具体描述
本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
作者简介
Aurelien Geron 是机器学习方面的顾问。他曾是Google软件工程师，在2013年到2016年主导了YouTube视频分类工程。2002年和2012年，他还是Wifirst公司（一家法国的无线ISP）的创始人和首席技术官，2001年是Ployconseil公司（现在管理电动汽车共享服务Autolib）的创始人和首席技术官。
目录信息
第一部分 机器学习基础
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
观察大局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
MNIST80
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SVM149
在线SVM151
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pasting168
Scikit-Learn的bagging和pasting169
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
AdaBoost175
梯度提升177
堆叠法181
练习184
第8章 降维185
维度的诅咒186
数据降维的主要方法187
投影187
流形学习189
PCA190
保留差异性190
主成分191
低维度投影192
使用Scikit-Learn192
方差解释率193
选择正确数量的维度193
PCA压缩194
增量PCA195
随机PCA195
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
第9章 运行TensorFlow205
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MLP236
使用纯TensorFlow训练DNN237
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
AdaGrad263
RMSProp265
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
1和2正则化269
dropout270
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TensorFlow279
一台机器上的多个运算资源280
安装280
管理GPU RAM282
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31
· · · · · · (收起)
读后感
明年才出版，结合这两者的树很顺应时代需求啊，希望能出中文版，虽然英文读起来更好，但是为了效率，学习技术还是中文的来得更快些。
tensorflow的官方文档写的比较乱，这本书的出现，恰好拯救了一批想入门tf，又看不进去官方文档的人。行文非常棒，例子丰富，有助于工程实践。这本书上提到了一些理论，简单形象；但是，理论不是此书的重点，也不应是此书的重点。这本书对于机器学习小白十分友好，读完了也就差...
目前读到第5章，对于小白来说虽然略难但是受益匪浅啊，至于书的质量前面褒扬的话绝对不为过，说说我的自虐历程，到第二章实例分析的时候作者说撸起袖子别怕脏手😂，我就乖乖的开始跟着撸代码 python不太好，各种不懂有没有 但是也不管那么多就是强撸，到现在很多以前不懂...
https://github.com/it-ebooks/hands-on-ml-zh ==========================================================================================================================================================
https://github.com/it-ebooks/hands-on-ml-zh ==========================================================================================================================================================
用户评价
这本书的质量真的超乎我的预期，完全可以称得上是一本“百科全书”式的机器学习指南。它涵盖的知识点非常广泛，从经典的机器学习算法，如线性回归、逻辑回归、支持向量机，到更高级的主题，如集成学习（随机森林、梯度提升）和降维技术（PCA），都进行了深入的讲解。最让我印象深刻的是，作者在介绍每个算法时，都会从数学原理出发，然后通过生动的类比和图示来帮助读者理解，即使是对数学不太敏感的读者，也能轻松掌握。此外，书中还花了大量的篇幅讲解了模型评估与选择、特征工程、过拟合与欠拟合的解决方案等重要概念，这些都是在实际项目中经常会遇到的问题，而这本书提供了非常实用的方法和技巧来应对。我感觉自己就像打开了一扇新世界的大门，对机器学习的认知得到了全方位的提升。
这本书简直是我的救星！我之前一直想深入学习机器学习，但市面上的书要么太理论化，要么例子太简单，总是让我抓不住重点。这本《机器学习实战》却恰好填补了这个空白。作者非常接地气，从最基础的概念讲起，一点一点地引导读者进入更复杂的领域。我尤其喜欢它在介绍算法时，不仅会讲原理，还会深入分析每种算法的优缺点、适用场景以及如何进行参数调优。那些实战案例简直太棒了，从数据预处理到模型评估，每一步都清晰明了，让我仿佛置身于一个真实的机器学习项目中。而且，书中提供的代码示例非常规范，我可以直接拿来运行，稍加修改就能应用到自己的项目中。读这本书的过程，就像跟着一位经验丰富的导师在手把手教学，让我对机器学习的理解从模糊变得清晰，信心也大大增强。以前觉得机器学习是个高不可攀的领域，现在感觉自己也触手可及了。
作为一个对深度学习充满好奇的开发者，我一直在寻找一本能够真正带领我入门的书籍。《机器学习实战》给我带来了意想不到的惊喜。虽然书名中提到了Scikit-Learn，但它在TensorFlow部分的讲解更是让我眼前一亮。作者并没有止步于介绍API的使用，而是深入浅出地讲解了神经网络的构建原理、反向传播算法的数学基础，以及如何利用TensorFlow构建和训练各种复杂的神经网络模型，比如卷积神经网络（CNN）和循环神经网络（RNN）。书中的案例设计得非常巧妙，涵盖了图像识别、文本分类等多个热门领域，让我能够亲手实践，感受深度学习的强大之处。更重要的是，作者在讲解过程中，非常注重培养读者的独立思考能力，鼓励大家去探索不同的模型结构和训练策略，而不是仅仅照搬代码。读完这本书，我感觉自己已经具备了独立开发和调试深度学习模型的基本能力，也更加期待在未来能用深度学习解决更多实际问题。
我是一位有着一定编程基础，但对机器学习涉足不深的读者。这本书简直是为我量身定做的！《机器学习实战》在介绍机器学习概念时，语言非常通俗易懂，避免了过多的专业术语，即使是对初学者也非常友好。书中从最基本的分类、回归问题入手，循序渐进地引入了各种算法。我尤其喜欢作者在讲解过程中，会穿插一些实际的例子，比如如何用机器学习来预测房价、识别垃圾邮件等，这些例子让我能够直观地理解算法的应用场景，也激发了我学习的兴趣。而且，书中对Scikit-Learn库的使用讲解非常详细，从数据加载、预处理到模型训练、预测，每一步都给出了清晰的代码示例。读这本书的过程，就像是参加了一场生动有趣的机器学习入门课程，让我对这个领域产生了浓厚的兴趣，也让我更有信心去探索更深层次的内容。
作为一个曾经在机器学习领域摸爬滚打过一段时间的人，我总觉得缺少一本能够将理论与实践完美结合的书籍。《机器学习实战》做到了这一点，而且做得相当出色。它不仅仅是罗列算法，而是真正地带你“实战”。书中提供的每一个项目，都像是一个真实的业务场景，让你从零开始，经历数据获取、清洗、特征工程、模型选择、训练、评估、部署的全过程。作者在讲解代码时，思路非常清晰，每一个函数、每一个参数的含义都解释得一清二楚。我喜欢它在遇到问题时，给出的解决思路和调试技巧，这比单纯给出正确答案更有价值。通过这本书，我不仅学会了如何使用Scikit-Learn和TensorFlow这两个强大的工具，更重要的是，我学会了如何像一个真正的机器学习工程师那样去思考问题，去解决问题。
刚学AI 就买了这本书，血赚
名为实战，但不是项目的实战，而是用基于python讲解理论知识的实战。上半卷sklearn相见恨晚，下半卷tensorflow似读天书。阅读门槛其实比较高，要能理解，必须对从sklearn到tensorflow的调包，以及从机器学习到深度学习的理论都有基本的了解。
机器学习实践第一书
太乱了（包括原版）。
原版非常好好，后面翻译的什么玩意！
