11.7  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  像使用NumPy一樣使用TensorFlow
    12.3  自定義模型和訓練演算法
    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  tf.data API
    13.2  TFRecord格式
    13.3  Keras預處理層

    13.4  TensorFlow數據集項目
    13.5  練習題
  第14章  使用卷積神經網路進行深度電腦視覺
    14.1  視覺皮層的結構
    14.2  卷積層
    14.3  池化層
    14.4  使用Keras實現池化層
    14.5  CNN架構
    14.6  使用Keras實現ResNet-34 CNN
    14.7  使用Keras的預訓練模型
    14.8  使用預訓練模型進行遷移學習
    14.9  分類和定位
    14.10  物體檢測
    14.11  物體跟蹤
    14.12  語義分割
    14.13  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  基於RNN和注意力機制的自然語言處理
    16.1  使用字元RNN生成莎士比亞文本
    16.2  情感分析
    16.3  用於神經機器翻譯的編碼器-解碼器網路
    16.4  注意力機制
    16.5  Transformer模型的雪崩
    16.6  視覺Transformer
    16.7  Hugging Face的Transformer庫
    16.8  練習題
  第17章  自動編碼器、GAN和擴散模型
    17.1  有效的數據表示
    17.2  使用不完備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  去噪自動編碼器
    17.6  稀疏自動編碼器
    17.7  變分自動編碼器
    17.8  生成Fashion MNIST圖像
    17.9  生成對抗網路
    17.10  擴散模型
    17.11  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  一些流行的RL演算法概述
    18.13  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  將模型部署到移動設備或嵌入式設備
    19.3  在Web頁面中運行模型
    19.4  使用GPU加速計算
    19.5  跨多個設備訓練模型
    19.6  練習題
致讀者
附錄A  機器學習項目清單
附錄B  自動微分
附錄C  特殊數據結構
附錄D  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