动手机器学习:如果你知道基础知识的话,那是一本很好的书

6分钟阅读
数据中心动手机器学习
图片来源:押金照片(修改后)

本文是其中的一部分“人工智能教育”,这是一系列评论和探讨数据科学和机器学习教育内容的文章(与…合作Paperspace

考虑到Python机器学习领域是多么广阔,编写一本关于Python机器学习的包罗万象的书是很困难的。但评论一部电影也不是一件容易的事,尤其是当它是一个高度赞誉的标题,比如使用Scikit Learn、Keras和TensorFlow进行机器学习:构建智能系统的概念、工具和技术,2版本

这本书在亚马逊上很畅销,作者Aurélien Géron可以说是Python机器学习方面最有才华的作家之一。

阅读之后的机器学习,我必须说Geron并没有让人失望,第二版是Python机器学习的优秀资源。Geron已经设法涵盖了比您在大多数其他关于Python机器学习的一般书籍中所能找到的更多的主题,包括一个关于Python机器学习的综合部分深度学习

但是有一些注意事项,除非你有备而来,否则你不可能欣赏所有的东西的机器学习必须提供。

一种自上而下的机器学习方法

动手机器学习第二版书封面
机器学习第2版

的机器学习有独特的方法。它通常是从对不同事物的高级描述开始的机器学习的概念给你一个大概的想法;然后,您将使用Python库进行实际编码,而不必深入了解细节;最后,当您对编码和概念感到满意时,您就可以打开引擎盖,进入数学和代码工作的本质。

要理解本书中讨论的更高级的主题,您需要牢固地掌握Python编码和一些有用的技巧,如列表理解和lambda函数,以及关键数据科学库(如Numpy、Pandas和Matplotlib)的基本知识。

你还需要扎实掌握代数、微积分和数据科学的基础知识。的机器学习假设你的数学知识很好,当你进入深度学习阶段时,不会在偏导数和梯度上手把手。

这本书分为两个部分,第一部分涵盖了一般的机器学习和第二集中于深度学习。

这本书的第一章是我在任何一本书中看到的最直观的、面向实例的机器学习介绍之一。即使是有经验的Python机器学习开发人员也会发现它非常有用,它巩固了他们已经知道的知识,刷新了他们可能已经忘记的微妙概念。

这本书还通过一个端到端机器学习项目与Python,带您通过数据收集,准备和可视化;随后是模型创建、培训和微调。你做了所有的步骤,没有太多的细节,这提供了一个机器学习管道的总体想法,为你的头脑准备什么是即将到来的。亚博ios彩票

第一部分的其余部分进入了一些调有监督和无监督学习算法. 您将找到大多数Python机器学习书籍所涵盖的算法和库的一般花名册(回归算法、决策树、支持向量机、聚类算法等)。然而,有一些独特的接触,使这本书有别于其他书,如讨论多类输出和多输出分类,这是没有在大多数其他书籍。

我最喜欢的事情之一的机器学习是梯度下降和随机梯度下降的分步解释和编码。Geron已经成功地让没有技术背景的读者可以访问两个最基本(也是最复杂)的优化算法。这些基础工作可以帮助你在后面的书中浏览更复杂的主题,特别是当你读到下面的部分时人工神经网络更深的学习。

当你通过你的机器学习算法的探索,不讨论,Geron扔进其他的好吃的在其他地方,包括深入讨论不同的支持向量机内核(许多复杂的数学),多种搭配方法(其他书籍通常只讨论随机森林),和一个技术提高方法的概述。

的机器学习还介绍了半监督学习,这是一种机器学习技术,当您希望执行监督学习,但您的训练/测试数据未标记时使用。同样,这是关于Python机器学习的其他介绍性书籍没有提到的内容。

但机器学习部分并非没有问题。分类一章有点令人沮丧,因为在接下来的部分中,您必须在整个MNIST数据集上运行交叉验证,这是相当慢的,即使在八核CPU服务器上也是如此。降维这一章有一些很好的可视化效果,但是读起来就像一本带有简短代码片段的参考手册,并且漏掉了能够更好地解释概念及其解决的问题的端到端示例(完整的示例包含在代码示例文件中)。在第一部分的末尾,这本书变得非常复杂,如果你没有机器学习的背景和坚实的微积分基础,你会挣扎。

