机器学习实战 基于Scikit-Learn和TensorFlowPDF电子书下载

前言 1

第一部分 机器学习基础 11

第1章 机器学习概览 11

什么是机器学习 12

为什么要使用机器学习 12

机器学习系统的种类 15

监督式/无监督式学习 16

批量学习和在线学习 21

基于实例与基于模型的学习 24

机器学习的主要挑战 29

训练数据的数量不足 29

训练数据不具代表性 30

质量差的数据 32

无关特征 32

训练数据过度拟合 33

训练数据拟合不足 34

退后一步 35

测试与验证 35

练习 37

第2章 端到端的机器学习项目 39

使用真实数据 39

？？？ 40

框架问题 41

选择性能指标 42

检查假设 45

获取数据 45

创建工作区 45

下载数据 48

快速查看数据结构 49

创建测试集 52

从数据探索和可视化中获得洞见 56

将地理数据可视化 57

寻找相关性 59

试验不同属性的组合 61

机器学习算法的数据准备 62

数据清理 63

处理文本和分类属性 65

自定义转换器 67

特征缩放 68

转换流水线 68

选择和训练模型 70

培训和评估训练集 70

使用交叉验证来更好地进行评估 72

微调模型 74

网格搜索 74

随机搜索 76

集成方法 76

分析最佳模型及其错误 76

通过测试集评估系统 77

启动、监控和维护系统 78

试试看 79

练习 79

第3章 分类 80

MNIST 80

训练一个二元分类器 82

性能考核 83

使用交叉验证测量精度 83

混淆矩阵 84

精度和召回率 86

精度/召回率权衡 87

ROC曲线 90

多类别分类器 93

错误分析 95

多标签分类 98

多输出分类 99

练习 100

第4章 训练模型 102

线性回归 103

标准方程 104

计算复杂度 106

梯度下降 107

批量梯度下降 110

随机梯度下降 112

小批量梯度下降 114

多项式回归 115

学习曲线 117

正则线性模型 121

岭回归 121

套索回归 123

弹性网络 125

早期停止法 126

逻辑回归 127

概率估算 127

训练和成本函数 128

决策边界 129

Softmax回归 131

练习 134

第5章 支持向量机 136

线性SVM分类 136

软间隔分类 137

非线性SVM分类 139

多项式核 140

添加相似特征 141

高斯RBF核函数 142

计算复杂度 143

SVM回归 144

工作原理 145

决策函数和预测 146

训练目标 146

二次规划 148

对偶问题 149

核化SVM 149

在线SVM 151

练习 152

第6章 决策树 154

决策树训练和可视化 154

做出预测 155

估算类别概率 157

CART训练算法 158

计算复杂度 158

基尼不纯度还是信息熵 159

正则化超参数 159

回归 161

不稳定性 162

练习 163

第7章 集成学习和随机森林 165

投票分类器 165

bagging和pasting 168

Scikit-Learn的bagging和pasting 169

包外评估 170

Random Patches和随机子空间 171

随机森林 172

极端随机树 173

特征重要性 173

提升法 174

AdaBoost 175

梯度提升 177

堆叠法 181

练习 184

第8章 降维 186

维度的诅咒 186

数据降维的主要方法 187

投影 187

流形学习 189

PCA 190

保留差异性 190

主成分 191

低维度投影 192

使用Scikit-Learn 192

方差解释率 193

选择正确数量的维度 193

PCA压缩 194

增量PCA 195

随机PCA 195

核主成分分析 196

选择核函数和调整超参数 197

局部线性嵌入 199

其他降维技巧 200

练习 201

第二部分 神经网络和深度学习 205

第9章 运行TensorFlow 205

安装 207

创建一个计算图并在会话中执行 208

管理图 209

节 点值的生命周期 210

TensorFlow中的线性回归 211

实现梯度下降 211

手工计算梯度 212

使用自动微分 212

使用优化器 214

给训练算法提供数据 214

保存和恢复模型 215

用TensorBoard来可视化图和训练曲线 216

