机器学习 A-Z
这些参考学习书籍将会帮助你全面建立机器学习的知识架构，并且在Python和R里构建不同的机器学习模型。
通过这些参考学习书籍的学习，你将能够学习到以下技能，提升你的职场竞争力：
- 完全掌握机器学习及在Python和R里的应用
- 深刻理解各种机器学习的模型
- 做出准确的预测和强大的分析
- 利用机器学习创造更多价值
- 利用机器学习解决私人问题
- 掌握并熟练处理强大的算法，例如强化学习，自然语言处理，还有深度学习
- 掌握并熟练处理先进的技术，例如对降低数据维度
- 了解对不同的问题怎样选择合适的机器学习模型
- 建立起强大的机器学习知识架构，并且知道如何创建和运用不同的模型来解决任何问题
- 掌握 Python 和 R 上的机器学习
- 对许多机器学习模型有很好的直觉
- 做出准确的预测和强大的分析
- 创建可靠的机器学习模型
- 为您的业务创造强大的附加值
- 将机器学习用于个人目的
- 处理特定主题，如强化学习、NLP 和深度学习
- 处理降维等高级技术
- 了解为每种类型的问题选择哪种机器学习模型
- 构建强大的机器学习模型大军，并知道如何将它们组合起来解决任何问题
如果你对机器学习领域感兴趣？那么这些参考学习书籍将适合你！
这些参考学习书籍由专业数据科学家设计，在书中他们在分享他们的专业知识，并以简单的方式帮助您学习复杂的理论、算法和编码库。
这些书籍将逐步引导您进入机器学习的世界。通过每一本书的学习，您将发展新技能并提高您对数据科学这个具有挑战性但利润丰厚的子领域的理解。
这些书籍既有趣又令人兴奋，但与此同时，我们深入研究了机器学习。它的结构如下：
- 第 1 部分 - 数据预处理
- 第 2 部分 - 回归：简单线性回归、多元线性回归、多项式回归
- 第 3 部分 - 分类：逻辑回归、SVM、核 SVM、朴素贝叶斯、决策树分类、随机森林分类
- 第 4 部分 - 聚类：K 均值
- 第 5 部分 - 关联规则学习：先验
- 第 6 部分 - 强化学习：置信上限，汤普森抽样
- 第 7 部分 - 自然语言处理：NLP 的词袋模型和算法
- 第 8 部分 - 深度学习：人工神经网络、卷积神经网络
- 第 9 部分 - 降维：PCA、内核 PCA
- 第 10 部分 - 模型选择和提升：k 折叠交叉验证，网格搜索。
此外，有些书籍中还包含基于现实生活中示例的实践练习。因此，您不仅可以学习理论，还可以获得一些构建自己的模型的动手实践。
这些参考学习书籍面向哪些人：
- 所有对机器学习感兴趣的人
- 任何有高中数学知识并且想开始学习机器学习的学生
- 任何有机器学习基本知识并想了解更多这个领域的人
- 任何不太了解编程但对机器学习感兴趣，并希望将机器学习应用在数据上的人
- 任何想进入数据科学领域的大学生
- 任何想提高机器学习技能的数据分析师
- 任何对目前工作不满意并想成为数据科学家的人
- 任何希望运用强大的机器学习工具扩大自己事业的人
- 任何对机器学习感兴趣的人。
- 至少具有高中数学知识并希望开始学习机器学习的学生。
- 任何了解机器学习基础知识的中级人员，包括线性回归或逻辑回归等经典算法，但想要了解更多并探索机器学习的所有不同领域。
- 任何对编码不太熟悉但对机器学习感兴趣并希望将其轻松应用于数据集的人。
- 任何想要开始数据科学职业生涯的大学学生。
- 任何想要在机器学习中升级的数据分析师。
- 任何对自己的工作不满意并想成为数据科学家的人。
- 任何想要通过使用强大的机器学习工具为其业务创造附加值的人。
机器学习的参考学习书籍介绍：
《土木工程师的概率机器学习》
《土木工程师的概率机器学习》
