随着新代码、新项目和新章节的推出,第二版为读者提供了一个坚实的机器学习基础,并为读者提供了一个完整的学习概念。由NASA喷气推进实验室副首席技术官和首席数据科学家Chris Mattmann编写,所有的例子都伴随着可下载的Jupyter笔记本,以亲身体验用Python编写TensorFlow。新的和修订的内容扩大了核心机器学习算法的覆盖面,以及神经网络的进步,如VGG-Face人脸识别分类器和深度语音分类器。

https://www.manning.com/books/machine-learning-with-tensorflow-second-edition

使用TensorFlow的机器学习,第二版是使用Python和TensorFlow构建机器学习模型的完全指南。您将把核心ML概念应用于现实世界的挑战,如情感分析、文本分类和图像识别。实例演示了用于深度语音处理、面部识别和CIFAR-10自动编码的神经网络技术。

成为VIP会员查看完整内容
0
32

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

自然语言处理实战教你如何创建实用的NLP应用,而不陷入复杂的语言理论和深度学习的数学。在这本引人入胜的书中,您将探索构建大量强大的NLP应用所需的核心工具和技术,包括聊天机器人、语言检测器和文本分类器。

真实世界的自然语言处理不是典型的自然语言处理教科书。我们专注于构建真实世界的NLP应用。这里真实世界的意义有两个方面:首先,我们关注构建真实世界的NLP应用需要什么。作为读者,您不仅将学习如何训练NLP模型,还将学习如何设计、开发、部署和监控它们。在此过程中,您还将学习现代NLP模型的基本构建模块,以及对构建NLP应用有用的NLP领域的最新开发。其次,与大多数介绍性书籍不同,我们采用自上而下的教学方法。我们不采用自下而上的方法,一页页地展示神经网络理论和数学公式,而是专注于快速构建“正常工作”的NLP应用程序。然后我们深入研究组成NLP应用的各个概念和模型。您还将学习如何使用这些基本构建块构建端到端定制NLP应用,以满足您的需求。

这本书由三个部分组成,共11章。第1部分介绍了NLP的基础知识,其中我们学习了如何使用AllenNLP 快速构建一个NLP应用,以完成情感分析和序列标记等基本任务。

第1章首先介绍了NLP的“什么”和“为什么”——什么是NLP,什么不是NLP,如何使用NLP技术,以及NLP如何与人工智能的其他领域相关联。

第2章演示了如何构建第一个NLP应用程序,一个情感分析器,并介绍了现代NLP模型的基础知识——单词嵌入和递归神经网络(RNN)。

第3章介绍了自然语言处理应用的两个重要组成部分,单词和句子的嵌入,并演示了如何使用和训练它们。

第4章讨论了最简单但最重要的NLP任务之一,句子分类,以及如何在这个任务中使用RNN。

第5章介绍了序列标注任务,如词性标注和命名实体提取。它还涉及到一个相关的技术,语言建模。

第2部分介绍高级NLP主题,包括序列到序列模型、Transformer以及如何利用迁移学习和预先训练过的语言模型来构建强大的NLP应用。

第6章介绍了序列到序列的模型,它将一个序列转换为另一个序列。我们在一个小时内构建了一个简单的机器翻译系统和一个聊天机器人。

第7章讨论了另一种流行的神经网络结构,卷积神经网络(CNN)。

第8章深入介绍了Transformer,它是当今最重要NLP模型之一。我们将演示如何使用Transformer构建改进的机器翻译系统和拼写检查器。

第9章在前一章的基础上,讨论了迁移学习,这是现代NLP中的一种流行的技术,使用预先训练过的语言模型,如BERT。

第3部分将讨论与开发NLP应用程序相关的主题,这些应用程序对真实数据具有健壮性,并部署和服务它们。

第10章详细介绍了开发NLP应用程序时的最佳实践,包括批处理和填充、正则化和超参数优化。

第11章总结了如何部署和服务NLP模型。它还涵盖了如何解释和解释ML模型。

成为VIP会员查看完整内容
0
51

掌握使用PyTorch实现深度学习解决方案的实践方面,使用实践方法理解理论和实践。Facebook的人工智能研究小组开发了一个名为PyTorch的平台,该平台拥有良好的理论基础和实用技能,为你在现实世界中应用深度学习做好了准备。

