更好的深度学习
训练更快、减少过拟合、做出更好的预测
37 美元
深度学习神经网络已变得易于定义和拟合，但仍难以配置。
在这本采用您所熟悉的友好型机器学习精通风格撰写的新电子书中，您将准确地发现如何在预测建模项目中改进深度学习神经网络模型的性能。
通过清晰的解释、标准 Python 库（Keras 和 TensorFlow 2）以及分步教程课程，您将发现如何更好地训练模型、减少过拟合并做出更准确的预测。
关于本电子书
- 所有设备均可阅读：PDF 格式电子书，无 DRM。
- 海量教程：26 节分步课程，575 页。
- 专家知识：摘自论文和书籍的引用。
- 具体教程：分步教程项目。
- 可用代码：包含 118 个 Python (.py) 代码文件。
清晰、完整的端到端示例。
心动了吗？
Lars Oestreicher 高级讲师
这本书非常棒！它为我提供了很多关于CNN网络构建的新信息，我已经应用了其中几个想法来提高网络的质量。对于那些想在这个领域认真发展的人来说，这本书非常有用。
感谢您的宝贵资料！！！
Matthias Patzak 顾问
《更好的深度学习》真是一本很棒的书。它提供了一种系统的方法，包含必要的分析机制，并从基础知识开始，内容通俗易懂。真的值得用这本书来学习所有这些知识，而不仅仅是依靠在线课程。在线课程也很好，但这本书更详细。我强烈推荐这本书！
……使用神经网络的巨大挑战！
深度学习模型易于定义，但难以配置。
神经网络的复兴……
历史上，神经网络模型必须从头开始编写代码。
您可能需要花费数天或数周时间将描述不清的数学概念转化为代码，然后再花费数天或数周时间调试代码，才能使一个简单的神经网络模型运行起来。
那些日子已经成为过去。如今，借助Keras等基于TensorFlow等复杂数学库构建的开源库，您只需几行代码，就可以在几分钟内定义并开始拟合大多数类型的神经网络。
作为深度学习从业者，我们生活在一个令人惊叹且富有成效的时代。
然而，尽管新的神经网络模型可以快速定义和评估，但关于如何实际配置神经网络模型以充分利用它们，仍然鲜有指导。
配置神经网络的挑战……
配置神经网络模型通常被称为“黑魔法”。
这是因为对于给定问题，配置网络没有硬性规定。我们无法分析计算给定数据集的最佳模型类型或模型配置。
相反，数十年来积累的技术、启发式方法、技巧、窍门和其他隐性知识分散在代码、论文、博客文章和人们的头脑中。
幸运的是，在配置和训练神经网络时，有一些已知技术可以解决特定问题，这些技术在 Keras 等现代深度学习库中可用。
此外，在过去十年中，激活函数、自适应学习率、正则化方法和集成技术等领域取得了重大发现，这些技术已被证明可以显著提高神经网络模型的性能，无论其具体类型如何。
这些技术是可用的；您只需要知道它们是什么以及何时使用它们。
系统化！
一个用于更好深度学习性能的框架
不幸的是，您不能简单地对用于提高深度学习性能的技术进行网格搜索。
相反，您必须诊断模型遇到的性能问题类型，然后仔细选择并评估针对该诊断问题的给定干预措施。
对于深度学习神经网络模型的性能不佳，有三种易于诊断的问题；它们是
- 学习问题。(例如性能不佳或陷入停滞)
- 泛化问题。(例如过拟合或测试集性能不佳)
- 预测问题。(例如最终模型中的高方差)
这种分解提供了一种系统化的方法来思考您的深度学习模型的性能。
我们可以将解决这些问题的技术总结如下
- 更好的学习。改进或加速神经网络模型权重响应训练数据集进行调整的技术。
- 更好的泛化能力。提高神经网络模型在保留数据集上性能的技术。
- 更好的预测。减少最终模型性能方差的技术。
那么这些技术是什么？（……以及如何使用它们？）
隆重推出：“更好的深度学习”
本书旨在向您准确展示如何提高深度学习模型的性能。
在撰写本书时，我设想您已经为预测建模问题开发了一个深度学习模型，并且您遇到了训练、过拟合或预测性能方面的问题。各章节旨在引导您完成诊断模型问题并向您展示一系列可用于解决问题并获得更好性能的技术。在介绍每种方法后，我通过分步案例研究将其深入讲解，向您精确展示要进行的API调用和要使用的配置参数。