为土木工程专业的学生和专业人士介绍概率机器学习的关键概念和技术;有许多分步示例、插图和练习。
本书向土木工程专业的学生和专业人士介绍了概率机器学习概念，本书以一种没有统计学或者计算机科学专业背景的读者能够理解的方式介绍关键方法和技术。它通过分步示例、插图和练习清晰直接地介绍了不同的方法。掌握了这些材料后，读者将能够理解本书所借鉴的更高级的机器学习文献。
本书介绍了概率机器学习三个子领域的关键方法：监督学习、无监督学习和强化学习。它首先涵盖了理解机器学习所需的背景知识，包括线性代数和概率论。它继续提出贝叶斯估计，这是监督和无监督学习方法的制定背后的理论，以及马尔可夫链蒙特卡罗方法，它在某些复杂情况下能够进行贝叶斯估计。然后，本书介绍了与监督学习相关的方法，包括回归方法和分类方法，以及与无监督学习相关的概念，包括聚类、降维、贝叶斯网络、状态空间模型和模型校准。最后，本书介绍了不确定背景下的理性决策和不确定和顺序背景下的理性决策的基本概念。在此基础上，本书描述了强化学习的基础知识，虚拟代理在与环境交互时学习如何通过反复试验来做出最佳决策。
《机器学习在高风险中的应用：负责任的AI技术》
《机器学习在高风险中的应用：负责任的AI技术》
过去十年见证了人工智能和机器学习 （AI/ML） 技术的广泛采用。然而，由于缺乏对广泛实施的监督，导致了有害后果，而这些后果本来可以通过适当的监督来避免。在我们实现AI / ML的真正好处之前，从业者必须了解如何降低其风险。
本书介绍了负责任的AI，这是一种改进AI / ML技术，业务流程和文化能力的整体方法，它建立在风险管理，网络安全，数据隐私和应用社会科学方面的最佳实践之上。这是一项雄心勃勃的事业，需要多样化的才能、经验和观点。数据科学家和非技术监督人员都需要被招募并授权来审计和评估高影响力的 AI/ML 系统。作者帕特里克·霍尔（Patrick Hall）为新一代审计员和评估员创建了本指南，他们希望使AI系统更好地为组织，消费者和广大公众服务。
本书的主要内容：
- 了解如何创建成功且有影响力的负责任的AI实践
- 获取有关采用 AI 技术的现有标准、法律和评估的指南
- 了解公司的现有角色如何演变以纳入负责任的AI
- 检查实施负责任 AI 的业务最佳实践和建议
- 了解在系统开发的各个阶段实现负责任 AI 的技术方法
《机器学习在地下能源资源管理中的应用：最新技术和未来预测》
《机器学习在地下能源资源管理中的应用：最新技术和未来预测》
在许多应用科学和工程学科（包括地能源）中，利用机器学习 （ML） 技术来理解隐藏模式并从复杂的多变量数据集构建数据驱动的预测模型正在迅速增加。在这些发展的推动下，《地下能源资源管理中的机器学习应用》展示了管理地下能源资源（例如石油和天然气、地质碳封存和地热能）的 ML 应用程序的最新技术和未来前景的当前快照。
本书的关键特色：
- 涵盖多个应用领域（油藏表征、钻井、生产、油藏建模和预测性维护）的 ML 应用
- 提供代表运营公司、大学和研究机构的作者的各种观点
- 提供一系列案例研究，说明几种 ML 技术的最新应用
- 包括每个应用领域的文献综述和未来展望
本书面向有兴趣广泛了解多个地下领域的ML应用的实践石油工程师或地球科学家。它还旨在作为研究生课程的补充阅读，也将吸引从事水文地质学和核废料处理的专业人员和研究人员。
《使用Spark扩展机器学习：使用 MLlib、TensorFlow 和 PyTorch的分布式机器学习》
《使用Spark扩展机器学习：使用 MLlib、TensorFlow 和 PyTorch的分布式机器学习》
