《机器学习实战，基于Scikit-Learn、Keras和TensorFlow》

摘要: 《机器学习实战，基于Scikit-Learn、Keras和TensorFlow》

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

• 本书信息：《Hands-on Machine Learning with Scikit-Learn Keras and Tensorflow》
• 微信读书：机器学习实战（原书第2版） : 基于Scikit-Learn、Keras和TensorFlow
• 时间: 2019
• 作者: Aurélien Géron
• 代码: https://github.com/ageron/handson-ml2

---

第一部分 机器学习的基础知识

第 1 章 机器学习概览

• 1.1 什么是机器学习
• 1.2 为什么使用机器学习
• 1.3 机器学习的应用示例
• 1.4 机器学习系统的类型
• 1.5 机器学习的主要挑战
• 1.6 测试与验证
• 1.7 练习题

第 2 章 端到端的机器学习项目

• 2.1 使用真实数据
• 2.2 观察大局
• 2.3 获取数据
• 2.4 从数据探索和可视化中获得洞见
• 2.5 机器学习算法的数据准备
• 2.6 选择和训练模型
• 2.7 微调模型
• 2.8 启动、监控和维护你的系统 .
• 2.9 试试看
• 2.10 练习题

第 3 章 分类

• 3.1 MNIST
• 3.2 训练二元分类器
• 3.3 性能测量
• 3.4 多类分类器
• 3.5 误差分析
• 3.6 多标签分类
• 3.7 多输出分类
• 3.8 练习题

第 4 章 训练模型

• 4.1 线性回归
• 4.2 梯度下降
• 4.3 多项式回归
• 4.4 学习曲线
• 4.5 正则化线性模型
• 4.6 逻辑回归
• 4.7 练习题

第 5 章 支持向量机

• 5.1 线性 SVM 分类
• 5.2 非线性 SVM 分类
• 5.3 SVM 回归
• 5.4 工作原理
• 5.5 练习题

第 6 章 决策树

• 6.1 训练和可视化决策树
• 6.2 做出预测
• 6.3 估计类概率
• 6.4 CART 训练算法
• 6.5 计算复杂度
• 6.6 基尼不纯度或熵
• 6.7 正则化超参数
• 6.8 回归
• 6.9 不稳定性
• 6.10 练习题

第 7 章 集成学习和随机森林

• 7.1 投票分类器
• 7.2 bagging 和 pasting
• 7.3 随机补丁和随机子空间
• 7.4 随机森林
• 7.5 提升法
• 7.6 堆叠法
• 7.7 练习题

第 8 章 降维

• 8.1 维度的诅咒
• 8.2 降维的主要方法
• 8.3 PCA
• 8.4 内核 PCA .
• 8.5 LLE
• 8.6 其他降维技术
• 8.7 练习题

第 9 章 无监督学习技术

• 9.1 聚类
• 9.2 高斯混合模型
• 9.3 练习题

---

第二部分 神经网络与深度学习

第 10 章 Keras 人工神经网络简介

• 10.1 从生物神经元到人工神经元
• 10.2 使用 Keras 实现 MLP
• 10.3 微调神经网络超参数
• 10.4 练习题

第 11 章 训练深度神经网络

• 11.1 梯度消失与梯度爆炸问题
• 11.2 重用预训练层
• 11.3 更快的优化器
• 11.4 通过正则化避免过拟合
• 11.5 总结和实用指南
• 11.6 练习题

第 12 章 使用 TensorFlow 自定义模型和训练

• 12.1 TensorFlow 快速浏览
• 12.2 像 NumPy 一样使用 TensorFlow
• 12.3 定制模型和训练算法
• 12.4 TensorFlow 函数和图
• 12.5 练习题

第 13 章 使用 TensorFlow 加载和预处理数据

• 13.1 数据 API
• 13.2 TFRecord 格式
• 13.3 预处理输入特征
• 13.4 TF Transform
• 13.5 TensorFlow 数据集项目
• 13.6 练习题

第 14 章 使用卷积神经网络的深度计算机视觉

• 14.1 视觉皮层的架构
• 14.2 卷积层
• 14.3 池化层
• 14.4 CNN 架构
• 14.5 使用 Keras 实现 ResNet-34 CNN
• 14.6 使用 Keras 的预训练模型
• 14.7 迁移学习的预训练模型
• 14.8 分类和定位
• 14.9 物体检测
• 14.10 语义分割
• 14.11 练习题

第 15 章 使用 RNN 和 CNN 处理序列

• 15.1 循环神经元和层
• 15.2 训练 RNN
• 15.3 预测时间序列
• 15.4 处理长序列
• 15.5 练习题

第 16 章 使用 RNN 和注意力机制进行自然语言处理

• 16.1 使用字符 RNN 生成莎士比亚文本
• 16.2 情感分析
• 16.3 神经机器翻译的编码器 - 解码器网络
• 16.4 注意力机制
• 16.5 最近语言模型的创新
• 16.6 练习题 …

第 17 章 使用自动编码器和 GAN 的表征学习和生成学习

• 17.1 有效的数据表征
• 17.2 使用不完整的线性自动编码器执行 PCA
• 17.3 堆叠式自动编码器
• 17.4 卷积自动编码器
• 17.5 循环自动编码器
• 17.6 去噪自动编码器
• 17.7 稀疏自动编码器
• 17.8 变分自动编码器
• 17.9 生成式对抗网络
• 17.10 练习题

第 18 章 强化学习

• 18.1 学习优化奖励
• 18.2 策略搜索
• 18.3 OpenAI Gym 介绍
• 18.4 神经网络策略
• 18.5 评估动作：信用分配问题
• 18.6 策略梯度
• 18.7 马尔可夫决策过程
• 18.8 时序差分学习
• 18.9 Q 学习
• 18.10 实现深度 Q 学习
• 18.11 深度 Q 学习的变体
• 18.12 TF-Agents 库
• 18.13 一些流行的 RL 算法概述
• 18.14 练习题

第 19 章 大规模训练和部署TensorFlow 模型

• 19.1 为 TensorFlow 模型提供服务
• 19.2 将模型部署到移动端或嵌入式设备
• 19.3 使用 GPU 加速计算
• 19.4 跨多个设备的训练模型
• 19.5 练习题
• 19.6 致谢

---

附录 A 课后练习题解答
附录 B 机器学习项目清单
附录 C SVM 对偶问题
附录 D 自动微分
附录 E 其他流行的人工神经网络架构
附录 F 特殊数据结构
附录 G TensorFlow 图

---