技术讲座：Sebastian Raschka对TensorFlow 2.0的看法以及他广受赞誉的Python机器学习

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

技术讲座：Sebastian Raschka对TensorFlow 2.0的看法以及他广受赞誉的Python机器学习书的新版本
通过接触新闻和社交媒体，您可能已经熟悉机器学习已成为我们时代最激动人心的技术之一这一事实。尽管机器学习似乎已经成为我们这个时代的流行语，但它肯定不仅仅是炒作。这个令人兴奋的领域开辟了通往新可能性的道路，并已成为我们日常生活中必不可少的。
接触实际的代码示例并
研究机器学习的示例应用程序是进入该领域的好方法。如果您想成为机器学习从业者或更好的问题解决者，或者您甚至正在考虑从事机器学习研究，那么Python Machine Learning，Third Edition非常适合您！本书是使用Python进行机器学习和深度学习的综合指南。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。
让我们听听塞巴斯蒂安·拉施卡（Sebastian Raschka）对TensorFlow 2.0的好处的看法，以及他最畅销的Python机器学习书的新版本的主要内容。
在TensorFlow 2.0版本中，您认为它在计算领域的最大好处是什么？关于TensorFlow的第一个版本的最大抱怨之一是它以静态计算图为中心。从软件工程和优化的角度来看，静态计算图很棒，但是许多用户在实施和试验神经网络时，将TensorFlow与乏味的体验联系在一起。现在，TensorFlow 2.0默认情况下使用动态图来解决用户反馈，并使深度学习框架更加用户友好。TensorFlow强调可用性，现在还以内置的Keras API为中心 -它使TensorFlow的使用比以往更加轻松。
TensorFlow开发人员似乎正在将Keras推广为tf.keras，这是TensorFlow 2.0的推荐高级API。但是Keras有自己的单独程序包。Keras软件包与tf.keras有何不同？
最初，Keras项目从Theano（最早的深度学习框架之一）周围的API开始，于2017年被淘汰。由于在深度学习社区中的普及，Keras开始为其API支持不同的后端，包括TensorFlow。大约在同一时间，TensorFlow团队和各种开源社区尝试了不同的高级API作为TensorFlow的便捷抽象层。事实证明，Keras成为用户的最爱，TensorFlow团队开始将其合并到TensorFlow的核心库中，以避免重新发明轮子。
今天，独立的Keras库是一个支持多种后端的API，包括Theano，TensorFlow和CNTK。但是，TensorFlow内部的tf.keras模块已部分重写并针对TensorFlow 2.0进行了优化。由于tf.keras不必为Theano和CNTK等其他后端提供支持，因此我认为tf.keras对于想要使用TensorFlow 2.0的用户而言是更好，更优化，更本地化的解决方案。
据说强化学习是真正人工智能的希望，您对此说法有多同意？
我认为我们离真正的AI（非常强大的人工智能和人工智能）还相距甚远。截止到今天，尚无明确的途径可以实现人工智能，甚至无法预测何时到达那里。
我认为，我们在复杂任务中最接近人类水平性能的是AlphaGo和AlphaStar，它们都是基于强化学习的。但是，像AlphaGo这样可以在复杂的棋盘游戏中击败玩家的模型不能与人类水平的思维相提并论，即使不从头开始重新训练模型，它也不能推广到其他或多或少相关的任务。
显然，强化学习使我们能够解决非常复杂的任务，从这个意义上讲，它比用于预测分析的算法先进得多。同时，强化学习模型的培训成本很高，并且特定于特定任务。当我们最终到达那里时，强化学习是否将在实现人工智能方面发挥作用还有待观察。
在您的《 Python机器学习》一书中，第3版有哪些新功能？
许多读者和学生告诉我们，作为对机器学习和Python科学计算堆栈的全面介绍，他们非常喜欢前12章。为了使这些章节保持相关性，我们返回并更新了这些章节，以支持NumPy，SciPy和scikit-learn的最新版本。另外，我们根据读者的反馈意见完善了几节内容，以提高可读性和解释性。
深度学习领域最激动人心的事件之一是TensorFlow 2.0的发布。因此，所有与TensorFlow相关的深度学习章节（第13-16章）都进行了大修。由于TensorFlow 2.0引入了许多新功能和根本变化，因此我们从头重写了这些章节。此外，我们增加了关于生成对抗网络的全新章节，这是深度学习研究中最热门的主题之一。
在先前版本的Python机器学习中，我们介绍了机器学习的三个子类别：无监督机器学习，有监督机器学习和强化学习。前两个版本的读者会知道，增强学习的更详细介绍超出了这些版本的范围。但是，基于我们收到读者的许多要求，我们非常高兴地宣布，我们已经编写了关于强化学习的综合介绍，这将作为本书的最长篇章。
您为什么决定在此版本中涵盖强化学习和GAN？
在我们开始编写第二版之前两年，GAN的第一篇论文才问世。当时，我们不确定GAN是否会保留为必不可少且相关的主题。但是，毫无疑问，GAN已经发展成为最热门和使用最广泛的深度学习技术之一。人们使用它来创建艺术品，为照片着色和改善照片质量。甚至视频游戏建模社区也开始使用GAN来以更高的分辨率重现旧视频游戏的纹理。如今，各种科学研究领域都使用GAN。例如，宇宙学家使用GAN来产生引力透镜效应，以研究宇宙中暗物质的效应。我认为不用说，GAN的介绍早就该了。
增强学习是另一个重要的话题，或者说是我们在先前版本中跳过的机器学习的整个子类别。强化学习最近得到了极大的关注。由于DeepMind的AlphaGo和AlphaGo Zero等令人印象深刻的项目在战略棋盘游戏Go中击败了世界上最好的玩家，强化学习获得了广泛的新闻报道。就在最近，强化学习已被用于与实时战略视频游戏《星际争霸II》中的世界顶级电子竞技选手竞争。到目前为止，有很多人已经听说过强化学习的这些成就，我们希望我们的新章节能够为这一激动人心的领域提供易于理解和实用的介绍。
您的书中有哪些主要要点？
机器学习在几乎每个问题领域中都可能有用。本书涵盖了机器学习的许多不同子领域。我希望人们可以从中汲取灵感，应用这些基本技术来推动他们的研究或工业应用。而且，使用开发完善且维护良好的开源软件，可使许多经验丰富的程序员以及刚接触编程的人都能轻松地进行机器学习。
Python机器学习第三版  与经典的学术机器学习教科书也有所不同，因为它强调实用的代码示例。但是，我认为这种方法对于机器学习和深度学习入门的学生和年轻研究人员都非常有价值。我们从以前的版本的读者那里听说，这本书在解释广泛的概念和大量的实际例子之间取得了很好的平衡，并为数学基础提供了简要介绍。
关于作者
塞巴斯蒂安·拉施卡  （Sebastian Raschka）是威斯康星大学麦迪逊分校的统计助理教授，致力于机器学习和深度学习研究。他最近的一些研究方法已应用于解决生物识别领域的问题，以赋予面部图像以保密性。其他研究重点领域包括开发与机器学习中的模型评估有关的方法，针对有序目标的深度学习以及将机器学习应用于计算生物学。
Vahid Mirjalili  获得了博士学位。机械工程领域的工程师正在研究用于分子结构的大规模计算模拟的新方法。目前，他正在密歇根州立大学计算机科学与工程系的各种计算机视觉项目中致力于机器学习的应用研究。他最近以研究科学家的身份加入3M公司，在那里他运用自己的专业知识，运用最先进的机器学习和深度学习技术来解决各种应用中的现实问题，从而改善生活。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Sebastian Tensor python Rasch 机器学习