预购商品
书目分类
特别推荐
機器學習「聖經級」著作全新進化,正式擁抱PyTorch生態系! 別再只當AI使用者,跟著Aurélien Géron成為AI的打造者。 本書將是你技術職涯中最具價值的投資! 「本書是初學者踏入機器學習(ML)世界的完美起點。作者以清晰的範例程式與實際的範例,從基礎脈絡到核心概念層層揭開AI的奧祕。你將透過PyTorch與Scikit-Learn的完整操作流程,從入門一路挺進最新的機器學習與深度學習技術。」 ——Louis-François Bouchard,教育者、Towards AI共同創辦人暨CTO 「Géron找出理論與實作的黃金比例,運用Scikit-Learn與PyTorch的實作來幫助你充分掌握重要概念,並以親切、易懂的說明讓複雜知識變得毫無負擔。這本書是我最推薦ML學習資源。」 ——Ulf Bissbort,ZefHub共同創辦人暨CTO 機器學習的潛力正以空前的速度爆發,但它的複雜度總是令門外的開發者與科技工作者望而卻步。現在,無論你想提升技能、在實際專案中導入AI,亦或只想要瞭解AI系統到底如何運作,本書都是帶你邁入AI世界的完美起點。 作者Aurélien Géron以親切的筆法與扎實的知識,打造出最全面的機器學習與深度學習入門指南。你將透過清晰的講解與貼近現實的範例,逐步掌握Scikit-Learn、PyTorch、Hugging Face等主流工具,從基本的回歸技術到先進的神經網路架構,並在此基礎上,進一步介紹深度學習架構與現代AI技術,包括Transformer、生成式模型,以及大型語言模型(LLM)的應用與微調方法,一路暢行無阻。 本書內容橫跨傳統機器學習與現代深度學習,提供一條從入門到進階的完整學習路徑。無論是初學者、希望強化實作能力的工程師,或是計畫轉向 PyTorch 生態系的開發者,都能透過本書掌握打造智慧系統所需的關鍵知識與技術。 • 瞭解ML基礎知識,包括過度擬合與超參數調校等概念。 • 使用Scikit-Learn來完成一個完整的ML專案,不僅涵蓋資料探索,也包含模型評估。 • 學習無監督學習技巧,例如分群與異常偵測。 • 建立進階架構,例如使用transformer來建構聊天機器人,以及使用PyTorch來打造擴散模型。 • 運用預訓模型(包括LLM)並學習如何微調與提升其速度。 • 使用強化學習來訓練自主的代理。
前言 【第一部分 機器學習的基本概念】 第一章 機器學習全景 何謂機器學習? 為什麼要使用機器學習? 應用範例 機器學習系統的類型 ML的主要挑戰 測試與驗證 習題 第二章 機器學習專案的完整流程 使用真實的資料 瞭解大局 取得資料 探索資料並將資料視覺化以獲得見解 為ML演算法準備資料 選擇並訓練模型 微調你的模型 上線、監視與維護你的系統 大膽嘗試吧! 習題 第三章 分類 MNIST 訓練二元分類器 效能指標 多類別分類 錯誤分析 多標籤分類 多輸出分類 習題 第四章 訓練模型 線性回歸 梯度下降 多項式回歸 學習曲線 正則化線性模型 Logistic回歸 習題 第五章 決策樹 訓練與視覺化決策樹 進行預測 估計類別機率 CART訓練演算法 計算複雜度 使用Gini不純度還是entropy? 正則化超參數 回歸 對方向敏感 決策樹有高變異性 習題 第六章 集成學習與隨機森林 投票分類器 Bagging與Pasting 隨機森林 Boosting Stacking 習題 第七章 降維 維數詛咒 降維的主要方法 PCA 隨機投影 LLE 其他的降維技術 習題 第八章 無監督學習技術 分群演算法:k-means與DBSCAN 高斯混合 習題 【第二部分 神經網路與神度學習】 第九章 人工神經網路導論 從生物神經元到人工神經元 使用Scikit-Learn來建構與訓練MLPs 超參數調整指南 習題 第十章 使用PyTorch來建構神經網路 PyTorch基礎 實作線性回歸 實作回歸MLP 使用DataLoader來實作小批次梯度下降 模型評估 使用自訂模組來建立非sequential模型 使用PyTorch來建立圖像分類器 微調神經網路超參數:使用Optuna 儲存與載入PyTorch模型 編譯與最佳化PyTorch模型 習題 第十一章 訓練深度神經網路 梯度消失/爆炸問題 重複使用預訓層 更快的optimizer 學習率排程 透過正則化來避免過度擬合 實務指南 習題 第十二章 深度電腦視覺:使用摺積神經網路 視覺皮層的架構 摺積層 池化層 使用PyTorch來實作池化層 CNN架構 使用PyTorch來實作ResNet-34 CNN 使用TorchVision的預訓模型 用來執行遷移學習的預訓模型 分類與定位 物體偵測 物體追蹤 語意分割 習題 第十三章 使用RNN與CNN來處理序列 遞迴神經元與階層 訓練RNN 預測時間序列 處理長序列 習題 第十四章 使用RNN與注意力機制來處理自然語言 使用字元RNN來產生莎士比亞風格的句子 使用Hugging Face程式庫來分析情感 用於神經機器翻譯的Encoder-Decoder網路 Beam Search 注意力機制 習題 第十五章 使用Transformer來執行NLP與製作聊天機器人 Attention Is All You Need:原始的Transformer架構 建構可將英文翻譯成西班牙文的Transformer 用Encoder-Only Transformer來理解自然語言 Decoder-Only Transformers 將大型語言模型變成聊天機器人 Encoder-Decoder模型 習題 第十六章 視覺與多模態Transformer 視覺Transformer 多模態Transformers 其他的多模態模型 習題 第十七章 加速Transformer 第十八章 自編碼器、GAN與擴散模型 有效率的資料表徵 使用欠完備的線性自編碼器來執行PCA 堆疊式自編碼器 摺積自編碼器 去雜訊自編碼器 稀疏自編碼器 變分自編碼器 生成Fashion MNIST圖像 生成對抗網路 擴散模型 習題 第十九章 強化學習 什麼是強化學習? 策略梯度 基於價值的方法 Actor-Critic演算法 使用Stable-Baselines3 PPO來訓練 Atari打磚塊遊戲大師 一些常見RL的演算法 習題 Thank You! 附錄A自動微分 附錄B混合精度與量化 索引
Aurélien Géron 是機器學習顧問,曾擔任Google的YouTube影片分類負責人。他是WiFirst與Polyconseil等科技公司的共同創辦人,並具備金融、國防與醫療保健領域的背景,同時是多本暢銷技術書籍的作者。
客服公告
热门活动
订阅电子报