首先,您将了解PyTorch的深度学习是如何以及为什么成为一种具有开创性的框架,它带有一组工具和技术来解决现实世界中的问题。接下来,这本书将为你打下线性代数、向量微积分、概率和最优化的数学基础。在建立了这个基础之后,您将继续讨论PyTorch的关键组件和功能,包括层、损失函数和优化算法。

您还将了解基于图形处理单元(GPU)的计算,这对训练深度学习模型是必不可少的。介绍了深度学习的前馈网络、卷积神经网络、循环神经网络、长短时记忆网络、自动编码器网络和生成对抗网络等关键网络结构。在许多训练和优化深度学习模型的技巧的支持下,这个版本的Python深度学习解释了使用PyTorch将这些模型带到生产中的最佳实践。

你会: 回顾机器学习的基本原理,如过拟合、欠拟合和正则化。 了解深度学习的基本原理,如前馈网络,卷积神经网络,递归神经网络,自动微分和随机梯度下降。 使用PyTorch深入应用线性代数 探索PyTorch的基本原理及其构建块 使用调优和优化模型

成为VIP会员查看完整内容
0
150

图像分类、目标检测与跟踪、姿态估计、人脸识别和情感估计在解决计算机视觉问题中都起着重要的作用。

本书将重点介绍这些和其他深度学习架构和技术,以帮助您创建使用Keras和TensorFlow库的解决方案。您还将回顾多种神经网络架构,包括LeNet、AlexNet、VGG、Inception、R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLO和SqueezeNet,并通过最佳实践、技巧、捷径和陷阱了解它们如何与Python代码一起工作。所有代码片段都将被分解并进行详细讨论,以便您可以在各自的环境中实现相同的原则。

使用深度学习的计算机视觉提供了一个全面而简洁的指南,将DL和CV结合在一起,实现自动化操作,减少人工干预,提高能力,并降低成本。

你会:

  • 掌握深度学习的代码和概念,将指导原则应用到您自己的项目中
  • 对各种体系结构进行分类和评估,以更好地理解您在各种用例中的选择
  • 深入基本深度学习功能,找出它们是如何工作的。

不久前,计算机视觉还只是科幻小说的专属内容,但现在,即使不是在整个社会,也正迅速成为各行各业的普遍现象。人类视觉是人类感官中最珍贵的一种,在模仿人类视觉这一领域取得的进展令人惊叹。直到1957年,拉塞尔·基尔希才扫描出了世界上第一张照片——他儿子的黑白照片。到20世纪80年代末,西罗维奇和柯比的工作帮助人脸识别成为一种可行的生物识别技术。尽管存在隐私问题和法律挑战,但Facebook在2010年将人脸识别技术纳入其社交媒体平台时,使这项技术无处不在。

这本书试图解释计算机视觉问题的深度学习和神经网络的概念。我们正在详细研究卷积神经网络,以及它们的各个组成部分和属性。我们正在探索各种神经网络架构,如LeNet, AlexNet, VGG, R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLO, ResNet, Inception, DeepFace,和FaceNet的细节。我们还在开发实用的解决方案,以解决二值图像分类、多类图像分类、目标检测、人脸识别和视频分析的用例。我们将使用Python和Keras作为解决方案。所有的代码和数据集被检入GitHub repo快速访问。在最后一章中,我们将学习深度学习项目中的所有步骤——从定义业务问题到部署。我们还在处理在制定解决方案时面临的重大错误和问题。在这本书中,我们提供了训练更好的算法的技巧和技巧,减少训练时间,监测结果,并改进解决方案。我们也分享代表性的研究论文和数据集,你应该使用它们来获得进一步的知识。