所有示例都通过简单的多层感知器模型和简单的回归和分类预测建模问题进行演示。
专注于通过深度学习的小型和易于理解的技术和数据集来获得更好的性能，这意味着我们不会被复杂的模型配置或数据准备方案所困扰。相反，我们可以直接专注于提高模型性能的技术，您可以将这些技术直接移植到您的项目中使用MLP、CNN、RNN和其他现代深度学习模型架构。
更好的深度学习转型
除了提供一本指导您如何从深度学习模型中获得更好性能的“攻略”之外，我还将本书设计为一种现代技术的查找方法。这包括引用解释该技术的研究论文和书籍、最佳实践以及已发布模型中使用的特定配置示例。它旨在成为一个一站式商店，提供您必须了解的技术，以便在您的预测建模问题上充分利用神经网络模型。
……你将
培养实用技能，以提高深度学习模型的性能
你可以立即应用。
正确学习
您将发现五个重点领域，以确保您的学习算法配置良好
- 模型容量，定义模型可以学习的功能范围。
- 批次大小，定义用于估计误差梯度所需的样本数量。
- 损失函数，定义模型误差的计算方式。
- 学习率，控制每次迭代模型参数更新的幅度。
- 数据缩放，控制模型对问题的感知方式。
提高预测
您将发现七种集成学习技术，旨在减少最终模型的方差并提高预测性能
- 模型平均集成，它结合了多个模型的预测。
- 加权平均集成，它根据多个模型的信任级别加权其贡献。
- 重采样集成，它结合了在训练数据集的不同子集上训练的模型（例如引导聚合或 bagging）。
- 水平集成，它结合了单个训练运行中连续时期块中多个模型的预测。
- 快照集成，它结合了在采用激进循环学习率调度方案的训练运行中保存的模型的预测。
- 堆叠泛化集成，它训练一个新模型来学习如何最好地结合多个模型的预测。
- 平均模型权重集成，它结合了多个模型的模型参数（权重）。
稳定学习
您将发现两种方法来解决稳定学习的主要挑战
- 梯度消失，即某些层在训练期间未更新的问题。
- 梯度爆炸，即模型的大幅度更新导致数值溢出的问题。
更快的学习
您将发现三种更快学习训练数据集的方法
- 批量归一化，可以显著加速训练。
- 贪婪分层预训练，这是一项促进非常深模型训练的里程碑。
- 迁移学习，允许问题从相关数据集的训练中受益。
减少过拟合
您将发现六种旨在减少训练数据集过拟合并提高模型泛化能力的技术
- 权重正则化，根据模型的复杂性对其进行惩罚。
- 活动正则化，根据模型输出的复杂性对其进行惩罚。
- 权重约束，强制使用较低复杂度的模型。
- Dropout，鼓励层之间节点的解耦。
- 噪声，鼓励模型对输入的变化具有鲁棒性。
- 早期停止，一旦性能开始下降就停止训练。
……那么这本书适合您吗？
这本书适合谁？
让我们确保您来对了地方。
这本书适用于了解一些应用机器学习和深度学习的开发者。这不是一本初学者书籍。
也许您想或需要开始在您的研究项目或工作项目中使用深度学习。本指南旨在通过将多年的知识和经验浓缩成一个专注于实践教程的课程，帮助您快速高效地完成这项工作。
本指南以您在机器学习精通中习惯的自上而下、结果优先的风格编写。
本书中的课程对您有几点假设。
您需要了解
- 您需要了解 Python 编程基础知识。
- 您需要了解 NumPy 数组操作基础知识。
- 您需要了解 Keras 深度学习基础知识。
您不需要了解
- 您不需要是数学天才！
- 您无需成为深度学习专家！
- 您无需成为学术研究员！
……那么读完之后，您会了解什么呢？
关于您的学习成果
本书将教您如何取得成果。
阅读并完成本书后，
您将了解:
- 一个您可以用来改进您自己的预测建模问题上深度学习神经网络模型性能的技术清单。
- 如何通过更好地配置随机梯度下降批量大小、损失函数、学习率来加速学习，以及如何通过梯度裁剪避免梯度爆炸。
- 如何通过正确的数据缩放、批量归一化和使用 ReLU 等现代激活函数来加速学习。
- 如何通过贪婪分层预训练和迁移学习选择更好的初始权重来加速学习。
- 关于过拟合问题的温和介绍和正则化技术之旅。
- 如何通过权重正则化、权重约束和激活正则化等技术更新损失函数来减少过拟合。
- 如何使用 dropout、添加噪声和早期停止等技术减少过拟合。
