全书分为两部分共14章，介绍了如何用Scikit-Learn来构建机器学习模型以及如何用Keras和Ten-sorFlow来构建神经网络。书中的内容和实例基于作者过去几年在全球各地开设相关课程的经历，阐述了如何借助于机器学习和深度学习来构建产品或服务，从而真正解决现实业务场景中的问题，比如监测热带雨林盗伐、文本情感分析以及预测机械设备的早期故障等。
本书适合相关工程师与软件开发人员阅读和参考，可以帮助他们快速入门并通过书中的操作实例迅速掌握机器学习和人工智能。

杰夫·普罗西斯，资深工程师，热心于帮助工程师和软件开发人员用好人工智能和机器学习。作为wintellect的联合创始人，他在微软培训过几千名开发人员，在一些全球化软件大会上发表过演讲。此外，杰夫还效力于橡树岭国家实验室和劳伦斯利弗莫尔国家实验室，从事过高功率激光系统和聚变能研究。目前，杰夫在Atmosera担任首席学习官，致力于帮助客户在产品或服务中实际应用人工智能。

第Ⅰ部分 用Scikit-Learn进行机器学习
第1章 机器学习
1.1 什么是机器学习
1.1.1 机器学习与人工智能
1.1.2 监督和无监督学习
1.2 使用k-means聚类算法的无监督学习
1.2.1 将k-means聚类算法应用于客户数据
1.2.2 使用两个以上的维度对客户进行细分
1.3 监督学习
1.3.1 k近邻
1.3.2 使用k近邻对花卉进行分类
1.4 小结
第2章 回归模型
2.1 线性回归
2.2 决策树
2.3 随机森林
2.4 梯度提升机
2.5 支持向量机
2.6 回归模型的精度测量
2.7 使用回归来预测车费
2.8 小结
第3章 分类模型
3.1 逻辑回归
3.2 分类模型的准确率度量
3.3 分类数据
3.4 二分类
3.4.1 对泰坦尼克号乘客进行分类
3.4.2 检测信用卡欺诈
3.5 多分类
3.6 构建数字识别模型
3.7 小结
第4章 文本分类
4.1 准备用于分类的文本
4.2 情感分析
4.3 朴素贝叶斯
4.4 垃圾邮件过滤
4.5 推荐系统
4.5.1 余弦相似性
4.5.2 构建一个电影推荐系统
4.6 小结
第5章 支持向量机
5.1 支持向量机的工作原理
5.1.1 核
5.1.2 核技巧
5.2 超参数调整
5.3 数据归一化
5.4 管道化
5.5 使用SVM进行面部识别
5.6 小结
第6章 主成分分析
6.1 理解主成分分析
6.2 噪声过滤
6.3 数据匿名化
6.4 可视化高维数据
6.5 异常检测
6.5.1 使用PCA检测信用卡欺诈
6.5.2 使用PCA来预测轴承故障
6.5.3 多变量异常检测
6.6 小结
第7章 机器学习模型的操作化
7.1 从Python客户端使用Python模型
7.2 .pkl文件的版本管理
7.3 从C#客户端使用Python模型
7.4 容器化机器学习模型
7.5 使用ONNX来桥接不同的语言
7.6 用ML.NET在C#中构建ML模型
7.6.1 用ML.NET进行情感分析
7.6.2 保存和加载ML.NET模型
7.7 为Excel添加机器学习功能
7.8 小结
第Ⅱ部分 用Keras和TensorFlow进行深度学习
第8章 深度学习
8.1 了解神经网络
8.2 训练神经网络
8.3 小结
第9章 神经网络
9.1 用Keras和TensorFlow构建神经网络
9.1.1 设定神经网络的大小
9.1.2 使用神经网络来预测车费
9.2 用神经网络进行二分类
9.2.1 进行预测
9.2.2 训练神经网络来检测信用卡欺诈
9.3 用神经网络进行多分类
9.4 训练神经网络进行面部识别
9.5 Dropout
9.6 保存和加载模型
9.7 Keras回调
9.8 小结
第10章 用卷积神经网络进行图像分类
10.1 理解CNN
10.1.1 使用Keras和TensorFlow来构建CNN
10.1.2 训练CNN来识别北极野生动物
10.2 预训练CNN
10.3 使用ResNet50V2对图像分类
10.4 转移学习
10.5 通过转移学习来识别北极野生动物
10.6 数据增强
10.6.1 用ImageDataGenerator进行图像增强
10.6.2 使用增强层进行图像增强
10.6.3 将图像增强应用于北极野生动物
10.7 全局池化
10.8 用CNN进行音频分类
10.9 小结
第11章 面部检测和识别
11.1 人脸检测
11.1.1 用Viola-Jones算法进行人脸检测
11.1.2 使用Viola-Jones的OpenCV实现
11.1.3 用卷积神经网络检测人脸
11.1.4 从照片中提取人脸
11.2 面部识别
11.2.1 将迁移学习应用于人脸识别
11.2.2 用任务特定的权重强化转移学习
11.2.3 ArcFace
11.3 综合运用：检测和识别照片中的人脸
11.4 处理未知人脸：闭集和开集分类
11.5 小结
第12章 目标检测
12.1 R-CNN
12.2 Mask R-CNN
12.3 YOLO
12.4 YOLOv3和Keras
12.5 自定义目标检测
12.5.1 用自定义视觉服务训练自定义目标检测模型
12.5.2 使用导出的模型
12.6 小结
第13章 自然语言处理
13.1 文本准备
13.2 词嵌入
13.3 文本分类
13.3.1 自动化文本矢量处理
13.3.2 在情感分析模型中使用Text Vectorization
13.3.3 将词序纳入预测的因素
13.3.4 循环神经网络（RNN）
13.3.5 使用预训练模型进行文本分类
13.4 神经机器翻译
13.4.1 LSTM编码器-解码器
13.4.2 Transformer编码器-解码器
13.4.3 构建基于Transformer的NMT模型
13.4.4 使用预训练模型来翻译文本
13.5 基于变换器的双向编码器（BERT）
13.5.1 构建基于BERT的答题系统
13.5.2 调优BERT以进行情感分