图书描述和最佳实践
Python机器学习,第三版是有关Python机器学习和深度学习的全面指南。它既是分步教程,又是构建机器学习系统时将不断参考的参考。
本书包含清晰的解释,可视化效果和工作示例,深入介绍了所有基本的机器学习技术。虽然有些书只教您遵循说明,但通过这本机器学习书,Raschka和Mirjalili讲授了机器学习的原理,使您可以自己构建模型和应用程序。
此新的第三版针对TensorFlow 2.0进行了更新,向读者介绍了其新的Keras API功能以及scikit-learn的最新功能。它还进行了扩展,以涵盖基于深度学习的尖端强化学习技术以及GAN的介绍。最后,这本书还探讨了自然语言处理(NLP)的子领域,即情感分析,可帮助您学习如何使用机器学习算法对文档进行分类。
本书是您使用Python进行机器学习的伴侣,无论您是机器学习的Python开发新手还是想加深对最新开发的了解。
您将学到的内容
掌握使机器能够从数据中“学习”的框架,模型和技术
将scikit-learn用于机器学习,将TensorFlow用于深度学习
将机器学习应用于图像分类,情感分析,智能Web应用程序,以及更多
建立和训练神经网络,GAN和其他模型
发现评估和调整模型的最佳实践
使用回归分析预测连续目标结果
使用情感分析更深入地研究文本和社交媒体数据
----------------------------------------------------------------------------------------
2、TensorFlow 2.0的新增功能:使用TensorFlow的新增功能和改进功能来增强机器学习和深度学习
掌握TensorFlow 2.0中的关键结构更改
TensorFlow是面向专家和初学者的端到端机器学习平台,其新版本TensorFlow 2.0(TF 2.0)提高了其简单性和易用性。本书将帮助您了解和利用最新的TensorFlow功能。
TensorFlow 2.0的新功能首先关注于高级概念,例如新的TensorFlow Keras API,渴望执行和高效的分发策略,这些策略可帮助您在多个GPU和TPU上运行机器学习模型。然后,本书将指导您完成构建数据提取和培训管道的过程,并提供建议和最佳实践,以将数据馈送到使用新的tf.keras API创建的模型中。在继续探索新发布的AIY(本质上是自己动手的AI)之前,您将探索使用TF Serving和其他多平台部署构建推理管道的过程。本书深入研究了核心API,可帮助您构建统一的卷积层和循环层,并使用TensorBoard通过假设分析来可视化深度学习模型。
到本书结尾,您将了解TF 2.0和TF 1.x之间的兼容性,并能够顺利迁移到TF 2.0。
您将学到:
知识在TF 2.0中实现tf.keras API来构建,训练和部署生产级模型
通过Keras集成构建模型并渴望执行
探索探索在GPU和TPU上运行模型的分发策略在多个平台上
使用TensorBoard执行假设分析各种模型
Discover Vision Kit,Voice Kit和Edge TPU用于模型部署
构建复杂的输入数据管道以吸收大型训练数据集
------------------------------------------------------------------------------
3、使用Scikit-Learn,Keras和TensorFlow进行动手机器学习 第二版
这本畅销书的更新版本使用了具体的示例,最少的理论以及两个可立即投入生产的Python框架(Scikit-Learn和TensorFlow 2),以帮助您直观地了解构建智能系统的概念和工具。从业人员将学习可以在工作中快速使用的各种技术。第1部分使用Scikit-Learn来介绍基本的机器学习任务,例如简单的线性回归。第2部分(已进行了重大更新)使用Keras和TensorFlow 2指导读者使用深度神经网络通过更高级的机器学习方法。每章都有练习来帮助您应用所学知识,因此您所需要的只是编程经验。
第二版的新功能:将所有代码更新为TensorFlow 2引入了高级Keras API新的和扩展的覆盖范围包括TensorFlow的Data API,Eager Execution,Estimators API,在Google Cloud ML上部署,处理时间序列,嵌入等
