在Jupyter Notebook环境中使用Python和TensorFlow 2.0创建、执行、修改和共享机器学习应用程序。这本书打破了编程机器学习应用程序的任何障碍,通过使用Jupyter Notebook而不是文本编辑器或常规IDE。
您将从学习如何使用Jupyter笔记本来改进使用Python编程的方式开始。在获得一个良好的基础与Python工作在木星的笔记本,你将深入什么是TensorFlow,它如何帮助机器学习爱好者,以及如何解决它提出的挑战。在此过程中,使用Jupyter笔记本创建的示例程序允许您应用本书前面的概念。
那些刚接触机器学习的人可以通过这些简单的程序来学习基本技能。本书末尾的术语表提供了常见的机器学习和Python关键字和定义,使学习更加容易。
你将学到什么
程序在Python和TensorFlow 解决机器学习的基本障碍 在Jupyter Notebook环境中发展
这本书是给谁的
理想的机器学习和深度学习爱好者谁对Python编程感兴趣使用Tensorflow 2.0在Jupyter 笔记本应用程序。了解一些机器学习概念和Python编程(使用Python version 3)的基本知识会很有帮助。
这本书是关于运用机器和深度学习来解决石油和天然气行业的一些挑战。这本书开篇简要讨论石油和天然气勘探和生产生命周期中不同阶段的数据流工业操作。这导致了对一些有趣问题的调查,这些问题很适合应用机器和深度学习方法。最初的章节提供了Python编程语言的基础知识,该语言用于实现算法;接下来是监督和非监督机器学习概念的概述。作者提供了使用开源数据集的行业示例以及对算法的实际解释,但没有深入研究所使用算法的理论方面。石油和天然气行业中的机器学习涵盖了包括地球物理(地震解释)、地质建模、油藏工程和生产工程在内的各种行业主题。
在本书中,重点在于提供一种实用的方法,提供用于实现机器的逐步解释和代码示例,以及用于解决油气行业现实问题的深度学习算法。
你将学到什么
这本书是给谁的
通过使用Python开发用例,全面了解监督学习算法您将学习监督学习概念、Python代码、数据集、最佳实践、常见问题和缺陷的解决方案,以及实现结构化、文本和图像数据集算法的实践知识。
你将从介绍机器学习开始,强调监督学习、半监督学习和非监督学习之间的区别。在接下来的章节中,你将学习回归和分类问题,它们背后的数学,像线性回归、逻辑回归、决策树、KNN、朴素贝叶斯等算法,以及像随机森林、支持向量机、梯度增强和神经网络等高级算法。提供了所有算法的Python实现。最后,您将得到一个端到端模型开发流程,包括模型的部署和维护。在阅读了Python的监督学习之后,你将会对监督学习和它的实际实现有一个广泛的理解,并且能够以一种创新的方式运行代码和扩展它。
你将学习:
这本书是给谁的
这本书的前半部分快速而彻底地概述了Python的所有基础知识。你不需要任何以前的经验与编程开始,我们将教你一切你需要知道,一步一步。
第二部分着重于用Python以实用的方式解决有趣的、真实的问题。一旦你掌握了基础知识,你就会通过跟随我们的动手编程练习和项目迅速提高。
我们在书中的每一页都精心安排了漂亮的排版,代码示例的语法高亮显示,以及教学截图,这样你可以有效地处理和记忆信息:
所有材料都是Python 3.9的最新版本,Python编程语言在2020年发布的最新和最好的版本。简而言之,以下是你将学到的Python基础知识:Python 3的实用介绍:
安装和运行Python:在Windows、macOS或Linux上设置Python 3.9编码环境
核心Python 3概念和约定:解释器会话、脚本、查找和修复代码bug、如何组织代码和构造Python程序、如何有效地学习和实践
Python 3.9基本原理:变量、基本数据类型、函数和循环、条件逻辑和控制流、字符串格式、列表/元组/字典、文件输入和输出、错误处理。
中级Python概念:面向对象编程(OOP)、正则表达式、名称空间和作用域、异常处理、安装第三方包。
Python的实际使用:创建和修改PDF文件、使用数据库、从web下载和抓取内容、数据科学基础(科学计算和绘图)、图形用户界面和GUI编程。
如果您是用Python编程的新手,并且正在寻找可靠的介绍,那么这本书就是为您准备的。由计算机科学教师开发,在“为绝对初学者”系列丛书通过简单的游戏创造教授编程的原则。您将获得实际的Python编程应用程序所需的技能,并将了解如何在真实场景中使用这些技能。在整个章节中,你会发现一些代码示例来说明所提出的概念。在每一章的结尾,你会发现一个完整的游戏,展示了这一章的关键思想,一章的总结,以及一系列的挑战来测试你的新知识。当你读完这本书的时候,你将非常精通Python,并且能够将你所学到的基本编程原理应用到你要处理的下一种编程语言。