- 关于如何组合来自多个模型的预测的温和介绍和集成学习技术之旅。
- 如何使用加权平均集成和堆叠泛化集成（也称为混合）等技术组合来自多个不同模型的预测。
- 如何使用水平集成和快照集成等技术组合在单个训练运行中保存的多个模型的预测。
本书不会教您如何成为一名研究科学家以及特定方法背后的所有理论。它将教您如何在预测建模项目中获得更好的结果并实现价值。
这种对应用深度学习方法的新理解将通过以下方式影响您解决预测建模问题的方法
- 自信地诊断糟糕的模型训练和诸如过早收敛之类的问题，并通过对学习算法进行一项或多项修改来加速模型训练过程。
- 自信地诊断训练数据集过拟合的情况，并通过对模型、损失函数或学习算法进行一项或多项修改来减少泛化误差。
- 自信地诊断最终模型中的高方差，并通过组合在单次或多次训练运行中训练的多个模型的预测来提高平均预测能力。
这本书不能替代深度学习的本科课程，也不是此类课程的教科书，尽管它可以作为一个有用的补充。有关顶级课程、教科书和其他资源的良好列表，请参阅每个教程课程末尾的“进一步阅读”部分。
……那么电子书里有什么？
26 个分步教程，将您转变为
强大的深度学习实践者
本书围绕着通过深度学习模型获得更好结果的三个主要活动而设计：更好或更快的学习、对新数据的更好泛化以及在使用最终模型时获得更好的预测。
关于从神经网络模型中获得更好结果，您可以学习很多东西，从理论到应用再到 API。我的目标是直接通过重点突出的教程让您获得结果。
我设计的教程侧重于如何完成任务。它们为您提供了快速理解并将每种技术应用于您自己的预测建模预测问题的工具。
每个教程的设计都旨在让您大约花一个小时阅读和完成，不包括扩展和进一步阅读。
您可以选择每天、每周或按自己的节奏学习课程。我认为动力至关重要，这本书旨在被阅读和使用，而不是闲置。我建议您制定一个时间表并坚持下去。
这些教程分为三部分
- 第 1 部分：更好的学习。发现用于改进和加速神经网络模型权重学习或优化过程的技术。
- 第 2 部分：更好的泛化能力。发现减少训练数据集过拟合并提高模型在新数据上泛化能力的技术。
- 第 3 部分：更好的预测。发现用于提高最终模型在新数据上进行预测时的性能的技术。
目录
以下是您将完成的 26 个分步教程课程概述
每节课都旨在让普通开发人员在大约 30 到 60 分钟内完成。
前言
- 一、导论
- 二、更好的深度学习框架
- 二、诊断学习曲线
第一部分：更好的学习
- 第 01 课：通过理解优化来改进学习
- 第 02 课：使用节点和层配置容量
- 第 03 课：使用批量大小配置梯度精度
- 第 04 课：使用损失函数配置优化内容
- 第 05 课：使用学习率配置学习速度
- 第 06 课：通过数据缩放稳定学习
- 第 07 课：使用 ReLU 解决梯度消失问题
- 第 08 课：使用梯度裁剪解决梯度爆炸问题
- 第 09 课：通过批量归一化加速学习
- 第 10 课：通过贪婪分层预训练构建更深的模型
- 第 11 课：通过迁移学习启动训练
第二部分：更好的泛化能力
- 第 12 课：使用正则化解决过拟合问题
- 第 13 课：使用权重正则化惩罚大权重
- 第 14 课：使用活动正则化惩罚大活动
- 第 15 课：使用权重约束强制小权重
- 第 16 课：使用 Dropout 解耦层
- 第 17 课：通过噪声提高鲁棒性
- 第 18 课：通过早期停止获得好结果
第三部分：更好的预测
- 第 19 课：通过集成学习减少模型方差
- 第 20 课：通过模型平均集成组合来自多次运行的模型
- 第 21 课：通过加权平均集成按信任比例贡献
- 第 22 课：通过重采样集成在不同样本上拟合模型
- 第 23 课：通过水平投票集成组合来自连续时期的模型
- 第 24 课：循环学习率和快照集成
- 第 25 课：学习通过堆叠泛化集成组合预测
- 第 26 课：通过平均模型权重集成组合模型参数
附录
- 附录 A：获取帮助
- 附录 B：如何设置您的工作站
尾注
- 一、结论