这本书把这个主题分成三部分。在第1章到第4章,本书描述了神经网络的本质和揭秘他们如何学习。并指出了不同的架构及其历史意义。实践者在拥有所有所需资源的情况下,可以体验到LeNet优雅的简单性、AlexNet提高的效率以及流行的VGG Net。在第5至7章,从业人员运用简单而强大的计算机视觉应用,如训练算法来检测物体和识别人脸。在进行视频分析时,我们遇到了渐变消失和爆炸的困扰问题,以及如何在ResNet架构中使用跳过连接来克服它。最后,在第8章中,我们回顾了完整的模型开发过程,从正确定义的业务问题开始,系统地推进,直到模型在生产环境中部署和维护。

成为VIP会员查看完整内容
0
95

《Python机器学习经典实例(影印版 英文版)》这本实用指南提供了近200则完整的攻略,可帮助你解决日常工作中可能遇到的机器学习难题。如果你熟悉Python以及包括pandas和scikit-learn在内的库,那么解决一些特定问题将不在话下,比如数据加载、文本处理、数值数据、模型选择、降维以及诸多其他主题。

  每则攻略中都包含代码,你可以将其复制并粘贴到实验数据集中,以确保代码的确有效。你可以插入、组合、修改这些代码,从而协助构建你自己的应用程序。攻略中还包括相关的讨论,对解决方案给出了解释并提供有意义的上下文。

  《Python机器学习经典实例(影印版 英文版)》在理论和概念之外提供了构造实用机器学习应用所需的具体细节。

https://www.oreilly.com/library/view/machine-learning-with/9781491989371/

成为VIP会员查看完整内容
0
73

这本机器学习畅销书基于TensorFlow 2和Scikit-Learn的新版本进行了全面更新,通过具体的示例、非常少的理论和可用于生产环境的Python框架,从零帮助你直观地理解并掌握构建智能系统所需要的概念和工具。

全书分为两部分。第一部分介绍机器学习基础,涵盖以下主题:什么是机器学习,它试图解决什么问题,以及系统的主要类别和基本概念;第二部分介绍神经网络和深度学习,涵盖以下主题:什么是神经网络以及它们有什么用,使用TensorFlow和Keras构建和训练神经网络的技术,以及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。第一部分主要基于Scikit-Learn,而第二部分则使用TensorFlow和Keras。

奥雷利安·杰龙(Aurélien Géron)是机器学习方面的顾问。他曾就职于Google,在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司的创始人并于2002年至2012年担任该公司的首席技术官。2001年,他创办Ployconseil公司并任首席技术官。

成为VIP会员查看完整内容
1
104

近日,本科毕业于哈佛大学统计学与经济学专业、现任哈佛助教的 Daniel Friedman 开放了他撰写的一本免费在线书籍《Machine Learning from Scratch》,该书从理论和数学上介绍了 ML 最常见算法(OLS、逻辑回归、朴素贝叶斯、决策树、boosts 和神经网络等)的完整推论。

地址:https://dafriedman97.github.io/mlbook/content/introduction.html

该书是为读者学习新的机器学习算法或了解更深层次的算法。具体地说,它是为那些有兴趣学习机器学习算法的读者准备的。这些推导可能有助于读者,特别是对基础算法不熟悉的读者,可以更直观地理解它们是如何工作的。或者,这些推导可以帮助有建模经验的读者理解不同算法是如何创建模型,以及每种算法的优缺点。

书籍概述

这本书涵盖了机器学习中最常见的方法。这些方法就像一个工具箱,为那些进入机器学习领域的人提供了便利,从而可以很快地找到所需工具。该书由 7 个章节以及 1 个附录组成。书的每一章节都对应一种机器学习方法或一组方法。

通过学习,你将学得:普通线性回归、线性回归扩展、判别分类器(Logistic 回归)、生成分类器(朴素贝叶斯)以及决策树等算法的完整推论。

每个章节均由这 3 部分组成。

其中,概念部分从概念上介绍这些方法,并从数学上推导结果;构建部分展示了如何使用 Python 从头开始构建方法;实现部分介绍了如何使用 Python 中的工具包(如 scikit-learn、statsmodels 和 tensorflow)应用这些方法。

为什么选择这本书?

