Scikit-Learn 和 TensorFlow。基于 Python 的机器学习

引言

《Scikit-Learn 和 TensorFlow。基于 Python 的机器学习》（英文原名 Hands-On Machine Learning with Scikit-Learn and TensorFlow）是机器学习（ML）和深度学习（DL）领域最权威、最注重实践的 Python 语言指南之一。作者 Aurélien Géron 是前谷歌工程师，他成功编写了一本既适合刚踏入数据科学领域的新手，也适合希望深化知识的有经验开发者的教科书。第三版（2022 年）已全面修订和更新，以适配包括 TensorFlow 2.x 和 Scikit-Learn 1.x 在内的现代库版本。

本书内容

本书涵盖了从问题定义和数据预处理到模型构建、评估和部署的完整数据处理流程。全部内容分为两大部分：

• 第一部分：机器学习基础——专注于经典算法：线性回归和逻辑回归、SVM、决策树、集成方法（随机森林、梯度提升）、聚类（K-Means、DBSCAN）以及降维方法（PCA）。所有示例均使用 Scikit-Learn 库实现。
• 第二部分：深度学习与神经网络——涵盖神经网络的理论与实践：从简单的感知器到卷积网络（CNN）和循环网络（RNN），以及 Transformer 和生成对抗网络（GAN）。第二部分完全基于 TensorFlow 2.x 和 Keras 构建。

特别关注实践方面：处理真实数据集、超参数调优、正则化、数据增强以及使用 TensorFlow Serving 和 TF Lite 进行模型部署。

本书适合哪些读者

本书面向广泛的读者群体：

• 数据科学初学者——已经掌握 Python 基础知识并希望系统学习机器学习的人。
• 转型 ML 的程序员——希望将自身技能应用于人工智能领域的 Python 开发者。
• 理工科学生——用于深入学习 ML 的理论与实践。
• 经验丰富的 ML 工程师——作为参考书和最佳实践来源，尤其是在深度学习方面。

读者将学到什么

阅读本书后，您将能够：

• 理解并使用 Scikit-Learn 实现主要的机器学习算法。
• 使用 TensorFlow 和 Keras 构建和训练任意复杂度的神经网络。
• 正确评估模型质量（交叉验证、评估指标、混淆矩阵）。
• 应用正则化方法来防止过拟合。
• 处理图像、文本和时间序列数据。
• 使用 TensorFlow Serving 将模型部署到生产环境。
• 使用现代架构（Transformer、GAN）解决复杂问题。

本书的优点

本书在众多教科书中脱颖而出，原因如下：

• 实践导向——每章都包含可直接运行的代码示例，可立即应用于您自己的数据。
• 时效性——第三版于 2022 年出版，涵盖了包括 TensorFlow 2.9 和 Scikit-Learn 1.1 在内的最新库版本。
• 清晰的阐述风格——复杂的概念用通俗易懂的语言解释，并配有大量插图和类比。
• 深度——作者不仅展示如何调用函数，还解释了算法为何如此工作，并提供了数学背景。
• 结构清晰——材料逻辑性强：从简单到复杂，每章末尾都有明确的总结和练习。

推荐给谁