借助“早期发行”电子书,您可以获得最早形式的书(即作者撰写的原始内容和未经编辑的内容),因此,在正式发行这些书名之前,您就可以利用这些技术。进行重大更改,提供新章节并发布最终电子书包时,您还将收到更新。
年:2019
版本:第二版
----------------------------------------------------------------------------
4、为深度学习编程PyTorch:创建和部署深度学习应用程序
展示了如何在基于云的环境中设置PyTorch,然后逐步引导您创建神经体系结构,以促进对图像,声音,文本等的操作,并深入研究每个元素。他还介绍了将转移学习应用于图像,调试模型和生产中的PyTorch 的关键概念。
了解如何将深度学习模型部署到生产中
探索来自多家领先公司的PyTorch用例
了解如何将转移学习应用于图像
使用在Wikipedia上训??练的模型应用最先进的NLP技术
使用PyTorch的torchaudio库通过基于卷积的模型对音频数据进行分类
使用TensorBoard和火焰图调试PyTorch模型
在Google云端上运行的Docker容器和Kubernetes集群中的生产环境中部署PyTorch应用程序
---------------------------------------------------------------------------------
5、使用PyTorch进行自然语言处理:使用深度学习构建智能语言应用程序
本书旨在将新手带到自然语言处理(NLP)和深度学习领域,以涵盖两个领域的重要主题。这两个主题领域都呈指数增长。由于本书在介绍深度学习和NLP时都侧重于实现,因此它占据了重要的中间地带。在写这本书时,我们不得不在遗漏什么材料上做出困难的选择,有时甚至感到不舒服。对于初学者来说,我们希望这本书将为基础知识打下坚实的基础,并为您提供可能的一瞥。机器学习,尤其是深度学习,是一门与知识科学相反的经验学科。每章中大量的端到端代码示例邀请您参与该体验。
关于本书风格的注释。
我们在大多数地方有意避免使用数学,不是因为深度学习数学特别困难(并非如此),而是因为在许多情况下,它偏离了本书的主要目标,即赋予初学者以力量。
-------------------------------------------------------------
6、PyTorch食谱:一种解决问题的方法
使用问题解决方法来掌握Pytorch的深度学习概念。从介绍PyTorch开始,您将熟悉张量,张量是一种用于计算算术运算的数据结构,还可以了解它们的运行方式。然后,您将使用PyTorch了解概率分布,并熟悉其概念。此外,您将深入了解PyTorch的变换和图形计算。一路上,您将了解神经网络实现和张量微分面临的常见问题,并为它们找到最佳解决方案。
继续算法;您将了解PyTorch如何在有监督和无监督算法下工作。您将看到使用PyTorch进行卷积神经网络,深度神经网络和递归神经网络的工作方式。总之,您将熟悉使用PyTorch进行的自然语言处理和文本处理。
您将学到什么
使用PyTorch进行基于张量图的动态张量运算
创建PyTorch变换和神经网络图计算
使用PyTorch进行有监督和无监督学习
与CNN和RNN等深度学习算法配合使用
建立LSTM模型在PyTorch
使用PyTorch进行文本处理
-----------------------------------------------------------------------------
7、Keras的动手生成对抗网络:实施下一代生成对抗网络的指南
生成对抗网络(GANs)彻底改变了机器学习和深度学习领域。本书将是您了解GAN架构并应对培训中的挑战的第一步。
本书首先介绍了深度学习和生成模型及其在人工智能(AI)中的应用。然后,您将通过易于遵循的示例学习如何构建,评估和改进您的第一个GAN。接下来的几章将指导您训练GAN模型,以产生和改善高分辨率图像。您还将学习如何实现条件GAN,这使您能够控制GAN输出的特性。您将通过探索一种新的训练方法来逐步增加GAN的基础,从而进一步增加自己的知识。继续前进,您将深入了解使用GAN进行图像合成,语音增强和自然语言生成方面的最新模型。除此之外,您还可以使用TequilaGAN识别GAN样本。
