O'Reilly人工智能Scikit Learn和TensorFlow 套装共3册 [Hands-On Machine Learning with Scikit-Learn and Te]

《机器学习实战：基于Scikit-Learn和TensorFlow》

本书主要分为两部分，*部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

《深度学习实战》

深度学习并没有那么可怕。直到*近，这项机器学习方法还要经过数年的学习才能掌握，但是有了如Keras和TensorFlow这样的框架后，没有机器学习背景的软件工程师也可以快速进入这个领域。通过本书中的技巧，你将学会解决深度学习在生成和分类文本、图像和音乐方面的问题。

本书每章包括完成独立项目所需的几个技巧，如训练一个音乐推荐系统。如果你陷入了困境，作者还在第2章提供了6个技巧来帮助你。本书中的例子用Python语言编写，代码在GitHub上以Python notebook集合的方式提供。

通过本书，你将学会：

■ 创建为真实用户服务的应用

■ 使用词嵌入计算文本的相似性

■ 基于维基百科链接建立电影推荐系统

■ 通过可视化的内部状态了解AI看待世界的原理

■ 建立一个为文本片段推荐表情符号的模型

■ 重用预训练的神经网络构建反向图像搜索服务

■ 比较GAN、自动编码器和LSTM如何生成图标

■ 检测音乐的风格并检索歌曲集

《TensorFlow学习指南：深度学习系统构建详解》

本书主要介绍如何使用 TensorFlow 框架进行深度学习系统的构建。从基础知识入手，将使用TensorFlow 的各种方式贯穿于整本书的讲解之中，并结合实际的深度学习任务展示终深度学习系统的效果。本书涉及卷积神经网络、循环神经网络等核心的技术，并介绍了用于图像数据和文本序列数据的模型。在后半部分，本书介绍了更加高级的使用 TensorFlow 的技巧，并给出了分布式深度学习系统在TensorFlow 下的构建过程以及如何将训练后的模型导出和部署的方法。通过学习本书，你将能够使用 TensorFlow 完成从简单到高级应用系统构建的技术。
本书适合计算机相关专业的学生、软件工程师、深度学习开发者、架构师、CTO 等技术人员阅读。

《机器学习实战：基于Scikit-Learn和TensorFlow》

Aurelien Geron是机器学习方面的顾问。他曾是Google软件工程师，在2013年到2016年主导了YouTube视频分类工程。2002年和2012年，他还是Wifirst公司（一家法国的无线ISP）的创始人和首席技术官，2001年是Ployconseil公司（现在管理电动汽车共享服务Autolib）的创始人和首席技术官。

《深度学习实战》

杜威·奥辛格（Douwe Osinga）曾供职于Google，是一位经验丰富的工程师、环球旅行者和三个初创企业的创始人。他的流行软件项目网站（https://douweosinga.com/projects）涉及包括机器学习在内的多个有趣的领域。

《TensorFlow学习指南：深度学习系统构建详解》

Tom Hope 是一位应用机器学习研究者和数据科学家，在学术界和工业界拥有广泛的背景。他领导了跨领域的数据科学和深度学习的研发团队。
Yehezkel S. Resheff 是机器学习和数据挖掘领域的应用研究人员。在读博士期间，他的工作主要围绕开发机器学习和深度学习方法来分析可穿戴设备和物联网的数据。他在英特尔和Microsoft公司领导了深度学习的研发工作。
Itay Lieder 是机器学习和计算神经科学领域的应用研究人员。在研究生学习期间，他开发了用于模拟低级知觉的计算方法。他曾在大型跨国公司工作，在文本分析、Web挖掘领域从事深度学习研发。

《机器学习实战：基于Scikit-Learn和TensorFlow》

译者序
随着AlphaGo在人机大战中一举成名，关于机器学习的研究开始广受关注，数据科学家也一跃成为“21世纪*性感的职业”。关于机器学习和神经网络的广泛应用虽然兴起不久，但是对这两个密切关联的领域的研究其实已经持续了好几十年，早已形成了系统化的知识体系。对于想要踏入机器学习领域的初学者而言，理论知识的获取并非难事。
本书作者Aurélien Géron曾经是谷歌工程师，在2013年至2016年，主导了YouTube的视频分类工程，拥有丰富的机器学习项目经验。作者的写作初衷是希望从实践出发，手把手地帮助开发者从零开始搭建起一个神经网络。这也正构成了本书区别于其他机器学习教程的*重要的特质—不再偏向于原理研究的角度，而是从开发者的实践角度出发，在动手写代码的过程中，循序渐进地了解机器学习的理论知识和工具的实践技巧。对于想要快速上手机器学习的开发者来说，本书不啻为一个非常值得尝试的起点项目。
本书主要分为两个部分。*部分为第1～8章，涵盖机器学习的基础理论知识和基本算法—从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9～16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
书中涉及不少数学公式，作者对抽象的公式背后的含义也都一一做出了阐释，因此即便是对数学不敏感的初学者，也同样能够理解机器学习任务的实质。
书中所涉及的专业术语与概念较多，部分概念及术语尚无公认的中文译法，因此我们较多地参考了网络上和研究论文中常用的译法，若有不适合读者朋友的术语，可根据原词确认其原始词意。在翻译过程中虽然力求准确地反映原著内容，但由于译者水平有限，如有错漏之处，恳请读者批评指正。
本书译者均来自于ThoughtWorks咨询公司，王静源翻译了第1～8章，贾玮翻译了第13～16章，边蕤翻译了第11章和第12章，邱俊涛翻译了第9章和第10章，并对全书译文进行校对和*后定稿。
*后要感谢华章公司的编辑，他们为保证本书的质量做出了大量的编辑和校正工作，在此深表谢意。

译者
2018年3月