您可以看到，每个部分都针对一种特定的提高模型性能的方法，每个教程都针对一种技术的特定学习成果。这充当了一个过滤器，确保您只专注于需要了解的内容以达到特定结果，并且不会陷入数学或几乎无限数量的配置参数中。
这些教程并非旨在教授您关于每种技术的所有知识。它们旨在让您了解它们的工作原理以及如何以我所知道的最快方式在您的项目中使用它们：通过实践学习。
抢先看电子书内容
点击图片放大。
……您还将获得 118 个功能齐全的 Python 脚本
奖励：更好的深度学习代码示例
示例代码配方
书中展示的每个配方都是独立的，这意味着您可以将其复制粘贴到您的项目中并立即使用。
- 书中提供的每个示例，您都会得到一个 Python 脚本（.py）文件。
这意味着您可以跟着操作，并将您的答案与所提供的 Python 文件中已知可行的实现进行比较。
这在您处理特定任务的细节时，能大大加快您的进度，例如：
- 配置学习率。
- 添加噪声。
- 使用批量归一化。
- 使用权重正则化。
- 配置 dropout。
- 配置早期停止。
- 使用模型平均集成。
- 使用堆叠集成。
- 使用快照集成。
提供的代码是在文本编辑器中开发的，旨在在命令行上运行。不需要特殊的 IDE 或笔记本。
所有代码示例均已使用 Python 3 和 Keras 2 进行测试。
所有代码示例都可以在普通和现代计算机硬件上运行，并且在 CPU 上执行。运行所提供的示例不需要 GPU，尽管 GPU 可以使代码运行得更快。
Python 技术细节
本节提供有关本书附带代码的一些技术细节。
- Python 版本：您可以使用 Python 3。
- SciPy：您将使用 NumPy、Pandas 和 scikit-learn。
- Keras：您需要 Keras 版本 2，并带有 Theano 或 TensorFlow 后端。
- 操作系统：您可以使用 Windows、Linux 或 Mac OS X。
- 硬件：标准现代工作站即可，不需要 GPU。
- 编辑器：您可以使用文本编辑器并在命令行中运行示例。
没有 Python 环境？
没问题！
附录包含分步教程，向您准确展示如何设置 Python 深度学习环境。
更好的深度学习代码示例
关于作者
大家好，我是 Jason Brownlee。我运营这个网站，并撰写和出版了这本书。
我和我的妻子及儿子们住在澳大利亚。我喜欢读书、写教程和开发系统。
我拥有计算机科学和软件工程背景，以及人工智能专业的硕士和博士学位，主攻随机优化。
我写过关于算法的书籍，在比赛中获胜并排名靠前，为初创公司提供咨询，并在业界工作多年。（是的，我花了很多时间构建和维护真正的运营系统！）
帮助开发者入门并精通应用机器学习，这让我感到非常满足。
我采用一种非传统的自上而下、结果优先的机器学习教学方法，我们从实践教程和问题开始，然后在需要时再深入理论。
如果您有任何问题，我随时乐意帮助。我希望您能在机器学习领域变得出色。
下载您的样章
您想仔细看看这本书吗？下载免费的章节PDF。
输入您的电子邮件地址，样章将发送到您的收件箱。
看看客户们怎么说
Tony Howard 高级首席
《更好的深度学习》建立在杰森先前书籍中介绍的材料之上，并提供了一套有价值的、经过整合的技术，用于评估和改进深度学习模型性能，前提是用户熟悉深度学习的一般原理。我强烈推荐它，特别是其中的代码示例。
Kővári Bálint 开发者
我非常喜欢这本书，因为它很容易理解你所写的原理。我也喜欢你将这些内容整理成课程的方式，以及你混合代码和解释的比例。所以，你基本上使用了最好的抽象方式来教导那些在这个领域没有太多知识的人。我爱它！
Mach Lear 开发者
它内容精炼，为您节省时间。阅读轻松。问题通过良好简单的例子来说明，清晰易懂。阅读研究论文中类似主题将花费您 10 倍的时间！
Panashe Chiurunge 首席执行官
内容严谨且经过充分研究。示例可以快速采用并应用于我的模型环境。
在选择 Machine Learning Mastery 的路上，您并不孤单
受到超过 53,938 名从业者的信赖
...包括来自以下公司的员工
...以及来自以下大学的学生和教职员工
以及成千上万的其他人...
