Scikit-Learn與TensorFlow機器學習實用指南

《Scikit-Learn與TensorFlow機器學習實用指南》是2017年東南大學出版社出版的圖書，作者是Aurélien Géron。

基本介紹

• 中文名：Scikit-Learn與TensorFlow機器學習實用指南
• 作者：Aurélien Géron
• 出版時間：2017年10月1日
• 出版社：東南大學出版社
• ISBN：9787564173715 

內容簡介

通過具體的例子、很少的理論以及兩款成熟的Python框架：Scikit-Learn和TensorFlow，作者Aurélien Géron會幫助你掌握構建智慧型系統所需要的概念和工具。你將會學習到各種技術，從簡單的線性回歸及發展到深度神經網路。每章的練習有助於你運用所學到的知識，你只需要有一些編程經驗就行了。

探索機器學習，尤其是神經網路

使用Scikit-Learn全程跟蹤一個機器學習項目的例子

探索各種訓練模型，包括：支持向量機、決策樹、隨機森林以及集成方法

使用TensorFlow庫構建和訓練神經網路

深入神經網路架構，包括卷積神經網路、循環神經網路和深度強化學習

學習可用於訓練和縮放深度神經網路的技術

運用實際的代碼示例，無需了解過多的機器學習理論或算法細節

圖書目錄

Preface

Part Ⅰ.The Fundamentals of Machine Learning

1. The Machine Learning Landscape

What Is Machine Learning?

Why Use Machine Learning?

Types of Machine Learning Systems

Supervised/Unsupervised Learning

Batch and Online Learning

Instance-Based Versus Model-Based Learning

Main Challenges of Machine Learning

Insufficient Quantity of Training Data

Nonrepresentative Training Data

Poor-Quality Data

Irrelevant Features

Overfitting the Training Data

Underfitting the Training Data tepping Back

Testing and Validating

Exercises

2. End-to-End Machine Learning Project

Working with Real Data

Look at the Big Picture

Frame the Problem

Select a Performance Measure

Check the Assumptions

Get the Data

Create the Workspace

Download the Data

Take a Quick Look at the Data Structure

Create a Test Set

Discover and Visualize the Data to Gain Insights

Visualizing Geographical Data

Looking for Correlations

Experimenting with Attribute Combinations

Prepare the Data for Machine Learning Algorithms

Data Cleaning

Handling Text and Categorical Attributes

Custom Transformers

Feature Scaling

Transformation Pipelines

Select and Train a Model

Training and Evaluating on the Training Set

Better Evaluation Using Cross-Validation

Fine-Tune Your Model

Grid Search

Randomized Search

Ensemble Methods

Analyze the Best Models and Their Errors

Evaluate Your System on the Test Set

Launch, Monitor, and Maintain Your System

Try It Out!

Exercises

3. Classification

MNIST

Training a Binary Classifier

Performance Measures

Measuring Accuracy Using Cross-Validation

Confusion Matrix

Precision and Recall

Precision/Recall Tradeoff

The ROC Curve

Multiclass Classification

Error Analysis

Multilabel Classification

Multioutput Classification

……

Part Ⅱ.Neural Networks and Deep Learning

A. Exercise Solutions

B. Machine Learning Project Checklist

C. SVM Dual Problem

D. Autodiff

E. Other Popular ANN Architectures

Index

作者簡介

Aurélien Géron，是一名機器學習顧問。作為一名前Google職員，在2013至2016年間，他領導了YouTube視頻分類團隊。在2002至2012年間，他身為法國主要的無線ISP Wifirst的創始人和CTO，在2001年他還是Polyconseil的創始人和CTO，這家公司現在管理著電動汽車共享服務Autolib'。