編輯推薦:

場景式學習，全面覆蓋機器學習深度學習強化學習深度強化學習及模型的遷移學習，沒有機器學習專業(yè)基礎也能夠上手設計與開發(fā)機器學習產(chǎn)品，內(nèi)容全面，深入淺出，工具多樣，案例豐富，授人以漁。

★內(nèi)容全面

全面覆蓋了機器學習的三大領域：有監(jiān)督學習、無監(jiān)督學習、強化學習。在分析它們的傳統(tǒng)算法模型后，著重解析近年來取得突破的深度學習在人工智能方面的應用。

★深入淺出

用生活化的語言描述算法與模型的原理與作用，并給出實踐指導和案例解析。使得沒有任何專業(yè)基礎的讀者在學習本書后能夠獨立設計與開發(fā)機器學習產(chǎn)品。

★工具多樣

理論內(nèi)容全面，以至于沒有哪個工具能夠全部實現(xiàn)這些模型，因此在每一個模型的實踐部分選取合適的工具?？傮w來看，本書圍繞scikit-learn與TensorFlow展開實踐，并在需要時引入其他工具。

★案例豐富

除了每個模型的小型實踐，本書包括的較大案例是：金融預測、醫(yī)療診斷概率模型、月球登陸器、圖像識別、寫詩機器人、中國象棋博弈。

★授人以漁

在運用到較深的理論知識或更細節(jié)的論證結(jié)果時，本書給出這些知識與結(jié)論的出處，確保讀者能夠追本溯源；在工具使用方面，不僅著眼于接口細節(jié)，更關注那些能使讀者快速形成查閱該工具在線文檔的核心知識的能力。

內(nèi)容簡介:

★《從機器學習到深度學習：基于scikit-learn與TensorFlow的高效開發(fā)實戰(zhàn)》是一本場景式的機器學習實踐書，筆者努力做到“授人以漁，而非授人以魚”。理論方面從人工智能（AI）與機器學習（ML）的基本要素講起，逐步展開有監(jiān)督學習、無監(jiān)督學習、強化學習這三大類模型的應用場景與算法原理；實踐方面通過金融預測、醫(yī)療診斷概率模型、月球登陸器、圖像識別、寫詩機器人、中國象棋博弈等案例啟發(fā)讀者將機器學習應用在各行各業(yè)里，其中后三個案例使用了深度學習技術。

★《從機器學習到深度學習：基于scikit-learn與TensorFlow的高效開發(fā)實戰(zhàn)》試圖用通俗的語言講解涵蓋算法模型的機器學習，主要內(nèi)容包括機器學習通用概念、三個基本科學計算工具、有監(jiān)督學習、聚類模型、降維模型、隱馬爾可夫模型、貝葉斯網(wǎng)絡、自然語言處理、深度學習、強化學習、模型遷移等。在深入淺出地解析模型與算法之后，介紹使用Python相關工具進行開發(fā)的方法、解析經(jīng)典案例，使讀者做到“能理解、能設計、能編碼、能調(diào)試”，沒有任何專業(yè)基礎的讀者在學習本書后也能夠上手設計與開發(fā)機器學習產(chǎn)品。 

★本書內(nèi)容深入淺出、實例典型，適合對機器學習感興趣的產(chǎn)品設計、技術管理、數(shù)據(jù)分析、軟件開發(fā)或?qū)W生讀者。閱讀《從機器學習到深度學習：基于scikit-learn與TensorFlow的高效開發(fā)實戰(zhàn)》既能了解當前工業(yè)界的主流機器學習與深度學習開發(fā)工具的使用方法，又能從戰(zhàn)略方面掌握如何將人工智能技術應用到自己的企業(yè)與產(chǎn)品中。

作者簡介:

★劉長龍，思維與行動兼?zhèn)涞?0后，享受萌生新想法后邊開發(fā)邊思考的創(chuàng)新過程。上海交大碩士畢業(yè)后最初任職于上海電信，負責賬務與支付系統(tǒng)的開發(fā)與實施；之后加入Honeywell負責多個自動化控制產(chǎn)品服務開發(fā)、主導了霍尼韋爾中國智能家居在云與大數(shù)據(jù)上的創(chuàng)新；現(xiàn)在作為思科的工程師在企業(yè)內(nèi)主持多次機器學習技術分享，實現(xiàn)智能文本分析系統(tǒng)、聊天機器人自然語言處理等產(chǎn)品創(chuàng)新；2018年在思科主辦，騰訊、網(wǎng)易、諾基亞等共同參與的敏捷與人工智能峰會上擔任機器學習算法演講嘉賓。

