我用夸克网盘分享了「机器学习从入门到入职：用sklearn与keras搭建人工智能模型.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。 《机器学习从入门到入职——用sklearn与keras搭建人工智能模型》分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。 《机器学习从入门到入职——用sklearn与keras搭建人工智能模型》可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。

作者简介

张威（Viking Zhang），曾就职于IBM、平安科技、嘉实基金、微众银行，现就职于“特朗普品质认证”的人工智能公司，拥有多个关于人工智能方面的专利，致力于将人工智能应用场景普及化，将机器学习技术广泛用于运维架构、金融分析等方面。

网友热评

旺特: 我主要是来了解一下机器学习是什么，本书写的很容易懂，操作性也很强。 华亭暂客: 体系框架很清晰，数据处理、建模、调优，从sklearn深入到keras。此外，配图和代码都很好。总之，实用性很强的一本教材。

图书目录

第1章机器学习概述 1 1.1什么是机器学习 2 1.2人工智能的发展趋势 3 1.2.1人工智能的发展程度 3 1.2.2人工智能的应用 4 第2章机器学习的准备工作 7 2.1机器学习的知识准备 8 2.2机器学习的环境准备 10 2.2.1安装编译语言Python 10 2.2.2安装包 11 2.2.3安装适用于Python的集成开发环境 12 2.3机器学习模型开发的工作流程 14 第3章Sklearn概述 16 3.1Sklearn的环境搭建与安装 17 3.2Sklearn常用类及其结构 18 3.2.1数据源、数据预处理及数据提取 19 3.2.2模型建立 20 3.2.3模型验证 21 3.2.4模型调优 21 3.3本章小结 22 第4章Sklearn之数据预处理 23 4.1数据预处理的种类 24 4.2缺失值处理 24 4.3数据的规范化 26 4.3.1缩放规范化 26 4.3.2标准化 29 4.3.3范数规范化 31 4.4非线性变换 34 4.4.1二值化变换 34 4.4.2分位数变换 34 4.4.3幂变换 39 4.4.4多项式变换 42 4.5自定义预处理 44 4.6非结构性数据预处理 45 4.7文本数据处理 46 4.7.1分词技术 46 4.7.2对已提取数据的处理 47 4.7.3文本的特征提取 52 4.8图形的特征提取 57 第5章Sklearn之建立模型（上） 59 5.1监督学习概述 60 5.2线性回归 61 5.2.1最小二乘法 62 5.2.2线性回归中的收敛方法 64 5.2.3岭回归 65 5.2.4LASSO回归 69 5.2.5弹性网络回归 79 5.2.6匹配追踪 80 5.2.7多项式回归 84 5.3广义线性模型 86 5.3.1极大似然估计 87 5.3.2最大后验估计 88 5.3.3贝叶斯估计 89 5.3.4二项式回归 91 5.3.5逻辑回归 93 5.3.6贝叶斯回归 94 5.4稳健回归 97 5.4.1随机样本一致法 98 5.4.2泰尔-森估计 102 5.5支持向量机 103 5.5.1硬间隔和软间隔 104 5.5.2核函数 106 5.6高斯过程 110 5.7梯度下降 115 5.8决策树 117 5.8.1特征选择 117 5.8.2决策树的剪枝 121 5.9分类 122 5.9.1多类别分类 122 5.9.2多标签分类 126 第6章Sklearn之建立模型（下） 128 6.1无监督学习概述 129 6.2聚类 129 6.2.1K-mean聚类 131 6.2.2均值偏移聚类 136 6.2.3亲和传播 139 6.2.4谱聚类 143 6.2.5层次聚类 151 6.2.6DBSCAN聚类 155 6.2.7BIRCH聚类 159 6.2.8高斯混合模型 164 6.3降维 168 6.3.1主成因分析 169 6.3.2独立成因分析 175 6.3.3隐含狄利克雷分布 179 6.3.4流形学习 185 6.3.5多维度缩放 186 6.3.6ISOMAP 189 6.3.7局部线性嵌入 191 6.3.8谱嵌入 195 第7章Sklearn之模型优化 198 7.1模型优化 199 7.2模型优化的具体方法 199 7.2.1训练样本对模型的影响 