绝对没有风险，因为有...
100% 退款保证
此外，正如您对市场上任何优秀产品的期望一样，每一本 Machine Learning Mastery 的电子书
都附带了信心的最大保证：我的黄金标准 100% 退款保证。
100% 退款保证
如果您对购买的任何一本 Machine Learning Mastery 电子书不满意，
只需在购买后 90 天内给我发邮件，我将立即退款给您。
无需等待。不问任何问题。没有风险。
…是时候迈出下一步了。
立即将更好的深度学习带入您的预测建模项目！
选择您的套餐
所有价格均为美元（USD）。
（1）点击按钮。 （2）输入您的信息。 （3）立即下载。
采用 SSL 加密的安全支付处理
您有任何问题吗？
机器学习技能值多少钱？
你的老板问你：
“嘿，你能为这个建立一个预测模型吗？”
想象一下，你拥有技能和信心去说：
“好的！”
...并付诸行动。
我经历过。 那感觉太棒了！
这对你来说价值多少？
行业对机器学习技能的需求日益增长。
市场需要的是能交付成果的人，而不是写学术论文的人。
企业知道这些技能的价值，并支付天价的起薪。
数据科学家的起薪为
10 万美元到 15 万美元。
机器学习工程师的薪水甚至更高。
你还有哪些选择？
你已经走到了这一步。
你准备好采取行动了。
但是，你还有哪些选择？有哪些选项？
(1) 一本 100 美元以上的理论教科书
...它枯燥乏味，充满了数学，你很可能永远也读不完。
(2) 一个 10,000 美元以上的现场训练营
...那里都是年轻人，你必须出差，而且可能需要几个月的时间。
(3) 一个 100,000 美元以上的高等学位
...它很昂贵，需要数年时间，而且你会成为一名学者。
或者...
为了你获得的实践技能...
为了你看到的成果速度...
为了你支付的低廉价格...
Machine Learning Mastery 电子书是
超值的选择！
而且它们确实有效。这就是我提供退款保证的原因。
你是一名专业人士
这个领域发展迅速，
...你还能等多久？
你以为你有的是时间，但是...
- 新方法不断涌现，算法也在变化。
- 新书不断出版，价格也在上涨。
- 新的毕业生不断涌现，职位也被填补。
现在就是开始的最佳时机。
自下而上的学习方式缓慢而令人沮丧，
...难道你不想找到一条更快的路吗？
你真的能再这样日复一日、周复一周、月复一月地...