目錄:

第1章  機器學習基礎  1

1.1  引言  1

1.1.1  為什么使用機器學習  2

1.1.2  機器學習與數(shù)據(jù)挖掘  4

1.1.3  機器學習與人工智能  5

1.2  機器學習的一般流程  7

1.2.1  定義問題  7

1.2.2  收集數(shù)據(jù)  8

1.2.3  比較算法與模型  9

1.2.4  應用模型  10

1.3  學習策略  10

1.3.1  有監(jiān)督學習  11

1.3.2  無監(jiān)督學習  14

1.3.3  強化學習  16

1.3.4  綜合模型與工具  18

1.4  評估理論  19

1.4.1  劃分數(shù)據(jù)集  19

1.4.2  交叉驗證  21

1.4.3  評估指標  22

1.4.4  擬合不足與過度擬合  25

1.5  本章內(nèi)容回顧  26

第2章  Python基礎工具  27

2.1  Numpy  28

2.1.1  Numpy與Scipy的分工  28

2.1.2  ndarray構(gòu)造  29

2.1.3  數(shù)據(jù)類型  32

2.1.4  訪問與修改  33

2.1.5  軸  35

2.1.6  維度操作  38

2.1.7  合并與拆分  40

2.1.8  增與刪  41

2.1.9  全函數(shù)  42

2.1.10  廣播  42

2.2  Matplot  43

2.2.1  點線圖  44

2.2.2  子視圖  50

2.2.3  圖像  53

2.2.4  等值圖  57

2.2.5  三維繪圖  58

2.2.6  從官網(wǎng)學習  59

2.3  Scipy  60

2.3.1  數(shù)學與物理常數(shù)  61

2.3.2  特殊函數(shù)庫  62

2.3.3  積分  64

2.3.4  優(yōu)化  65

2.3.5  插值  67

2.3.6  離散傅里葉  68

2.3.7  卷積  70

2.3.8  線性分析  71

2.3.9  概率統(tǒng)計  73

2.4  本章內(nèi)容回顧  77

第3章  有監(jiān)督學習：分類與回歸  79

3.1  線性回歸  80

3.1.1  何謂線性模型  80

3.1.2  最小二乘法  81

3.1.3  最小二乘法的不足  82

3.1.4  嶺回歸  85

3.1.5  Lasso回歸  87

3.2  梯度下降  90

3.2.1  假設函數(shù)與損失函數(shù)  90

3.2.2  隨機梯度下降  92

3.2.3  實戰(zhàn)：SGDRegressor和SGDClassifier  93

3.2.4  增量學習  94

3.3  支持向量機  95

3.3.1  最優(yōu)超平面  95

3.3.2  軟間隔  97

3.3.3  線性不可分問題  98

3.3.4  核函數(shù)  99

3.3.5  實戰(zhàn)：scikit-learn中的SVM  100

3.4  樸素貝葉斯分類  101

3.4.1  基礎概率  102

3.4.2  貝葉斯分類原理  103

3.4.3  高斯樸素貝葉斯  105

3.4.4  多項式樸素貝葉斯  106

3.4.5  伯努利樸素貝葉斯  107

3.5  高斯過程  107

3.5.1  隨機過程  108

3.5.2  無限維高斯分布  109

3.5.3  實戰(zhàn)：gaussian_process工具包  111

3.6  決策樹  114

3.6.1  最易于理解的模型  114

3.6.2  熵的作用  115

3.6.3  實戰(zhàn)：DecisionTreeClassifier與DecisionTreeRegressor  117

3.6.4  樹的可視化  118

3.7  集成學習  119

3.7.1  偏差與方差  120

3.7.2  隨機森林  121

3.7.3  自適應增強  124

3.8  綜合話題  126

3.8.1  參數(shù)與非參數(shù)學習  127

3.8.2  One-Vs-All與One-Vs-One  127

3.8.3  評估工具  129

3.8.4  超參數(shù)調(diào)試  131

3.8.5  多路輸出  134

3.9  本章內(nèi)容回顧  134

第4章  無監(jiān)督學習：聚類  136

4.1  動機  137