200 7.2.2训练样本问题的解决方案 201 7.2.3第三方采样库imbalanced-learn 203 7.3过采样 205 7.3.1随机过采样 205 7.3.2合成少数类过采样技术 207 7.3.3自适应综合过采样方法 210 7.4欠采样 212 7.4.1近丢失方法 212 7.4.2编辑最邻近方法 216 7.4.3Tomek链接移除 218 7.4.4混合采样方法 219 7.5调整类别权重 220 7.6针对模型本身的调优 223 7.7集成学习 228 7.7.1投票分类器 229 7.7.2套袋法 230 7.7.3随机森林 232 7.7.4提升法 234 7.7.5自适应性提升法 235 7.7.6梯度提升法 237 7.7.7套袋法和提升法的比较 239 第8章Keras主要API及架构介绍 241 8.1Keras概述 242 8.1.1为什么选择Keras 242 8.1.2Keras的安装 243 8.2序列模型和函数式模型 243 8.2.1两种模型的代码实现 244 8.2.2模型的其他API 248 8.3Keras的架构 250 8.4网络层概述 250 8.4.1核心层 251 8.4.2卷积层 252 8.4.3池化层 253 8.4.4局部连接层 255 8.4.5循环层 257 8.4.6嵌入层 259 8.4.7融合层 259 8.4.8高级激活层 261 8.4.9规范化层 261 8.4.10噪声层 261 8.4.11层级包装器 262 8.5配置项 265 8.5.1损失函数 265 8.5.2验证指标 268 8.5.3初始化函数 269 8.5.4约束项 271 8.5.5回调函数 272 第9章一个神经网络的迭代优化 279 9.1神经网络概述 281 9.2神经网络的初步实现 283 9.3感知器层 284 9.3.1梯度消失/爆炸问题 287 9.3.2激活函数及其进化 288 9.3.3激活函数的代码实现 294 9.3.4批量规范化 295 9.4准备训练模型 299 9.5定义一个神经网络模型 301 9.6隐藏层对模型的影响 306 9.7关于过拟合的情况 310 9.7.1规则化方法 311 9.7.2Dropout方法 313 9.8优化器 314 9.8.1批量梯度下降 316 9.8.2灵活的学习率 318 9.8.3适应性梯度法 319 9.8.4适应性差值法 320 9.8.5均方差传播 322 9.8.6Nesterov加速下降 324 9.8.7Adam 325 9.8.8优化器之间的对比 326 9.9模型调优的其他途径 329 9.10本章小结 331 第10章卷积神经网络 333 10.1卷积神经网络概述 335 10.1.1局部感受场 335 10.1.2共享权重和偏差 338 10.1.3卷积层 339 10.1.4池化层 342 10.1.5卷积神经网络的代码实现 344 10.1.6卷积神经网络的调优 348 10.2常见的卷积神经网络 352 10.2.1LeNet 352 10.2.2AlexNet 356 10.2.3VGGNet 359 10.2.4残差网络 366 10.2.5Inception网络模型 373 10.2.6胶囊网络 378 10.2.7结语 388 第11章生成性对抗网络 389 11.1生成性对抗网络概述 391 11.1.1生成性对抗网络的原理 391 11.1.2生成性对抗网络的代码实现 393 11.2常见的生成性对抗网络 399 11.2.1深度卷积生成性对抗网络 399 11.2.2环境条件生成性对抗网络 406 11.3自动编码器 411 11.3.1自动编码器的代码实现 412 11.3.2变分自动编码器 414 第12章循环神经网络 420 12.1词嵌入 422 12.1.1Word2Vec 423 12.1.2GloVe 428 12.1.3词嵌入的代码实现 429 12.2循环神经网络概述 430 12.2.1简单循环神经网络单元 432 12.2.2关于循环神经网络的梯度下降 433 12.2.3长短期记忆单元 435 12.2.4门控递归单元 443 12.2.5双向循环神经网络 444 第13章机器学习的入职准备 448 13.1人工智能岗位及求职者的分布 449 13.1.1机器学习的生态 449 13.1.2应用场景 450 13.2机器学习岗位的发展路径 454 13.2.1机器学习岗位画像 454 13.2.2面试考察什么 456