· Keras(https://keras.io)是一种高级深度学习API,可以非常简单地训练和运行神经网络。Keras与TensorFlow捆绑在一起,它依赖于TensorFlow进行所有的密集计算。 本书偏向于动手实践的方法,通过具体的工作示例和少量理论来加深对机器学习的直观理解。 虽然你不需要拿起笔记本计算机就可以阅读本书,但我强烈建议你尝试使用代...
Scikit-Learn在sklearn.model_selection包中提供了许多拆分类,它们实现了各种策略,将数据集拆分为训练集和测试集。每个拆分器都有一个split()方法,该方法返回对相同数据的不同训练/测试拆分的迭代器。 准确地说,split()方法产生训练和测试指标,而不是数据本身。如果你想更好地估计模型的性能,那么进行多次拆分会很...
scikit-learn是一个开源的Python机器学习库,专注于提供简单且高效的工具来进行数据挖掘和数据分析。它支持监督学习和无监督学习,并提供了一系列算法,如分类、回归、聚类、降维等。 官网链接: scikit-learn keras: Keras是一个高层神经网络API,它能够以TensorFlow、CNTK或Theano为后端运行。Keras的设计初衷是便于快速实...
本书分为两大部分:第一部分主要基于Scikit-Learn,介绍机器学习的基础算法;第二部分则使用TensorFlow和Keras,介绍神经网络与深度学习。此外,附录部分的内容也非常丰富,包括课后练习题解答、机器学习项目清单、SVM对偶问题、自动微分和特殊数据结构等。书中内容广博,覆盖了机器学习的各个领域,不仅介绍了传统的机器学习模型,...
第19章 规模化训练和部署TensorFlow模型 强化学习(RL)如今是机器学习的一大令人激动的领域,也是最老的领域之一。自从 1950 年被发明出来后,它被用于一些有趣的应用,尤其是在游戏(例如 TD-Gammon,一个西洋双陆棋程序)和机器控制领域,但是从未弄出什么大新闻。直到 2013 年一个革命性的发展:来自英国的研究者发起了...
TensorFlow: 是一个开源的机器学习框架,由Google开发。它灵活且高效,被广泛用于研究和生产中的深度学习任务。 优势 scikit-learn: 易于使用,文档齐全,社区支持良好,适合入门和中等规模的数据处理任务。 Keras: 接口简洁,适合快速实验和原型设计,支持多种后端,易于扩展。 TensorFlow: 功能强大,支持分布式计算,适合大...
《机器学习实战:基于Scikit-Learn、Keras和TensorFlow》第13章 使用TensorFlow加载和预处理数据 目前为止,我们只是使用了存放在内存中的数据集,但深度学习系统经常需要在大数据集上训练,而内存放不下大数据集。其它的深度学习库通过对大数据集做预处理,绕过了内存限制,但TensorFlow通过Data API,使一切都容易了:只需要创建...
使用Keras 实现批归一化 和Keras大部分功能一样,实现批归一化既简单又直观。只要每个隐藏层的激活函数前面或后面添加一个BatchNormalization层就行,也可以将BN层作为模型的第一层。例如,这个模型在每个隐藏层的后面使用了BN,第一层也用了BN(在打平输入之后): ...
机器学习实战:基于Scikit-Learn、Keras和TensorFlow(原书第2版) (法)奥雷利安·杰龙 计算机网络·人工智能·0字 完本| 更新时间 本书分为两部分。第一部分,机器学习基础,涵盖以下主题:什么是机器学习,它试图解决什么问题,以及系统的主要类别和基本概念;第二部分,神经网络和深度学习,涵盖以下主题:什么是神经网络...