4.2  K-means  138

4.2.1  算法  139

4.2.2  實戰(zhàn)：scikit-learn聚類調(diào)用  141

4.2.3  如何選擇K值  144

4.3  近鄰算法  145

4.3.1  生活化的理解  145

4.3.2  有趣的迭代  146

4.3.3  實戰(zhàn)：AffinityPropagation類  147

4.4  高斯混合模型  149

4.4.1  中心極限定理  150

4.4.2  最大似然估計  151

4.4.3  幾種協(xié)方差矩陣類型  152

4.4.4  實戰(zhàn)：GaussianMixture類  154

4.5  密度聚類  156

4.5.1  凸數(shù)據(jù)集  157

4.5.2  密度算法  158

4.5.3  實戰(zhàn)：DBSCAN類  159

4.6  BIRCH  160

4.6.1  層次模型綜述  161

4.6.2  聚類特征樹  162

4.6.3  實戰(zhàn)：BIRCH相關調(diào)用  164

4.7  距離計算  166

4.7.1  閔氏距離  166

4.7.2  馬氏距離  167

4.7.3  余弦相似度  168

4.7.4  時間序列比較  169

4.7.5  杰卡德相似度  169

4.8  聚類評估  170

4.9  本章內(nèi)容回顧  172

第5章  無監(jiān)督學習：數(shù)據(jù)降維  173

5.1  主成分分析  174

5.1.1  尋找方差最大維度  174

5.1.2  用PCA降維  177

5.1.3  實戰(zhàn)：用PCA尋找主成分  178

5.2  線性判別分析  181

5.2.1  雙重標準  181

5.2.2  實戰(zhàn)：使用LinearDiscriminantAnalysis  183

5.3  多維標度法  185

5.3.1  保留距離信息的線性變換  185

5.3.2  MDS的重要變形  187

5.3.3  實戰(zhàn)：使用MDS類  188

5.4  流形學習之Isomap  189

5.4.1  什么是流形  190

5.4.2  測地線距離  192

5.4.3  實戰(zhàn)：使用Isomap類  193

5.5  流形學習之局部嵌入  195

5.5.1  局部線性嵌入  195

5.5.2  拉普拉斯特征映射（LE）  198

5.5.3  調(diào)用介紹  200

5.5.4  譜聚類  201

5.6  流形學習之t-SNE  203

5.6.1  用Kullback-Leiber衡量分布相似度  203

5.6.2  為什么是t-分布  205

5.6.3  實戰(zhàn)：使用TSNE類  206

5.7  實戰(zhàn)：降維模型之比較  207

5.8  本章內(nèi)容回顧  210

第6章  隱馬爾可夫模型  212

6.1  場景建模  213

6.1.1  兩種狀態(tài)鏈  213

6.1.2  兩種概率  215

6.1.3  三種問題  217

6.1.4  hmmLearn介紹  218

6.2  離散型分布算法與應用  222

6.2.1  前向算法與后向算法  222

6.2.2  MultinomialNB求估計問題  226

6.2.3  Viterbi算法  227

6.2.4  MultinomialNB求解碼問題  229

6.2.5  EM算法  232

6.2.6  Baum-Welch算法  233

6.2.7  用hmmLearn訓練數(shù)據(jù)  235

6.3  連續(xù)型概率分布  236

6.3.1  多元高斯分布  237

6.3.2  GaussianHMM  239

6.3.3  GMMHMM  240

6.4  實戰(zhàn)：股票預測模型  241

6.4.1  數(shù)據(jù)模型  241

6.4.2  目標  243

6.4.3  訓練模型  243

6.4.4  分析模型參數(shù)  245

6.4.5  可視化短線預測  247

6.5  本章內(nèi)容回顧  250

第7章  貝葉斯網(wǎng)絡  251

7.1  什么是貝葉斯網(wǎng)絡  252

7.1.1  典型貝葉斯問題  252

7.1.2  靜態(tài)結(jié)構(gòu)  253

7.1.3  聯(lián)合/邊緣/條件概率換算  256

7.1.4  鏈式法則與變量消元  258

