随着一系列的突破，深度学习点燃了整个机器学习领域。现在，即使是对这项技术毫无基础的程序员，也可以使用简单高效的工具来实现“可以自动从数据中学习”的程序。《机器学习实战(基于Scikit-Learn和TensorFlow)》将展示如何做到这一点。
通过具体的例子、非常少的理论和两个产品级的Python框架——Scikit-learn和TensorFlow。作者奥雷利安·杰龙帮助你很直观地理解并掌握构建智能系统的概念和工具。你将学习一系列技术，从简单的线性回归开始到深度神经网络等。每章都有习题来帮助你应用学到的知识，你所需要的只是一点编程经验，仅此而已。
■探索机器学习的全景图，特别是神经网络。
■使用Scikit-Learn来端到端地建立一个机器学习项目的示例。
■探索多种训练模型，包括支持向量机、决策树、随机森林和集成方法。
■使用TensorFlow库建立和训练神经网络。
■深入神经网络架构，包括卷积网络、递归网络和深度强化学习。
■学习训练和伸缩深度神经网络的技巧。
■应用可以工作的代码示例，而无须过多的机器学习理论或算法细节。

Aurelien Geron是机器学习方面的顾问。他是Google的前员工，在2013年到2016年领导过YouTube视频分类团队。2002年至2012年，他还是Wifirst公司的创始人和首席技术官，在2001年，他是Ployconseil公司的创始人和首席技术官。

前言
第一部分 机器学习基础
第1章 机器学习概览
什么是机器学习
为什么要使用机器学习
机器学习系统的种类
监督式/无监督式学习
批量学习和在线学习
基于实例与基于模型的学习
机器学习的主要挑战
训练数据的数量不足
训练数据不具代表性
质量差的数据
无关特征
训练数据过度拟合
训练数据拟合不足
退后一步
测试与验证
练习
第2章 端到端的机器学习项目
使用真实数据
观察大局
框架问题
选择性能指标
检查假设
获取数据
创建工作区
下载数据
快速查看数据结构
创建测试集
从数据探索和可视化中获得洞见
将地理数据可视化
寻找相关性
试验不同属性的组合
机器学习算法的数据准备
数据清理
处理文本和分类属性
自定义转换器
特征缩放
转换流水线
选择和训练模型
培训和评估训练集
使用交叉验证来更好地进行评估
微调模型
网格搜索
随机搜索
集成方法
分析最佳模型及其错误
通过测试集评估系统
启动、监控和维护系统
试试看
练习
第3章 分类
MNIST
训练一个二元分类器
性能考核
使用交叉验证测量精度
混淆矩阵
精度和召回率
精度/召回率权衡
ROC曲线
多类别分类器
错误分析
多标签分类
多输出分类
练习
第4章 训练模型
线性回归
标准方程
计算复杂度
梯度下降
批量梯度下降
随机梯度下降
小批量梯度下降
多项式回归
学习曲线
正则线性模型
岭回归
套索回归
弹性网络
早期停止法
逻辑回归
概率估算
训练和成本函数
决策边界
Softmax回归
练习
第5章 支持向量机
线性SVM分类
软间隔分类
非线性SVM分类
多项式核
添加相似特征
高斯RBF核函数
计算复杂度
SVM回归
工作原理
决策函数和预测
训练目标
二次规划
对偶问题
核化SVM
在线SVM
练习
第6章 决策树
决策树训练和可视化
做出预测
估算类别概率
CART训练算法
计算复杂度
基尼不纯度还是信息熵
正则化超参数
回归
不稳定性
练习
第7章 集成学习和随机森林
投票分类器
bagging和pasting
Scikit-Learn的bagging和pasting
包外评估
Random Patches和随机子空间
随机森林
极端随机树
特征重要性
提升法
AdaBoost
梯度提升
堆叠法
练习
第8章 降维
维度的诅咒
数据降维的主要方法
投影
流形学习
PCA
保留差异性
主成分
低维度投影
使用Scikit-Learn
方差解释率
选择正确数量的维度
PCA压缩
增量PCA
随机PCA
核主成分分析
选择核函数和调整超参数
局部线性嵌入
其他降维技巧
练习
第二部分 神经网络和深度学习
第9章 运行TensorFlow
安装
创建一个计算图并在会话中执行
管理图
节点值的生命周期
TensorFlow中的线性回归
实现梯度下降
手工计算梯度
使用自动微分
使用优化器
给训练算法提供数据
保存和恢复模型
用TensorBoard来可视化图和训练曲线
命名作用域
模块化
共享变量
练习
第10章 人工神经网络简介
从生物神经元到人工神经元
生物神经元
具有神经元的逻辑计算
感知器
多层感知器和反向传播
用TensorFlow的高级API来训练MLP
使用纯TensorFlow训练DNN
构建阶段
执行阶段
使用神经网络
微调神经网络的超参数
隐藏层的个数
每个隐藏层中的神经元数
激活函数
练习
第11章 训练深度神经网络
梯度消失/爆炸问题
Xavier初始化和He初始化
非饱和激活函数
批量归一化
梯度剪裁
重用预训练图层
重用TensorFlow模型
重用其他框架的模型
冻结低层
缓存冻结层
调整、丢弃或替换高层
模型动物园
无监督的预训练
辅助任务中的预训练
快速优化器
Momentum优化
Nesterov梯度加速
AdaGrad
RMSProp
Adam优化
学习速率调度
通过正则化避免过度拟合
提前停止
1和2正则化
dropout
最大范数正则化
数据扩充
实用指南
练习
第12章 跨设备和服务器的分布式TensorFlow
一台机器上的多个运算资源
安装
管理GPU RAM
在设备上操作