内容简介 · · · · · · 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。
通过本书，你会学到一系列可以快速使用的技术。每章的练习可以帮助你应用所学的知识，你只需要有一些编程经验。所有代码都可以在GitHub上获得。
作者简介 · · · · · ·
Aurélien Géron是机器学习方面的顾问。曾就职于Google，在2013年到2016年领导过YouTube视频分类团队。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。于2001年创办Ployconseil 公司并任首席技术官。
目录 · · · · · ·
前言 1
第一部分 机器学习的基础知识 11
第 1 章 机器学习概览
13 1.1 什么是机器学习 14
1.2 为什么使用机器学习 14
1.3 机器学习的应用示例 16
1.4 机器学习系统的类型 18
1.5 机器学习的主要挑战 32
1.6 测试与验证 38
1.7 练习题 40
第 2 章 端到端的机器学习项目 42
2.1 使用真实数据
42 2.2 观察大局 44
2.3 获取数据 48
2.4 从数据探索和可视化中获得洞见 60
2.5 机器学习算法的数据准备 66
2.6 选择和训练模型 74
2.7 微调模型 77
2.8 启动、监控和维护你的系统 .82
2.9 试试看 84
2.10 练习题 84
第 3 章 分类 86
3.1 MNIST 86
3.2 训练二元分类器 88
3.3 性能测量 89
3.4 多类分类器 99
3.5 误差分析 101
3.6 多标签分类 104
3.7 多输出分类 105