學(xué)習(xí)機(jī)器學(xué)習(xí)，應(yīng)該具有編程經(jīng)驗(yàn)，熟悉主要科學(xué)庫，尤其是NumPy、和，比較深入的內(nèi)容，應(yīng)該掌握微積分、線性代數(shù)、概率和統(tǒng)計(jì)。
現(xiàn)有的機(jī)器學(xué)習(xí)系統(tǒng)類型繁多，根據(jù)以下標(biāo)準(zhǔn)將它們進(jìn)行大的分類：
·是否在人類監(jiān)督下訓(xùn)練（有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)）。
·是否可以動(dòng)態(tài)地進(jìn)行增量學(xué)習(xí)（在線學(xué)習(xí)和批量學(xué)習(xí)）。
·是簡單地將新的數(shù)據(jù)點(diǎn)和已知的數(shù)據(jù)點(diǎn)進(jìn)行匹配，還是像科學(xué)家那樣，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行模式檢測然后建立一個(gè)預(yù)測模型（基于實(shí)例的學(xué)習(xí)和基于模型的學(xué)習(xí)）。
這些標(biāo)準(zhǔn)之間互相并不排斥，你可以以你喜歡的方式將其任意組合。例如，現(xiàn)在最先進(jìn)的垃圾郵件過濾器可能是使用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)垃圾郵件和常規(guī)郵件進(jìn)行訓(xùn)練，完成動(dòng)態(tài)學(xué)習(xí)。這使其成為一個(gè)在線的、基于模型的有監(jiān)督學(xué)習(xí)系統(tǒng)。
《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于-Learn、Keras和第2版》中文PDF+英文PDF+源代碼
《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于-Learn、Keras和第2版》中文PDF，1052頁，有詳細(xì)書簽?zāi)夸洠淖挚梢詮?fù)制；《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于-Learn、Keras和第2版》英文PDF，1096頁，有詳細(xì)書簽?zāi)夸洠淖挚梢詮?fù)制；配套源代碼；奧雷利安著，宋能輝譯
下載: /s/J3Q
提取碼: 794q
《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)基于-Learn、Keras和第2版》內(nèi)容廣博，覆蓋了機(jī)器學(xué)習(xí)的各個(gè)領(lǐng)域，不僅介紹了傳統(tǒng)的機(jī)器學(xué)習(xí)模型，包括支持向量機(jī)、決策樹、隨機(jī)森林和集成方法，還提供了使用-Learn進(jìn)行機(jī)器學(xué)習(xí)的端到端訓(xùn)練示例。尤其對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入的探討，包括各種神經(jīng)網(wǎng)絡(luò)架構(gòu)（如卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等）、強(qiáng)化學(xué)習(xí)，以及如何使用/Keras庫來構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。第一部分介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)；第二部分介紹神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)。附錄部分的內(nèi)容也非常豐富。兼顧理論與實(shí)戰(zhàn)，最大的特色就是有深度，覆蓋面廣，但是并沒有太多復(fù)雜的數(shù)學(xué)公式推導(dǎo)，很容易看懂。從實(shí)戰(zhàn)來說，使用了當(dāng)前熱門的機(jī)器學(xué)習(xí)框架-Learn及深度學(xué)習(xí)框架和Keras，每一章都配備相應(yīng)的項(xiàng)目示例，代碼的實(shí)操性和可讀性非常好。附錄B給出機(jī)器學(xué)習(xí)項(xiàng)目清單，如果工業(yè)界想做一套機(jī)器學(xué)習(xí)的解決方案，完全可以按照這個(gè)清單去做。
深度神經(jīng)網(wǎng)絡(luò)是（非常）簡化的大腦皮層的模型，由一堆人工神經(jīng)元層組成，在強(qiáng)大的計(jì)算能力和大量數(shù)據(jù)的幫助下，深度學(xué)習(xí)是可能的，而且還具有令人難以置信的成就，這是其他機(jī)器學(xué)習(xí)（ML）技術(shù)無法企及的，這種熱情很快擴(kuò)展到了機(jī)器學(xué)習(xí)的許多其他領(lǐng)域。-Learn非常易于使用，它有效地實(shí)現(xiàn)了許多機(jī)器學(xué)習(xí)算法，因此成為學(xué)習(xí)機(jī)器學(xué)習(xí)的重要切入點(diǎn)。是用于分布式數(shù)值計(jì)算的更復(fù)雜的庫。通過將計(jì)算分布在數(shù)百個(gè)GPU（圖形處理單元）服務(wù)器上，它可以有效地訓(xùn)練和運(yùn)行大型神經(jīng)網(wǎng)絡(luò)。Keras是高層深度學(xué)習(xí)API，使訓(xùn)練和運(yùn)行神經(jīng)網(wǎng)絡(luò)變得非常簡單。它可以在、或微軟 （以前稱為CNTK）之上運(yùn)行。附帶了該API自己的實(shí)現(xiàn)，稱為tf.keras機(jī)器人技術(shù)基礎(chǔ) pdf機(jī)器人技術(shù)基礎(chǔ) pdf，支持某些高級(jí)功能（例如有效加載數(shù)據(jù)的能力）。
強(qiáng)化學(xué)習(xí)，知識(shí)圖譜等學(xué)習(xí)：
下載: /s/1L_-
提取碼: xqcf
我們要知道什么是機(jī)器學(xué)習(xí)，它試圖解決什么問題，以及其系統(tǒng)的主要類別和基本概念，典型機(jī)器學(xué)習(xí)項(xiàng)目中的步驟，通過將數(shù)據(jù)與模型進(jìn)行擬合來學(xué)習(xí)，·優(yōu)化成本函數(shù)，處理、清潔和準(zhǔn)備數(shù)據(jù)，選擇和工程化特征，選擇模型并使用交叉驗(yàn)證調(diào)整超參數(shù)，機(jī)器學(xué)習(xí)的挑戰(zhàn)，特別是欠擬合和過擬合（偏差/方差的權(quán)衡），最常見的學(xué)習(xí)算法：線性和多項(xiàng)式回歸、邏輯回歸、k-近鄰算法、支持向量機(jī)、決策樹、隨機(jī)森林和集成方法，降低訓(xùn)練數(shù)據(jù)的維度，其他無監(jiān)督學(xué)習(xí)技術(shù)，包括聚類、密度估計(jì)和異常檢測。
什么是神經(jīng)網(wǎng)絡(luò)以及它們的作用，使用和Keras構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最重要的神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括用于表格數(shù)據(jù)的前饋神經(jīng)網(wǎng)絡(luò)、用于計(jì)算機(jī)視覺的卷積網(wǎng)絡(luò)、用于序列處理的遞歸網(wǎng)絡(luò)和長短期記憶（LSTM）網(wǎng)絡(luò)、用于自然語言處理的編碼器/解碼器和、自動(dòng)編碼器和用于生成學(xué)習(xí)的生成式對(duì)抗網(wǎng)絡(luò)（GAN），訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的技術(shù)，如何使用強(qiáng)化學(xué)習(xí)構(gòu)建可以通過反復(fù)試錯(cuò)學(xué)習(xí)好的策略的代理程序（例如游戲中的機(jī)器人），有效地加載和預(yù)處理大量數(shù)據(jù)，大規(guī)模訓(xùn)練和部署模型。