我们要知道什么是机器学习，它试图解决什么问题，以及其系统的主要类别和基本概念，典型机器学习项目中的步骤，通过将数据与模型进行拟合来学习，优化成本函数，处理、清洁和准备数据，选择和工程化特征，选择模型并使用交叉验证调整超参数，机器学习的挑战，特别是欠拟合和过拟合（偏差/方差的 权衡），最常见的学习算法：线性和多项式回归、逻辑回归、k-近邻算法、支持向量机、决策树、随机森林和集成方法，降低训练数据的维度，其他无监督学习技术，包括聚类、密度估计和异常检测。
    1.png
    《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》中文PDF+英文PDF+源代码
    《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》中文PDF，1052页，有详细书签目录，文字可以复制；《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》英文PDF，1096页，有详细书签目录，文字可以复制；配套源代码；奥雷利安著，宋能辉译
    下载: https://pan.baidu.com/s/11qSa3bIrehR3h3gZRT2J3Q
    提取码: 794q
    111.png
    学习机器学习，应该具有编程经验，熟悉主要科学库，尤其是NumPy、pandas和Matplotlib，比较深入的内容，应该掌握微积分、线性代数、概率和统计。
    《机器学习实战基于Scikit-Learn、Keras和TensorFlow第2版》内容广博，覆盖了机器学习的各个领域，不仅介绍了传统的机器学习模型，包括支持向量机、决 策树、随机森林和集成方法，还提供了使用Scikit-Learn进行机器学习的端到端训练示例。尤其对深度神经网络进行了深入的探讨，包括各种神经网络架构（ 如卷积神经网络、递归神经网络等）、强化学习，以及如何使用TensorElow/Keras库来构建和训练神经网络。第一部分介绍机器学习的基础知识；第二部分介绍神经网络与深度学习。附录部分的内容也非常丰富。兼顾理论与实战，最大的特色就是有深度，覆盖面广，但是并没有太多复杂的数学公式推导，很容 易看懂。从实战来说，使用了当前热门的机器学习框架Scikit-Learn及深度学习框架TensorElow和Keras，每一章都配备相应的项目示例，代码的实操性和可读性 非常好。附录B给出机器学习项目清单，如果工业界想做一套机器学习的解决方案，完全可以按照这个清单去做。
    333.png
    深度神经网络是（非常）简化的大脑皮层的模型，由一堆人工神经元层组成，在强大的计算能力和大量数据的帮助下，深度学习是可能的，而且还具有令人 难以置信的成就，这是其他机器学习（ML）技术无法企及的，这种热情很快扩展到了机器学习的许多其他领域。Scikit-Learn非常易于使用，它有效地实现了 许多机器学习算法，因此成为学习机器学习的重要切入点。TensorElow是用于分布式数值计算的更复杂的库。通过将计算分布在数百个GPU（图形处理单元） 服务器上，它可以有效地训练和运行大型神经网络。Keras是高层深度学习API，使训练和运行神经网络变得非常简单。它可以在TensorElow、Theano或微软 Cognitive Toolkit（以前称为CNTK）之上运行。TensorFlow附带了该API自己的实现，称为tf.keras，支持某些高级TensorFlow功能（例如有效加载数据的能力）。
    444.png
    什么是神经网络以及它们的作用，使用TensorElow和Keras构建和训练神经网络，最重要的神经网络 架构，包括用于表格数据的前馈神经网络、用于计算机视觉的卷积网络、用于序列处理的递归网络和长短期记忆（LSTM）网络、用于自然语言处理的编码器 /解码器和Transformer、自动编码器和用于生成学习的生成式对抗网络（GAN），训练深度神经网络的技术，如何使用强化学习构建可以通过反复试错学习好的策略的代理程序（例如游戏中的机器人），有效地加载和预处理大量数据，大规模训练和部署TensorElow模型。