Sklearn,Keras与Tensorflow机器学习实用指南

我们都知道：Scikit-Learn，Keras，Tensorflow是机器学习工具链的重要组成部分。本书的作者，根据上述三个机器学习工具箱，融汇贯通成一个个机器学习实例，让即使对人工智能了解不多的程序员也可以使用简单高效的工具来实现机器学习任务。

作者简介：

Aurelien Geron是一名机器学习顾问和讲师。他曾在谷歌公司效力，2013年至2016年，他领导着YouTube的视频分类团队。他曾是几家不同公司的创始人和首席技术官:Wifirst，法国领先的无线ISP；Polyconseil 专注于电信、媒体和战略的咨询公司; 以及Kiwisoft，专注于机器学习和数据隐私的咨询公司。

在此之前，他曾在多个领域担任工程师:金融(摩根大通和法国兴业银行)、国防(加拿大国防部)和医疗(输血)。他还出版了几本技术书籍(关于c++、WiFi和互联网架构)。

书籍目录：

本书如要涵盖以下内容：

• 探索机器学习领域，特别是神经网络

• 使用Scikit-Learn跟踪一个端到端的示例机器学习项目

• 探索几种训练模型，包括支持向量机、决策树、随机森林和集成方法

• 使用TensorFlow库来构建和训练神经网络

• 深入研究神经网络架构，包括卷积网络、递归网络和深度强化学习

• 学习训练和扩展深度神经网络的技术

书内代码：

https://github.com/ageron/handson-ml2

书籍简介

本书假定你对机器学习几乎一无所知。它的目标是给你实际实现能够从数据中学习的程序所需的概念，直觉和工具。

我们将使用现成的Python框架，而不是实现我们自己的每个算法的玩具版本：

• Scikit-learn非常易于使用，并且实现了许多有效的机器学习算法，因此它为学习机器学习提供了一个很好的切入点。

• TensorFlow是使用数据流图进行分布式数值计算的更复杂的库。它通过在潜在的数千个 多GPU服务器上分布式计算，可以高效地训练和运行非常大的神经网络。TensorFlow 是被Google创造的，支持其大型机器学习应用程序。于2015年11月开源。