- 从不完整的帖子中拼凑想法和代码。
- 从简短的视频中浏览理论和见解。
- 从学术教科书中解析希腊字母。
针对性训练是你通往成果的最短路径。
专业人士始终保持在领域前沿
获取你需要的培训！
你不想落后或错过机会。
常见问题
客户问题 (78)
感谢您的兴趣。
抱歉，我不支持我的书籍的第三方经销商（例如在其他书店转售）。
我的书是自出版的，我将我的网站视为一个小型精品店，专门为那些对应用机器学习深感兴趣的开发者服务。
因此，我更喜欢自己控制书籍的销售和营销。
很抱歉，我不支持在捆绑包内更换书籍。
所提供捆绑包中的书籍组合是固定的。
我的电子商务系统不够先进，不支持临时捆绑。我相信您能理解。您可以在这里查看完整的书籍和捆绑包目录
如果您已经购买了一个捆绑包，并希望更换其中的一本书，那么非常抱歉，我不支持换书或部分退款。
如果您不满意，请直接联系我，我可以为您安排退款。
感谢您的兴趣。
很抱歉，我无法为您创建定制的书籍捆绑包。这会给我带来维护上的噩梦。我相信您能理解。
我的电子商务系统不是很先进。它不支持临时捆绑书籍或点菜式订购书籍。
我确实有一些现有的书籍捆绑包，我认为它们搭配得很好。
您可以在这里查看我所有可用的书籍和捆绑包目录
抱歉，我不销售我的书的实体版。
所有的书籍和捆绑包都是 PDF 文件格式的电子书。
这是我经过深思熟虑后有意为之的决定
- 这些书充满了必须在电脑上完成的教程。
- 这些书假定您正在实践教程，而不是被动阅读。
- 这些书旨在在电脑屏幕上阅读，旁边放着代码编辑器。
- 这些书是实践手册，而不是用作参考书放在书架上。
- 这些书会频繁更新，以跟上领域和 API 的变化。
我希望这解释了我的理由。
如果您真的想要实体版，您可以购买书籍或捆绑包，并为个人使用打印一份。PDF 文件上没有数字版权管理（DRM）来阻止您打印它们。
抱歉，我不提供 Kindle (mobi) 或 ePub 版本的书籍。
这些书仅以 PDF 文件格式提供。
这是我经过深思熟虑的设计。我的理由如下：
- 我使用 LaTeX 来排版文本和代码，以提供专业的外观，我担心电子书阅读器会搞砸这一点。
- 增加支持的格式会带来维护上的麻烦，这将占用大量时间，影响我更新书籍和创作新书。
- 最关键的是，在电子阅读器或 iPad 上阅读与选择 PDF 格式所支持的书籍与代码编辑器并排打开的方法背道而驰。
我的材料是实践手册，旨在在电脑上打开，旁边放着文本编辑器和命令行。
它们不是离开电脑阅读的教科书。
您可以查看任何一本书的目录。
我在每本书的页面上都提供了两份目录。
具体来说：
- 一份书面摘要，列出了书中的教程/课程及其顺序。
- 一份从 PDF 中截取的目录截图。
如果您找不到目录，请在页面上搜索标题为“目录”的部分。
我很高兴您在开发自己的课程材料时使用我的部分材料，例如课堂讲座的幻灯片或家庭作业练习。
如果您免费分享我的材料或逐字使用，我会不高兴。这将构成版权侵犯。
我网站上和我书中的所有代码都是为教育目的而开发和提供的。我对代码、它可能做什么或您可能如何使用它不承担任何责任。
如果您使用我的材料进行教学，请引用来源，包括：
- 作者姓名，例如“Jason Brownlee”。
- 教程或书籍的标题。
- 网站名称，例如“Machine Learning Mastery”。
- 教程或书籍的 URL。
- 您访问或复制该代码的日期。
例如
- Jason Brownlee, Python 机器学习算法, Machine Learning Mastery, 网址：https://machinelearning.org.cn/machine-learning-with-python/, 访问于 2018 年 4 月 15 日。
另外，如果您的作品是公开的，请联系我，我很乐意出于一般兴趣看看它。
通常不提供。
我的书中没有练习或作业。
我确实在一些书中有端到端的项目，但它们是以教程形式呈现的，我会引导您完成每一步。
书的章节是作为独立的教程编写的，有特定的学习成果。在教程结束时，您将学会如何做某件事。
有些书有一个名为“扩展”的部分，提供了一些以更高级的方式修改教程中代码的想法。它们就像自学练习。
不行。
我有一些书不需要任何编程技能，例如：