命名作用域 219

模块化 220

共享变量 222

练习 225

第10章 人工神经网络简介 227

从生物神经元到人工神经元 227

生物神经元 228

具有神经元的逻辑计算 229

感知器 230

多层感知器和反向传播 233

用TensorFlow的高级API来训练MLP 236

使用纯TensorFlow训练DNN 237

构建阶段 237

执行阶段 240

使用神经网络 241

微调神经网络的超参数 242

隐藏层的个数 242

每个隐藏层中的神经元数 243

激活函数 243

练习 244

第11章 训练深度神经网络 245

梯度消失/爆炸问题 245

Xavier初始化和He初始化 246

非饱和激活函数 248

批量归一化 250

梯度剪裁 254

重用预训练图层 255

重用TensorFlow模型 255

重用其他框架的模型 256

冻结低层 257

缓存冻结层 257

调整、丢弃或替换高层 258

模型动物园 258

无监督的预训练 259

辅助任务中的预训练 260

快速优化器 261

Momentum优化 261

Nesterov梯度加速 262

AdaGrad 263

RMSProp 265

Adam优化 265

学习速率调度 267

通过正则化避免过度拟合 269

提前停止 269

e1和e2正则化 269

dropout 270

最大范数正则化 273

数据扩充 274

实用指南 275

练习 276

第12章 跨设备和服务器的分布式TensorFlow 279

一台机器上的多个运算资源 280

安装 280

管理GPU RAM 282

在设备上操作 284

并行执行 287

控制依赖 288

多设备跨多服务器 288

开启一个会话 290

master和worker服务 290

分配跨任务操作 291

跨多参数服务器分片变量 291

用资源容器跨会话共享状态 292

使用TensorFlow队列进行异步通信 294

直接从图中加载数据 299

在TensorFlow集群上并行化神经网络 305

一台设备一个神经网络 305

图内与图间复制 306

模型并行化 308

数据并行化 309

练习 314

第13章 卷积神经网络 315

视觉皮层的组织结构 315

卷积层 317

过滤器 318

多个特征图的叠加 319

TensorFlow实现 321

内存需求 323

池化层 323

CNN架构 325

LeNet-5 326

AlexNet 327

GoogLeNet 328

ResNet 331

练习 334

第14章 循环神经网络 337

循环神经元 337

记忆单元 339

输入和输出序列 340

TensorFlow中的基本RNN 341

通过时间静态展开 342

通过时间动态展开 344

处理长度可变输入序列 344

处理长度可变输出序列 345

训练RNN 346

训练序列分类器 346

训练预测时间序列 348

创造性的RNN 352

深层RNN 353

在多个GPU中分配一个深层RNN 354

应用丢弃机制 355

多个时间迭代训练的难点 356

LSTM单元 357

窥视孔连接 359

GRU单元 359

自然语言处理 361

单词嵌入 361

用于机器翻译的编码器-解码器网络 362

练习 364

第15章 自动编码器 366

高效的数据表示 366

使用不完整的线性自动编码器实现PCA 368

栈式自动编码器 369

TensorFlow实现 370

权重绑定 371

一次训练一个自动编码器 372

重建可视化 374

特征可视化 375

使用堆叠的自动编码器进行无监控的预训练 376

去噪自动编码器 377

TensorFlow实现 378

稀疏自动编码器 379

TensorFlow实现 380

变分自动编码器 381

生成数字 384

其他自动编码器 385

练习 386

第16章 强化学习 388

学习奖励最优化 389

策略搜索 390

OpenAl gym介绍 391

神经网络策略 394

评估行为：信用分配问题 396

策略梯度 397

马尔可夫决策过程 401

时间差分学习与Q学习 405

探索策略 406

逼近Q学习 407

使用深度Q学习玩吃豆人游戏 407

练习 414

致谢 415

附录A练习答案 416

附录B机器学习项目清单 438

附录C SVM对偶问题 444

附录D自动微分 447

附录E其他流行的ANN架构 453