发表于2024-05-15
Hands-On Machine Learning with Scikit-Learn and TensorFlow 2024 pdf epub mobi 电子书
tensorflow的官方文档写的比较乱,这本书的出现,恰好拯救了一批想入门tf,又看不进去官方文档的人。行文非常棒,例子丰富,有助于工程实践。这本书上提到了一些理论,简单形象;但是,理论不是此书的重点,也不应是此书的重点。这本书对于机器学习小白十分友好,读完了也就差...
评分比一些照着pakcage的API tutorial抄出来的书姿势水平不知道高到哪里去了。 个人认为这本书最精华的部分在于Appendix B 机器学习项目清单,基本上工业界做一套Machine Learning解决方案顺着这个checklist问一遍自己就够了,需要Presentation的场合按照这个结构来组织也非常合适...
评分目前读到第5章,对于小白来说虽然略难但是受益匪浅啊,至于书的质量前面褒扬的话绝对不为过,说说我的自虐历程,到第二章实例分析的时候作者说撸起袖子别怕脏手????,我就乖乖的开始跟着撸代码 python不太好,各种不懂有没有 但是也不管那么多就是强撸,到现在很多以前不懂...
评分第一部分写scikit的还行,后面第二部分关于神经网络部分,原文写的就乱,很多术语代码该解释的不解释,写的稀里糊涂,翻译更是糊涂,完全当不起5星。 举个例子,第13章330页最下面,“最后一层是不言而喻的:放弃正则化”,翻译的人你给我出来,解释一下什么是放弃正则化,那tm...
评分================================================== [https://github.com/DeqianBai/Hands-on-Machine-Learning] ================================================== 自己翻译的版本,还在更新,打开一个Jupyter 文件就可以一边学习理论,一遍进行操作验证 原书的代码示例...
图书标签: 机器学习 TensorFlow Python sklearn 人工智能 ML 深度学习 计算机
全干货,当代工程师必读
评分看了 TensorFlow 的部分。在介绍工具的书里面算很不错了,就是深度还有点缺。经验丰富的码农+学过点ML,就着个参考工程边看边改,就已经连蒙带猜知道了这书里讲的超过一半内容。看这本书能 get things work,但还不能 work better。还是希望最佳实践能够讲得多一些,比如我现在很需要一些DL调参的经验和工具,但这里只能找到默认设置。
评分精彩! 理论与实践兼备,Know-How、Know-What, Know-Why的优秀融合。作者功底深厚,横跨产学研。本书并不像学术书籍沉迷于公式和调参,也不像工程书籍沉醉于API的介绍和调用。本书在介绍模型和包的同时,还介绍了模型背后的思想。让你看到,前人在解决现有模型存在的问题时,为了哪怕在外人看来微不足道的进步,都做了哪些漂亮的工作,提出了什么优美的解法。在拟合(偏差)和泛化(方差)间完美权衡,这只能是艺术。 "人脑是一个神奇的发现规律的系统,这意味着大脑非常容易发生过拟合"。 "模型是观察的简化版本。简化意味着舍弃无法进行推广的表面细节。但是,要确定舍弃什么数据、保留什么数据,必须要做假设。如果不对数据做假设,就没有理由选择一个模型而不选另一个。这称作没有免费午餐(NFL)公理"。
评分大赞此书,真当的起深入浅出。相比于书的内容,作者放在Github上的代码更加全面且处于不断更新状态,无形中增加了书的价值。顺带一提,notebook里的Tensorboard图需翻墙才能正常显示。
评分五星佳作。目前我所了解到的面向编程的ML/DL技术书籍中最好的一本,完美诠释什么叫“理论联系实际”。适合有CS背景的对ML/DL有兴趣的读者,无论是想熟悉理论还是想练习实现。如果有一定的Python经验读起来会更舒服,另外推荐作者在Github放出的Notebooks, 这个是书中代码和样例的补充,配合书籍本身更能加深理解。前后共花费四周读完,目前我还有两个附录没有看,打算把所有额外的Notebooks再过一遍。单就精彩程度而言,第2、3章的Pipeline和Checklist,CNN和RNN的short introduction,不同的优化方法的对比(进化历程)这几个部分写得最好。
Hands-On Machine Learning with Scikit-Learn and TensorFlow 2024 pdf epub mobi 电子书