Hands-On Machine Learning with Scikit-Learn and TensorFlow 在线电子书 图书标签: 机器学习  TensorFlow  Python  sklearn  人工智能  ML  深度学习  计算机   

喜欢 Hands-On Machine Learning with Scikit-Learn and TensorFlow 在线电子书 的读者还喜欢

• 
  Deep Learning with Python 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Python for Data Analysis 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  统计学习方法 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  The Elements of Statistical Learning 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Pattern Recognition and Machine Learning 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Fluent Python 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Designing Data-Intensive Applications 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Neural Network Methods in Natural Language Processing 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Introduction to Machine Learning with Python 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载
• 
  Make Your Own Neural Network 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载

略读 概述 ml的教程那么多 其实来来回回就是那些东西。而且是一门发展中的学科 模仿神经网络还没模仿完全 不时有新东西 alphaGo就是误打误撞弄出来的

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。

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。

強烈推薦。作者十分專業，對業界很瞭解，且敬業。隨書附送的代碼、習題答案不斷更新。比如SELU的論文6月剛出來，他的代碼庫6月就包含了這個算法。看本書能極大拓展初學者眼界，讓初學者在會「搬磚」的同時，也能瞭解到學術界最近的動向。可以說是近年來面對碼工初學者最好的深度學習教材。

优秀的一批

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...  

It is probably preferable to be comfortable with the overall process and know three or four algorithms well rather than to spend all your time exploring advanced algorithms and not enough time on the overall process.  

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...  

明年才出版，结合这两者的树很顺应时代需求啊，希望能出中文版，虽然英文读起来更好，但是为了效率，学习技术还是中文的来得更快些。

It is probably preferable to be comfortable with the overall process and know three or four algorithms well rather than to spend all your time exploring advanced algorithms and not enough time on the overall process.