描述
《动手学机器学习：使用 Scikit-Learn、Keras 和 TensorFlow（第 3 版）》是一本全面的书籍，旨在为程序员提供实施机器学习和深度学习系统的知识和工具。通过一系列近期突破，深度学习极大地推动了该领域的发展，使其对技术知识有限的人来说也易于掌握。本书通过侧重于实际应用和直观理解来弥合这一差距。
阅读更多
本书的核心围绕使用生产级的 Python 框架：Scikit-Learn 用于传统机器学习任务，Keras 和 TensorFlow 用于深度学习。它从线性回归等基本概念开始，逐步过渡到复杂的深度神经网络，引导读者构建智能系统。该方法强调具体示例和最少理论，确保读者能够快速获得实践技能。
更新的第三版探讨了广泛的技术。读者将学习如何使用 Scikit-learn 从头到尾跟踪一个示例 ML 项目，涵盖支持向量机、决策树、随机森林和集成方法等各种模型。还深入探讨了包括降维、聚类和异常检测在内的无监督学习技术。对于深度学习，本书深入研究了卷积网络、循环网络、生成对抗网络、自编码器、扩散模型和 Transformer 等神经网络架构。
此外，本书还提供了关于使用 TensorFlow 和 Keras 构建和训练用于计算机视觉、自然语言处理、生成模型和深度强化学习等各种应用的神经网络的广泛指导。文本中集成了大量的代码示例和练习，以巩固学习并鼓励动手实践。唯一的先决条件是编程经验，这使其成为希望进入人工智能和机器学习领域的开发人员的理想资源。
- 类别其他 AI 工具
图书信息
机器学习和深度学习的实用指南
利用 Scikit-Learn 进行传统 ML 任务
采用 Keras 和 TensorFlow 进行深度学习
涵盖从线性回归到深度神经网络的技术
侧重于具体示例和最少理论
包含大量代码示例和练习
探讨各种 ML 模型（SVM、决策树、随机森林、集成方法）
涵盖无监督学习（降维、聚类、异常检测）
详细介绍神经网络架构（CNN、RNN、GAN、自编码器、扩散模型、Transformer）
在计算机视觉、NLP、生成模型和深度强化学习中的应用
更新的第三版，包含最新实践
适合的读者
- 构建智能系统
- 计算机视觉任务
- 自然语言处理
- 生成模型
- 深度强化学习
- 数据分析和预测
- 异常检测