快速了解 Apache Spark，这是用于大规模数据处理（包括机器学习和分析）的流行引擎。如果您希望使用 MLlib、分布式 PyTorch 和分布式 TensorFlow 扩展您的技能组合或在可扩展机器学习方面推进您的职业生涯，那么本实用指南适合您。
使用 Spark 作为主要数据处理平台，您将发现几种为丰富 Spark 的 ML 功能而设计和构建的开源技术。《Scaling Machine Learning with Spark（使用Spark扩展机器学习）》 研究了基于 Apache Spark 生态系统构建端到端分布式 ML 工作流的各种技术，包括 Spark MLlib、MLFlow、TensorFlow、PyTorch 和 Petastorm。
本书向您展示了何时使用每种技术以及为什么使用。如果你是一名使用机器学习的数据科学家，你将学习到如何：
- 构建实用的分布式机器学习工作流，包括特征工程和数据格式
- 通过桥接到分布式 TensorFlow 和 PyTorch 将深度学习功能扩展到 Spark 之外
- 使用 MLFlow 管理机器学习试验生命周期
- 使用 Petastorm 作为存储层，将数据从 Spark 桥接到 TensorFlow 和 PyTorch
- 使用机器学习术语来理解分布策略
《使用 Scikit-Learn、Keras 和 TensorFlow 动手的机器学习：构建智能系统的概念、工具和技术，第3版》
《使用 Scikit-Learn、Keras 和 TensorFlow 动手的机器学习：构建智能系统的概念、工具和技术，第3版》
通过最近的一系列突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单、高效的工具来实现能够从数据中学习的程序。这本畅销书使用具体的例子、最小的理论和生产就绪的 Python 框架——scikit-learn、Keras 和 TensorFlow——来帮助你直观地理解构建智能系统的概念和工具。
在更新的第三版中，作者Aurelien Geron探索了一系列技术，从简单的线性回归开始，发展到深度神经网络。本书中的大量代码示例和练习可帮助您应用所学知识。编程经验是入门所需的全部内容。
本书的主要内容：
- 使用 scikit-learn 端到端跟踪示例机器学习项目
- 探索多种模型，包括支持向量机、决策树、随机森林和集成方法
- 利用无监督学习技术，如降维、聚类和异常检测
- 深入了解神经网络架构，包括卷积网络、循环网络、生成对抗网络和转换器
- 使用 TensorFlow 和 Keras 为计算机构建和训练神经网络 视觉、自然语言处理、生成模型和深度强化学习
- 使用多个 GPU 训练神经网络，并使用 Google 的 Vertex AI 大规模部署它们
《可再生能源和现代混合动力系统的物联网、机器学习和区块链技术》
《可再生能源和现代混合动力系统的物联网、机器学习和区块链技术》
这本经过编辑的书籍包括描述可再生能源和现代混合动力系统的物联网、机器学习和区块链技术的章节，并附有仿真示例和案例研究。
阅读本书后，用户将通过仿真实例和案例研究，了解物联网、机器学习技术、区块链技术等最新技术，以及这些技术在可再生能源资源和现代混合动力系统中的应用。
《Python 中的动手数据预处理：了解如何有效地为成功的数据分析准备数据》
《Python 中的动手数据预处理：了解如何有效地为成功的数据分析准备数据》
清理原始数据并准备好进行处理，以设计更好的数据分析解决方案
本书的主要特点
- 培养执行数据清理、数据集成、数据缩减和数据转换的技能
- 通过强大的数据转换和处理技术充分利用原始数据
- 执行彻底的数据清理，包括处理缺失值和异常值