其他书籍确实有特定编程语言的代码示例。
您必须了解该编程语言的基础知识，例如如何安装环境以及如何编写简单的程序。我不教编程，我教的是面向开发者的机器学习。
您不需要是一个好的程序员。
话虽如此，我确实为那些可能不熟悉特定语言的开发者提供了关于如何高效设置环境的教程，甚至还有编程语言的速成课程。
抱歉，我没有视频。
我只有文本格式的教程课程和项目。
这是有意为之。我曾经有过视频内容，但我发现完成率要低得多。
我希望您能将材料付诸实践。我发现基于文本的教程是实现这一目标的最佳方式。通过基于文本的教程，您必须阅读、实现并运行代码。
而通过视频，您只是被动观看，不需要采取任何行动。视频是娱乐或信息娱乐，而不是富有成效的学习和工作。
在阅读并实践教程之后，您更有可能运用所学知识。
是的，我提供 90 天无理由退款保证。
我为我的书负责。它们包含了我对特定机器学习主题的最佳知识，并且每本书都经过数万名读者的阅读、测试和使用。
尽管如此，如果您发现我的某本电子书不适合您，我会全额退款。
是的。
我建议使用在 TensorFlow 2.2（或更高版本）上运行的独立 Keras 2.4（或更高版本）。
博客上的所有教程都已更新，使用在 Tensorflow 2 上运行的独立 Keras。
所有书籍都已更新，使用相同的组合。
我还不推荐使用作为 TensorFlow 2 一部分的 Keras（例如 tf.keras）。它太新了，新事物总有问题，我正在等待尘埃落定。独立 Keras 已经运行多年，并且继续表现出色。
有一个教程案例不支持TensorFlow 2，因为这些教程使用了尚未更新以支持TensorFlow 2的第三方库。具体来说，是使用Mask-RCNN进行目标识别的教程。一旦第三方库更新，这些教程也将更新。
《使用Python的长期短期记忆网络》一书不专注于时间序列预测，而是专注于解决一系列序列预测问题的LSTM方法。
《用于时间序列预测的深度学习》一书向您展示了如何为单变量、多变量和多步时间序列预测问题开发MLP、CNN和LSTM模型。
迷你课程是关于一系列机器学习主题的免费课程，通过电子邮件、PDF 和博客文章提供。
迷你课程的特点是：
- 简短，通常为 7 天或 14 天。
- 简洁，通常每节课给出一个技巧或代码片段。
- 有限，通常范围较窄，仅限于几个相关领域。
电子书则在许多相同主题上提供完整的培训课程。
电子书的特点是：
- 更长，通常包含 25+ 个完整的教程课程，每个课程最多需要一小时完成。
- 完整，为每个课程提供温和的介绍，并包括完整的可用代码和进一步阅读材料。
- 广泛，涵盖了该主题所需的所有内容，以便快速上手并将技术应用到您自己的项目中。
迷你课程旨在让您快速获得结果。如果您想了解更多信息或更完整的代码示例，可以购买相关的电子书。
《掌握机器学习算法》一书适合程序员和非程序员。它通过算术和电子表格（而非代码）的示例，教您10种顶级机器学习算法的工作原理。重点在于理解每个模型如何学习和进行预测。
《从零开始的机器学习算法》一书适用于通过编写代码来学习的程序员。它提供了关于如何实现顶级算法以及如何加载数据、评估模型等的分步教程。它较少介绍算法的工作原理，而是专注于如何在代码中实现每个算法。
这两本书可以相互补充。
这些书是我博客内容的浓缩和更便捷的版本。
我将我的书设计成课程和项目的结合体，教您如何使用特定的机器学习工具或库，然后将其应用于真实的预测建模问题。
这些书会进行更新，包括错误修复、API 变更的更新以及新章节的增加，这些更新是完全免费的。
我确实会将一些书的章节作为示例发布在博客上，但它们与周围的章节或书提供的叙事没有联系，也不提供独立的代码文件。
每本书都附带了书中使用的所有源代码文件，您可以将它们用作配方来快速启动您自己的预测建模问题。
我的书是实践手册，不是教科书。
它们没有深入的理论解释，只有可行的例子，这些例子高度专注于您需要知道的信息，以便将机器学习应用到您的项目中。
几乎没有数学，没有理论或推导。
我的读者非常欣赏我材料中使用的自上而下而非自下而上的方法。这是我收到反馈最多的一个方面。
我的书并不适合所有人，它们是为需要快速获得结果的从业者精心设计的。