到本书结束时,您将使用各种示例和数据集对GAN框架的最新发展有所了解,并且您将具备实现多个任务和领域的GAN体系结构所需的技能,包括自然的计算机视觉语言处理(NLP)和音频处理。
NVIDIA高级研究科学家王挺春的序言
您将学到什么
了解GAN的工作方式以及与之合作的优势和挑战
在条件GAN的帮助下,使用嵌入和空间操作来控制GAN的输出
将GAN应用于计算机视觉,NLP和音频处理
了解如何实现GAN的逐步增长
使用GAN进行图像合成和语音增强
探索视觉和声音艺术中GAN的未来
实现pix2pixHD将语义标签图转换为真实感图像
这本书是给谁的
本书适用于希望将理论和动手实践内容完美融合以使用Keras实施GAN的机器学习从业人员,深度学习研究人员和AI爱好者。希望能使用Python。
-------------------------------------------------------------
8、Pro Python 3:专业开发的功能和工具
您将学习的内容
使用各种类型的Python函数实现程序
使用类和面向对象的编程
使用标准库和第三方库中的字符串 使用
Python收集网站数据
通过编写测试来自动化单元测试套件
审查成像,随机数生成和NumPy科学扩展
了解Python的Zen文档,以帮助您确定分发代码的最佳方式
----------------------------------------------------------------------
9、程序员的遗传算法和机器学习:创建AI模型和演化解决方案
机器学习可以实现自动驾驶汽车,自然语言识别和在线推荐引擎。现在,您可以创建自己的遗传算法,自然灵感群,蒙特卡罗模拟,细胞自动机和群集。了解如何测试ML代码并深入研究更高级的主题。如果您是一名渴望了解机器学习的初级到中级程序员,那么本书适合您。
使用少数独立配方发现机器学习算法。构建一系列算法,发现一般适用的术语和方法。将智能融入您的算法,引导他们发现问题的良好解决方案。
在本书中,您将:
使用启发式和设计健身功能。
构建遗传算法。
用蚂蚁,蜜蜂和颗粒制造自然灵感的群。
创建蒙特卡罗模拟。
研究细胞自动机。
使用爬山和模拟退火找到最小值和最大值。
尝试选择方法,包括锦标赛和轮盘赌轮。
了解启发式,适应度函数,指标和集群。
测试您的代码并获得灵感来尝试新 问题。通过场景来编写纸袋编码方式; 任何有能力的程序员的重要技能。通过创建每个问题的可视化,了解算法如何探索和学习。获得灵感来设计自己的机器学习项目并熟悉行话。
你需要什么:
C ++( = C ++ 11),Python(2.x或3.x)和JavaScript(使用HTML5画布)中的代码。还使用matplotlib和一些开源库,包括SFML,Catch和Cosmic-Ray。这些绘图和测试库不是必需的,但它们的使用将为您提供更全面的体验。只需一个文本编辑器和编译器解释器就可以选择您的语言,您仍然可以从一般算法描述中进行编码。
----------------------------------------------------------------------
10、使用Python进行动手GPU计算
利用Python库和框架进行GPU加速
使用Anaconda在系统上设置支持GPU的可编程机器学习环境
带有示例的示例将您的机器学习系统部署在云容器上
探索PyCUDA和PyOpenCL,并将它们与CUDA,OpenCL和ROCm等平台进行比较。
使用GPU上的机器学习模型执行数据挖掘任务
在科学应用中扩展您对GPU计算的知识
------------------------------------------------------------------------------
11、使用Python进行数据分析和可视化:分析数据以为BI系统创建可视化
你将学到什么:
使用Python编程技术进行数据科学
Python中的主数据集合
为BI系统创建引人入胜的可视化
部署有效的策略来收集和清理数据
集成Seaborn和Matplotlib绘图系统
--------------------------------------------------------------------------------