本书的内容简介
动手数据预处理是一本关于最佳数据清理和预处理技术的入门书，由一位开发过数据预处理和相关主题的大学水平课程的专家撰写。
通过本书，您将从多个角度配备最佳的数据预处理技术，确保您从数据中获得最佳见解。
您将了解数据预处理的不同技术和分析方面 - 数据收集，数据清理，数据集成，数据缩减和数据转换 - 并掌握使用开源Python编程环境实现它们。
动手示例和易于遵循的章节将帮助您全面阐明数据预处理、原因和方式，并确定数据分析可以导致更有效决策的机会。随着本章的深入，您还将了解数据管理系统和技术在有效分析中的作用，以及如何使用 API 提取数据。
在你学习这本 Python 数据预处理书籍结束时，您将能够使用 Python 来读取、操作和分析数据;执行数据清理、集成、缩减和转换技术，并处理异常值或缺失值，以便有效地为分析工具准备数据。
你将学到什么
- 使用 Python 对数据执行分析功能
- 了解数据库的角色以及如何有效地从数据库中提取数据
- 执行由分析目标定义的数据预处理步骤
- 识别并解决数据集成挑战
- 确定数据缩减的需求并执行它
- 发现通过数据转换改进分析的机会
这本书是为谁写的
本书面向希望对大量数据进行预处理和数据清理的初级和高级数据分析师、商业智能专业人员、工程本科生和数据爱好者。您不需要任何数据预处理经验即可开始使用本书。但是，基本的编程技能（例如使用变量、条件和循环）以及 Python 的初学者知识和简单的分析经验是先决条件。
本书的目录
- 回顾NumPy和Pandas的核心模块
- 回顾另一个核心模块 - Matplotlib
- 数据 – 它到底是什么？
- 数据库
- 数据可视化
- 预测
- 分类
- 聚类分析
- 数据清理级别 I - 清理表
- 数据清理级别 II - 解包、重组和重新制定表
- 数据清理级别 III - 缺失值、异常值和错误
- 数据融合与数据集成
- 数据缩减
- 数据转换和处理
- 案例研究 1 - 科技行业的心理健康
- 案例研究 2 - 预测 COVID-19 住院情况
- 案例研究3：美国县聚类分析
- 总结、实践案例研究和结论
《自然语言处理精装的深度学习研究应用》
《自然语言处理精装的深度学习研究应用》
人类拥有最先进的交流方式，即自然语言。虽然人类可以使用计算机相互发送语音和文本消息，但计算机天生不知道如何处理自然语言。近年来，深度学习主要改变了人工智能（AI）各个领域的观点，包括语音、视觉和自然语言处理（NLP）。深度学习在各种应用中的广泛成功已成为人工智能许多下游任务的基准。
近年来，由于深度学习和神经网络的进步，计算机视觉领域取得了巨大的飞跃，在与检测和标记对象相关的任务中超过了人类。《自然语言处理的深度学习研究应用》解释了自然语言处理（NLP），语音和计算机视觉领域的概念和最先进的研究。它提供了将 Python 中的工具和库用于实际应用程序的见解。涵盖深度学习算法、神经网络和高级预测等主题，这个首要的参考书籍是计算语言学家、软件工程师、IT 经理、计算机科学家、高等教育学生和教师、图书馆、研究人员和院士的绝佳资源。
《自然语言处理项目：使用 AI 技术构建下一代 NLP 应用程序》
《自然语言处理项目：使用 AI 技术构建下一代 NLP 应用程序》
利用机器学习和深度学习技术构建成熟的自然语言处理 （NLP） 项目。本书中的项目越来越复杂，并展示了解决各种业务问题的方法、优化提示和技巧。您将使用现代 Python 库和算法来构建端到端 NLP 项目。