7.2  網(wǎng)絡構(gòu)建  259

7.2.1  網(wǎng)絡參數(shù)估計  260

7.2.2  啟發(fā)式搜索  261

7.2.3  Chow-Liu Tree算法  262

7.3  近似推理  263

7.3.1  蒙特卡洛方法  264

7.3.2  馬爾可夫鏈收斂定理  265

7.3.3  MCMC推理框架  267

7.3.4  Gibbs采樣  268

7.3.5  變分貝葉斯  268

7.4  利用共軛建模  270

7.4.1  共軛分布  270

7.4.2  隱含變量與顯式變量  272

7.5  實戰(zhàn)：胸科疾病診斷  274

7.5.1  診斷需求  274

7.5.2  Python概率工具包  275

7.5.3  建立模型  276

7.5.4  MCMC采樣分析  278

7.5.5  近似推理  281

7.6  本章內(nèi)容回顧  282

第8章  自然語言處理  284

8.1  文本建模  285

8.1.1  聊天機器人原理  285

8.1.2  詞袋模型  286

8.1.3  訪問新聞資源庫  287

8.1.4  TF-IDF  290

8.1.5  實戰(zhàn)：關鍵詞推舉  290

8.2  詞匯處理  294

8.2.1  中文分詞  294

8.2.2  Word2vec  296

8.2.3  實戰(zhàn)：尋找近似詞  298

8.3  主題模型  303

8.3.1  三層模型  303

8.3.2  非負矩陣分解  304

8.3.3  潛在語意分析  305

8.3.4  隱含狄利克雷分配  307

8.3.5  實戰(zhàn)：使用工具包  309

8.4  實戰(zhàn)：用LDA分析新聞庫  311

8.4.1  文本預處理  311

8.4.2  訓練與顯示  313

8.4.3  困惑度調(diào)參  315

8.5  本章內(nèi)容回顧  317

第9章  深度學習  319

9.1  神經(jīng)網(wǎng)絡基礎  320

9.1.1  人工神經(jīng)網(wǎng)絡  320

9.1.2  神經(jīng)元與激活函數(shù)  321

9.1.3  反向傳播  323

9.1.4  萬能網(wǎng)絡  325

9.2  TensorFlow核心應用  328

9.2.1  張量  329

9.2.2  開發(fā)架構(gòu)  331

9.2.3  數(shù)據(jù)管理  332

9.2.4  評估器  335

9.2.5  圖與會話  338

9.2.6  逐代（epoch）訓練  341

9.2.7  圖與統(tǒng)計可視化  343

9.3  卷積神經(jīng)網(wǎng)絡  349

9.3.1  給深度學習一個理由  349

9.3.2  CNN結(jié)構(gòu)發(fā)展  351

9.3.3  卷積層  354

9.3.4  池化層  356

9.3.5  ReLU與Softmax  357

9.3.6  Inception與ResNet  359

9.4  優(yōu)化  362

9.4.1  批次規(guī)范化  362

9.4.2  剪枝  364

9.4.3  算法選擇  366

9.5  循環(huán)神經(jīng)網(wǎng)絡與遞歸神經(jīng)網(wǎng)絡  367

9.5.1  循環(huán)神經(jīng)網(wǎng)絡  368

9.5.2  長短期記憶（LSTM）  371

9.5.3  遞歸神經(jīng)網(wǎng)絡  374

9.6  前沿精選  377

9.7  CNN實戰(zhàn)：圖像識別  385

9.8  RNN實戰(zhàn)：寫詩機器人  397

9.9  本章內(nèi)容回顧  415

第10章  強化學習  418

10.1  場景與原理  419

10.2  OpenAI Gym  427

10.3  深度強化學習  435

10.4  博弈原理  444

10.5  實戰(zhàn)：中國象棋版AlphaGo Zero  449

10.6  本章內(nèi)容回顧  477

第11章  模型遷移  478

11.1  走向移動端  478

11.2  遷移學習  483

11.3  案例實戰(zhàn)：基于TensorFlow Hub的遷移學習開發(fā)  485

11.4  本章內(nèi)容回顧  488

后記  489

篇幅限制，完整目錄請見本書