有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。
所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。
对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。
你将学习
这本书是给谁的
【导读】自2015年11月TensorFlow第一个开源版本发布以来,它便迅速跻身于最激动人心的机器学习库的行列,并在科研、产品和教育等领域正在得到日益广泛的应用。这个库也在不断地得到改进、充实和优化。今天给大家推荐一本偏实战的教程《Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition》第二版,使用最新TensorFlow 2的官方高级API,帮助你直观地理解构建智能系统的概念和工具。从业者将学习一系列可以在工作中快速使用的技术。第1部分使用Scikit-Learn来介绍基本的机器学习任务,例如简单的线性回归。第2部分已经过重大更新,采用Keras和TensorFlow 2.0引导读者通过使用深度神经网络的更先进的机器学习方法。通过每章的练习来帮助你应用所学知识,你只需要编程经验即可开始使用。
Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition
▌本书简介
通过近年来一系列的突破,深度学习推动了整个机器学习领域的发展。现在,即使对这种技术几乎一无所知的程序员也可以使用简单、高效的工具来实现能够从数据中学习的程序。这本畅销书的最新版本使用了具体的例子、最少理论和可复现的Python框架,帮助您直观地理解用于构建人工智能系统的概念和工具。
您将学习一系列可以快速使用的技术。每一章都有练习来帮助你应用所学,你所需要的只是编程经验。所有代码都已更新为TensorFlow 2和最新版本的Scikit-Learn和其他库。
▌相关代码
https://github.com/ageron/handson-ml2
参考链接: https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/
强化学习是机器学习的一个热门领域,从基础开始: 发现代理和环境如何演变,然后获得它们之间如何相互关联的清晰联系。然后你将学习与强化学习相关的理论,并了解建立强化学习过程的概念。
这本书讨论了对强化学习很重要的算法实现,包括马尔可夫决策过程和半马尔可夫决策过程。下一节将向您展示如何在查看Open AI Gym之前开始使用Open AI。然后您将学习Python中关于增强学习方面的群体智能。
本书的最后一部分从TensorFlow环境开始,并给出了如何将强化学习应用于TensorFlow的概述。还有Keras,一个可以用于强化学习的框架。最后,您将深入研究谷歌的深层思想,并看到可以使用强化学习的场景。
你将学习
这本书是给谁看的
数据科学家、机器学习和深度学习专业人员、希望适应和学习强化学习的开发人员。
简介: Google一直是引入突破性技术和产品的先驱。在效率和规模方面,TensorFlow也不例外,因此,编写本书只是向读者介绍TensorFlow核心团队所做的这些重要更改。本书着重于机器学习方面的TensorFlow的不同应用,并更深入地探讨了方法的最新变化。对于那些想要用TensorFlow进行机器学习的人来说,这本书是一个很好的参考点。本书分为三个部分。第一篇:使用TensorFlow 2.0进行数据处理。第二部分:使用TensorFlow 2.0构建机器学习和深度学习模型。它还包括使用TensorFlow 2.0的神经语言编程(NLP)。第三部分介绍了如何在环境中保存和部署TensorFlow 2.0模型。这本书对数据分析人员和数据工程师也很有用,因为它涵盖了使用TensorFlow 2.0处理大数据的步骤。想要过渡到数据科学和机器学习领域的读者也会发现,本书提供了实用的入门指南,以后可能会出现更复杂的方面。书中提供的案例研究和示例使您很容易理解和理解相关的基本概念。本书的优势在于其简单性以及将机器学习应用于有意义的数据集。
目录: