代码开源!超好用的《机器学习实用指南》第二版终于来了
早在去年的这个时候,红色石头就发文给大家推荐过一本非常棒的机器学习实用指南书籍《Hands-On Machine Learning with Scikit-Learn & TensorFlow》,中文译为《Scikit-Learn 与 TensorFlow 机器学习实用指南》。

这本书最大的特色从理论上讲就是言简意赅,全书基本上没有太多复杂的数学公式推导,语言通俗易懂,很容易看得懂、看得下去。这一点红色石头也发现是现在很多教材所欠缺的。
重磅!
时隔一年,这本超赞的机器学习实用指南终于正式出版了第二版:《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition》,中文译为《Scikit-Learn、Keras 与 TensorFlow 机器学习实用指南(第二版)》,并且在美国亚马逊上开售了,可惜国内还没有开售,影印版和中文翻译版还没出来。请看封面:

书籍作者
这本《Scikit-Learn、Keras 与 TensorFlow 机器学习实用指南(第二版)》的作者是 Aurélien Géron,法国人,毕业于AgroParisTech,曾任 Google Youtube 视频分类项目组负责人,创建过多家公司并担任 CTO,也曾在 AgroParisTech 担任讲师。现在是一名机器学习的顾问。

版本变化
总的来说,第二版相比第一版增加了许多新的内容,最直白的就是第一版使用了 Scikit-Learn 和 TensorFlow,而第二版增加了 Keras 深度学习框架。
从内容上来说,第二版增加了更多的机器学习前沿知识,包括:无监督学习,训练深度网络,计算机视觉,自然语言处理等等。
详细的版本更新可以看这里:
https://github.com/ageron/handson-ml2/blob/master/changes_in_2nd_edition.md
书籍介绍
第二版跟第一版一样,全书也分成了两大部分,第一部分是机器学习基础,包含了第 1~9 章内容:
- Chapter 1. The Machine Learning Landscape
- Chapter 2. End-to-End Machine Learning Project
- Chapter 3. Classification
- Chapter 4. Training Models
- Chapter 5. Support Vector Machines
- Chapter 6. Decision Trees
- Chapter 7. Ensemble Learning and Random Forests
- Chapter 8. Dimensionality Reduction
- Chapter 9. Unsupervised Learning Techniques
第一部分与第一版书籍内容相差不多,仅多了一个第9章的无监督学习。
全书第二部分是神经网络与深度学习,包含了第 10~19 章内容:
- Chapter 10. Introduction to Artificial Neural Networks with Keras
- Chapter 11. Training Deep Neural Networks
- Chapter 12. Custom Models and Training with TensorFlow
- Chapter 13. Loading and Preprocessing Data with TensorFlow
- Chapter 14. Deep Computer Vision Using Convolutional Neural Networks
- Chapter 15. Processing Sequences Using RNNs and CNNs
- Chapter 16. Natural Language Processing with RNNs and Attention
- Chapter 17. Representation Learning and Generative Learning Using Autoencoders and GANs
- Chapter 18. Reinforcement Learning
- Chapter 19. Training and Deploying TensorFlow Models at Scale
这部分深度学习是作者更新最多的,跟第一版差别较大。
随书代码
作者将本书所有章节的详细代码都开源了并发布在 GitHub 上,目前已经收获了 5.3k star。项目地址为:https://github.com/ageron/handson-ml2

不得不说,作者配套的随书代码质量很高!看过第一版的读者应该知道,每个章节的代码都是 .ipynb 文件,用 Jupyter Notebook 就能打开。除了代码,相应的文档解释非常多。


更多资讯推荐
- 规划智慧城市时,别忘了无障碍通行
-
要想成为一个智慧城市甚至一个智慧世界,虽然可能需要时间和有针对性的规划,但我们必须以人为本。
蒙光伟 · 2021-02-21 10:26:41
- 2021关于人工智能的五大趋势
-
数字化变革,比过去10年更多,这主要是由于远程工作的规模,以及企业迅速部署了必要的技术,尤其是与网络安全相关的技术。那,2021关于人工智能的五大趋势会是如何的呢?
Lichu · 2021-02-21 10:21:01
- 模型压缩6倍,无需重训练:数学家团队提出量化新方法
-
RUDN 大学的数学家团队找到一种新方法,该方法能够让神经网络的大小减小到六分之一,且无需花费更多的资源重新训练。
小舟 · 2021-02-20 16:07:27
- 企业如何使用人工智能实现个性化服务
-
人工智能将会起到什么作用?企业如何利用人工智能技术帮助他们带来更好的体验?
James Squires · 2021-02-20 10:34:45
- 和时代赛跑:硬核百度的AI探索
-
过去10多年里,百度的搜索业务蒸蒸日上,但鲜有讨论的是,百度搜索业务背后的硬核技术创新——AI已经根深叶茂。并且在疫情大考下,百度AI生态厚积薄发,驱动百度核心形成多引擎的增长格局。本文主要介绍了百度此轮增长的核心驱动力、百度此轮增长背后的底层逻辑以及百度的预期差从何而来?
佚名 · 2021-02-20 10:14:32
- 2021年,诸多AI企业开启上市竞赛模式,你更看好哪几家?
-
人工智能企业上市,是让股民分一杯增长红利之羹?还是割韭菜?目前还是众说纷坛。但不管怎样,2021年,诸多AI公司的“上市竞赛”模式已经开启,究竟有多热闹呢?
东方林语 · 2021-02-19 09:39:58
- 2021年人工智能将如何发展?这里有6个预测
-
据业内专家预测,2021年及以后,人工智能领域将继续以有意义的方式进行大规模扩张和发展。预计2021年将出现许多有前途的发展,并可能成为人工智能实施的黄金之年。
Yu · 2021-02-19 09:25:44
- 帮助重新定义国防和安全领域的人工智能初创公司
-
在一个快速发展的世界中,人工智能正在重新定义国防和安全领域。越来越多的人工智能初创公司正在为其国防承包技术寻求新的商业机会。
Harris · 2021-02-18 10:47:16