深度学习全面覆盖

人工神经网络

我不期望一本关于机器学习的书能广泛地涵盖深度学习,但是的机器学习,Geron已经成功地在400页中打包了很多内容。你从人工神经网络的伟大历史开始,我认为这对任何研究深度学习的人来说都很重要(许多人跳到编码上却没有注意到神经网络背后几十年的研究)。同样,与机器学习部分一样,您将获得关键深度学习概念的概述,如多层感知器(MLP)、反向传播、超参数调优等。

书中还对激活函数进行了很好的概述,并对深度学习的陷阱提出了一些很好的警告(不要折磨数据!)

Geron为您提供了TensorFlow(谷歌的流行深度学习框架)的结构概述,以及关键类和类、激活函数、模型等定制功能。这很重要,因为你将在书中做很多自定义组件的创建。在Keras中也有很多代码,Keras是一个更高级的库,可以更容易地使用Tensorflow组件。

书的其余部分是关于不同学科的专门章节,包括计算机视觉、序列处理和自然语言处理.书中还介绍了生成模型等高级概念强化学习

您将深入了解关键的深度学习结构,包括卷积神经网络(CNN),复发性神经网络长-短期记忆网络(LSTM)和门循环单位(GRU)。

计算机视觉这一章特别有趣,包含了很多其他书籍中没有的材料,包括使用流行的深度学习算法(如ResNet和YOLO)进行图像分类和目标检测的有用例子。您还可以了解其他广受好评的深度学习模型的结构,如AlexNet、GoogLeNet和VGGNet。还有一个亲身实践的例子迁移学习利用Xception神经网络模型。

NLP部分也非常面向实例,对序列预测、情感分析和神经机器翻译进行了深入的覆盖。你还可以学习一些高级的主题,包括双向RNN、波束搜索和注意力机制,这些主题值得你自己去读一本书。

“生成模型”部分首先对自动编码器进行了流畅而直观的介绍,但当您到达时会变得复杂生成对抗的网络(甘),这同样值得一本自己的书。

在学习本节时,您需要的是大量的计算能力(最好是gpu)。这些例子需要非常密集的计算。的机器学习的随书附赠的Jupyter笔记本也包含了很多本书没有深入发现的有价值的代码和函数,所以一定要查看它们。

深度学习部分以专业深度学习生产环境的预览结束。

这是我最喜欢的一点的机器学习是Geron如何结束的:“接下来,我对你最好的建议是练习和练习:尝试完成所有的练习(如果你还没有这样做),玩Jupyter笔记本,加入Kaggle.com或其他ML社区,观看ML课程,阅读论文,参加会议,并会见专家。拥有一个具体的项目也是非常有帮助的,无论是工作还是娱乐(理想情况下都是如此),所以如果你一直梦想着构建任何东西,那就尝试一下吧!增量地工作;不要马上不切实际,而是要专注于你的项目,一点一点地构建它。这需要耐心和毅力,但当你有一个行走机器人,或工作聊天机器人,或任何其他你想做的,这将是非常有益的。

,这是真的。如果有一件事的机器学习告诉你,学习人工智能是永无止境的。你越深入研究,你就越需要学习。www.yabovip4

最终判决

的机器学习是任何开始Python机器学习和深度学习之旅的人的必读书目。然而,我不建议把它作为第一步,而且它也肯定不是你和机器学习事业之间的最后一本书。

如果你是新手,我建议你读关于Python数据科学的入门书籍之前捡的机器学习.如果您已经掌握了一些Python和数据科学技能,这两本专门的书快速阅读有助于你更好地准备书中提供的材料的深度实际的机器学习。它们为您提供了坚实的Python数学和数据操作库的背景知识。

此外,我建议阅读另一本关于机器学习的书,比如Python机器学习或者参加像Udemy这样的在线课程机器学习A-Z之前还是之后实际的机器学习。你会发现很多重叠,但每一个都提供了其他人没有涵盖的新视角和主题。

留下答复

这个网站使用Akismet来减少垃圾邮件。了解如何处理评论数据