现在关于机器学习的书籍数不胜数,在网上就可以免费获得。像《An Introduction to Statistical Learning》、《Elements of Statistical Learning》 和 《Pattern Recognition and Machine Learning》,这些机器学习书籍的作者掌握的知识更丰富,书籍内容涵盖的范围也更广。但值得注意的一点是:这些书籍只提供了概念上的机器学习以及方法背后的理论。

但是,本书重点介绍了机器学习算法的基本框架,旨在为读者提供独立构建这些算法的能力。作为一种「工具箱」而言,本书旨在成为用户指南,它不是用来指导用户关于该领域的广泛实践,而是在微观层面上讲述如何使用每种工具。

这本书需要读者掌握哪些知识?

需要注意的是,这本书的「概念」部分需要读者了解微积分知识,有些还需要了解概率(如最大似然和贝叶斯规则)和基本线性代数知识(如矩阵运算和点积)。

不过,该书附录部分回顾了所需的数学和概率知识。「概念」部分还参考了一些常见的机器学习方法,这些方法在附录中也有介绍。所以,「概念」部分不需要任何编程知识。

该书的「构建」和「代码」部分使用了一些基础的 Python 知识。「构建」部分需要了解相应的内容,并且需要熟悉用 Python 创建函数和类。「代码」部分则不需要这些知识。

参考链接:

https://mp.weixin.qq.com/s/xrUw_4IPI4BhYwHvjSuwzA

成为VIP会员查看完整内容
0
89

《数据科学导论》解释重要的数据科学概念,并教你如何完成数据科学家的基本任务。我们将探索数据可视化、图形数据库、NoSQL的使用和数据科学过程。我们将使用Python语言和常见的Python库,让您亲身体验大规模处理数据的挑战。了解Python如何让您从大到需要存储在多台机器上的数据集中获得见解,或者从快速移动到没有一台机器能够处理它的数据集中获得见解。本书为您提供了最流行的Python数据科学库、Scikit-learn和statsmodel的实践经验。读完这本书,你将拥有在数据科学领域开始职业生涯所需的坚实基础。

成为VIP会员查看完整内容
0
53
小贴士
相关VIP内容
专知会员服务
150+阅读 · 5月21日
专知会员服务
95+阅读 · 5月20日
专知会员服务
73+阅读 · 1月2日
【新书】傻瓜式入门深度学习,371页pdf
专知会员服务
135+阅读 · 2019年12月28日
相关论文
Xuanyang Zhang,Pengfei Hou,Xiangyu Zhang,Jian Sun
8+阅读 · 1月28日
Eugene A. Golikov
6+阅读 · 2020年12月10日
Binghong Chen,Chengtao Li,Hanjun Dai,Le Song
7+阅读 · 2020年6月29日
Davide Abati,Jakub Tomczak,Tijmen Blankevoort,Simone Calderara,Rita Cucchiara,Babak Ehteshami Bejnordi
5+阅读 · 2020年3月31日
Accelerated Methods for Deep Reinforcement Learning
Adam Stooke,Pieter Abbeel
5+阅读 · 2019年1月10日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Mobile big data analysis with machine learning
Jiyang Xie,Zeyu Song,Yupeng Li,Zhanyu Ma
5+阅读 · 2018年8月2日
Henggang Cui,Gregory R. Ganger,Phillip B. Gibbons
3+阅读 · 2018年3月20日
J. B. Heaton,N. G. Polson,J. H. Witte
3+阅读 · 2018年1月14日
Ming Jin,Andreas Damianou,Pieter Abbeel,Costas Spanos
3+阅读 · 2017年5月4日
Top