第三版－最新修訂版，新增TensorFlow 2、GAN和強化學習等實用內容
使用Python的scikit-learn和TensorFlow 2融會貫通機器學習與深度學習
循序漸進、由淺入深，好評熱銷再進化！最新修訂的《Python機器學習第三版》是一本不容錯過的全方位指南，也是讀者在建立機器學習系統時的必備參考。有別於其他機器學習教科書，本書使用Python探求機器學習和深度學習的技術精髓，強調豐富實用的程式範例、條理分明的數學解釋，以及直覺友善的圖解說明，帶領讀者探索機器學習的眾多子領域，讓艱澀的概念栩栩如生。
許多讀者告訴我們，他們非常喜歡本書第二版的前12章，因為它們全面介紹了機器學習與Python的科學計算。為了確保這些內容的相關性，我們依據讀者回饋，回顧並修改了這些章節，以支援最新版本的NumPy、SciPy、pandas、matplotlib和scikit-learn，並規劃成本書的上冊。而TensorFlow 2.0更是深度學習領域最振奮人心的事件之一，所有與TensorFlow有關的章節（第13章到第16章，規劃成本書的下冊）都進行了大幅度修改。除了介紹Keras API與scikit-learn的最新功能之外，本書也探討自然語言處理（NLP）的子領域「情緒分析」，以及強化學習（RL）和生成對抗網路（GAN）等時下最流行的AI技術（第17章和第18章）。
無論你是有經驗的程式設計師，或是機器學習新手，或你只想進一步深入了解機器學習的最新發展，本書將是你在機器學習之旅中的絕佳良伴。
在這本書中，你將學到：
●掌握能讓機器從數據中「學習」的框架、模型和技術
●使用scikit-learn進行機器學習、使用TensorFlow進行深度學習
●利用機器學習來做影像分類、情緒分析與智慧Web應用程式
●訓練類神經網路、GAN與其它模型
●結合機器學習模型與Web應用程式
●為機器學習工作清理並準備數據
●用深度卷積類神經網路來分類影像
●了解評估和調校模型的最佳實作
●使用迴歸分析來預測連續目標
●利用「集群」來發掘數據中隱藏的模式與結構
●使用「情緒分析」深入研究文本和社群媒體數據
●上冊包含本書前12章，下冊則包含第13章到第18章。
【下載範例程式檔案】
本書的程式碼是由GitHub託管，可點選下面圖案前往下載：
github.com/rasbt/python-machine-learning-book-3rd-edition
【下載本書的彩色圖片】
我們還提供您一個PDF檔案，其中包含本書使用的彩色圖表，可以在此下載：
static.packt-cdn.com/downloads/9781789955750_ColorImages.pdf
作者
Sebastian Raschka
Sebastian Raschka 擁有密西根州立大學（Michigan State University）的博士學位，在那裡，他專攻開發將「計算生物學」（computational biology）與「機器學習」結合使用的方法。2018年的夏天，他加入威斯康辛大學麥迪遜分校（University of Wisconsin-Madison），擔任「統計學」的助理教授。他的研究活動包括開發「新的深度學習架構」來解決生物識別（biometrics）領域的問題。
他引以為傲的成就之一是他的著作《Python機器學習》，這也是Packt和Amazon上的暢銷書。本書在2016年榮獲ACM的最佳計算類別獎項（Best of Computing award），並被翻譯成多種不同語言，包括德文、韓文、中文、日文、俄文、波蘭文和義大利文。
Vahid Mirjalili
Vahid Mirjalili 是密西根州立大學的機械工程博士，專攻大規模「分子結構」計算模擬的新方法研究。他曾是密西根州立大學「iPRoBe實驗室」的一員，致力於各種機器學習在「電腦視覺」與「生物識別」中的應用專案。在「iPRoBe實驗室」與「學術界」耕耘了多年之後，他最近加入3M公司，成為一位研究科學家，利用他的「專業知識」以及應用機器學習與深度學習的「先進技術」，在各種應用程式中解決真實世界的問題，讓生活變得更好。
目錄
前言
第13 章：使用TensorFlow來平行化類神經網路的訓練
TensorFlow與訓練效能
使用TensorFlow的第一步
使用td.data來建立輸入管線－TensorFlow Dataset API
在TensorFlow中建立NN模型
為多層網路選擇啟動函數
小結
第14章：更深入地研究TensorFlow的運作機制
TensorFlow的主要特點
TensorFlow的計算圖：轉移到TensorFlow v2
用來儲存與更新模型參數的TensorFlow變數物件
利用自動微分和GradientTape來計算梯度
透過Keras API簡化一般架構的實作
TensorFlow估計器
小結
第15章：使用深度卷積類神經網路來做影像分類
卷積類神經網路中的模塊
把所有元件整合起來建立一個CNN
以TensorFlow實作深度CNN
以CNN對臉部圖片做性別分類
小結
第16章：以遞迴類神經網路來對循序數據建模
循序數據簡介
以RNN來對循序數據建模
使用TensorFlow來實作多層RNN的序列建模
使用變形模型了解語言
小結
第17章：使用生成對抗網路合成新數據
生成對抗網路簡介
從頭開始實作一個GAN
使用卷積與Wasserstein GAN來改進合成影像的品質
其他的GAN應用
小結
第18章：在複雜的環境中以強化學習來做決策
簡介－從經驗中學習
RL的理論基礎
強化學習演算法
實作我們的第一個RL演算法
深度Q學習法簡介
章節與本書總結