本书首先概述了自然语言处理（NLP）和人工智能，以快速复习算法。接下来，它涵盖了从传统算法开始的端到端 NLP 项目和项目，例如客户评论情绪和情感检测、主题建模和文档聚类。从那里，它深入研究与电子商务相关的项目，例如使用产品描述进行产品分类，检索相关内容的搜索引擎以及基于内容的推荐系统以增强用户体验。展望未来，它解释了如何使用上下文嵌入构建系统来查找相似的句子，使用递归神经网络（RNN）总结大量文档，使用长短期记忆网络（LSTM）自动单词建议，以及如何使用迁移学习构建聊天机器人。最后，它探索了研究领域的下一代人工智能和算法。
在本书结束时，您将掌握使用NLP技术解决各种业务问题所需的知识。
通过本书您将学到什么：
- 使用 Python 实现成熟的智能 NLP 应用程序
- 使用 NLP 技术翻译文本数据上的实际业务问题
- 利用机器学习和深度学习技术执行智能语言处理
- 获得实施端到端搜索引擎信息检索、文本摘要、聊天机器人、文本生成、文档聚类和产品分类等的实践经验
本书适合的读者对象：
希望使用 Python构建自然语言应用程序的数据科学家、机器学习工程师和深度学习专业人员
《自动驾驶汽车的应用深度学习和计算机视觉：使用深度神经网络和行为克隆技术构建自动驾驶汽车》
《自动驾驶汽车的应用深度学习和计算机视觉：使用深度神经网络和行为克隆技术构建自动驾驶汽车》
使用深度学习和人工智能技术和库（如 TensorFlow、Keras 和 OpenCV）来探索自动驾驶汽车技术；
本书的主要特点
- 构建和训练强大的神经网络模型以构建自动驾驶汽车
- 实施计算机视觉、深度学习和 AI 技术来创建汽车算法
- 克服使用现代 Python 库和架构实现驾驶不同方面的自动化时面临的挑战
本书的内容简介
由于最近的一些突破，自动驾驶汽车技术现在是人工智能领域的一个新兴主题，并将数据科学家的重点转移到制造将改变汽车行业的自动驾驶汽车上。本书是使用深度学习和计算机视觉技术开发自动驾驶汽车的综合指南。
本书将从自动驾驶汽车（SDC）的基础知识开始，带您了解启动和运行构建自动驾驶汽车所需的深度神经网络技术。一旦你熟悉了基础知识，你将深入研究先进的计算机视觉技术，并学习如何使用深度学习方法来执行各种计算机视觉任务，如查找车道线、改进图像分类等。您将探索语义分割模型的基本结构和工作原理，并掌握使用语义分割检测汽车。本书还涵盖了高级应用，例如使用OpenCV的行为克隆和车辆检测，迁移学习和深度学习方法，以训练SDC模仿人类驾驶。
在本书结束时，您将学习如何实现各种神经网络，以使用现代Python库开发自己的自动驾驶汽车。
通过本书你将学到什么
- 使用 Keras 库从头开始实现深度神经网络
- 了解深度学习在自动驾驶汽车中的重要性
- 掌握使用 OpenCV 库处理图像中的特征提取技术
- 设计检测视频中车道线的软件管道
- 实现交通信号标志的卷积神经网络 （CNN） 图像分类器
- 通过在虚拟模拟器中驾驶汽车来训练和测试神经网络的行为克隆
- 探索各种最先进的语义分割和对象检测架构
这本书是为谁写的
如果你是一名深度学习工程师、人工智能研究员，或者任何希望实现深度学习和计算机视觉技术来构建自动驾驶蓝图解决方案的人，这本书适合你。任何想了解如何构建各种汽车相关算法的人也会发现这本书很有用。Python编程经验以及对深度学习的基本理解对于充分利用本书是必要的。
本书的目录
- 自动驾驶汽车的基础
- 深入了解深度神经网络
- 使用 Keras 实现深度学习模型
- 自动驾驶汽车的计算机视觉
- 使用 OpenCV 查找道路标记
- 使用 CNN 改进图像分类器
- 使用深度学习检测路标
- 语义分割的原则和基础
- 语义分割的实现
- 使用深度学习的行为克隆
- 使用 OpenCV 和深度学习进行车辆检测
- 后续步骤