《机器学习实战：基于Scikit-Learn和TensorFlow》

简介

本书主要分为两部分：

• 第一部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；
• 第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

资源

• 配套的源代码：https://github.com/ageron/handson-ml
• 翻译版文档：https://github.com/apachecn/hands-on-ml-zh
• 百度云下载：https://pan.baidu.com/s/1WjVsVMZ4Z6vpVadi-IpOyw 提取码: q6mk 

主要内容

第一部分 机器学习的基础知识

• 什么是机器学习？它被试图用来解决什么问题？机器学习系统的主要类别和基本概念是什么？
• 典型的机器学习项目中的主要步骤。
• 通过拟合数据来学习模型。
• 优化成本函数（cost function）。
• 处理，清洗和准备数据。
• 选择和设计特征。
• 使用交叉验证选择一个模型并调整超参数。
• 机器学习的主要挑战，特别是欠拟合和过拟合（偏差和方差权衡）。
• 对训练数据进行降维以对抗 the curse of dimensionality（维度诅咒）
• 最常见的学习算法：线性和多项式回归， Logistic 回归，k-最近邻，支持向量机，决策树，随机森林和集成方法。

第二部分 神经网络和深度学习

• 什么是神经网络？它们有啥优势？
• 使用 TensorFlow 构建和训练神经网络。
• 最重要的神经网络架构：前馈神经网络，卷积网络，递归网络，长期短期记忆网络（LSTM）和自动编码器。
• 训练深度神经网络的技巧。
• 对于大数据集缩放神经网络。
• 强化学习。