电子书可以直接从我的网站上购买。
- 首先，找到您希望购买的书籍或捆绑包，您可以在这里查看完整的目录
- 点击您想购买的书籍或捆绑包，进入该书的详情页面。
- 点击书籍或捆绑包的“立即购买”按钮，进入购物车页面。
- 在购物车中填写您的详细信息和支付信息，然后点击“下单”按钮。
- 完成购买后，您将收到一封包含下载您的书籍或捆绑包链接的电子邮件。
所有价格均为美元（USD）。
书籍可以通过 PayPal 或信用卡购买。
Machine Learning Mastery 上的所有价格均为美元。
可以使用支持国际支付的 PayPal 或信用卡进行支付（例如，大多数信用卡都支持）。
您不必明确地将您的货币兑换成美元。
当您使用 PayPal 或信用卡付款时，货币转换会自动进行。
要在购物时使用折扣码，也称为优惠码或折扣券，请按照以下步骤操作：
1. 在结账页面的“折扣券”字段中输入折扣码文本。
注意，如果您在结账页面上没有看到名为“折扣券”的字段，则表示该产品不支持折扣。
2. 点击“应用”按钮。
3. 然后您会看到一条消息，表明折扣已成功应用于您的订单。
注意，如果您使用的折扣码已失效，您会看到一条消息，表明折扣未能成功应用于您的订单。
你应该按什么顺序读这些书？
这是一个很好的问题，我最好的建议如下：
- 考虑从一本您最感兴趣的主题的书开始。
- 考虑从一本您可以立即应用到项目上的主题的书开始。
另外，请考虑您不需要阅读所有的书，也许一部分书就能让您获得您需要或想要的技能。
尽管如此，一个建议的阅读顺序如下：
-
- 机器学习概率
- 机器学习的统计方法
- 机器学习线性代数
- 机器学习优化
- 机器学习微积分
- 数据科学入门指南
- 精通机器学习算法
- 从零开始实现机器学习算法
- 用于机器学习的 Python
- 使用 Weka 精通机器学习
- 精通 Python 机器学习
- 精通 R 语言机器学习
- 新一代数据科学
- 机器学习数据准备
- 使用 Python 处理不平衡分类问题
- 使用 Python 进行时间序列预测
- 使用 Python 实现集成学习算法
- 使用 Python 实现 XGBoost
- 使用 Python 进行深度学习
- 使用 PyTorch进行深度学习
- 使用 Python 构建长短期记忆网络
- 用于自然语言处理的深度学习
- 使用 Hugging Face Transformers 进行自然语言处理
- 用于计算机视觉的深度学习
- OpenCV 中的机器学习
- 用于时间序列预测的深度学习
- 更好的深度学习
- 使用 Python 构建生成对抗网络
- 使用注意力机制构建 Transformer 模型
- 使用 ChatGPT 提高生产力（这本书可以按任何顺序阅读）
- 使用 Stable Diffusion 精通数字艺术（这本书可以按任何顺序阅读）
希望这能有所帮助。
我最好的建议是，从一本您可以立即应用的主题的书开始。
除此之外，选择一个您最感兴趣的主题。
如果您不确定，或许可以尝试学习一些免费教程，看看您倾向于哪个领域。
通常，我建议专注于端到端地解决预测建模问题的整个过程。
我有三本书，通过三个顶级的开源平台，向您展示如何做到这一点。
- 精通Weka机器学习 (无需编程)
- 精通R语言机器学习 (使用caret)
- 精通Python机器学习 (使用pandas和scikit-learn)
这些都是很好的入门选择。
您随时可以回过头来，选择一本关于算法的书，以便更深入地了解特定方法的工作原理。
《Python深度学习》这本书可以看作是《Python长短期记忆网络》的预备知识。它教您如何开始使用Keras，以及如何开发您的第一个MLP、CNN和LSTM。
《Python长短期记忆网络》这本书深入探讨了LSTM，教您如何准备数据、如何开发一系列不同的LSTM架构、参数调整、更新模型等等。
这两本书都专注于使用Keras库在Python中进行深度学习。
《Python长短期记忆网络》这本书主要关注如何为序列预测开发一系列不同的LSTM网络。
《深度学习时间序列预测》一书重点介绍了如何使用一系列不同的深度学习模型（MLP、CNN、LSTM 和混合模型）来解决一系列不同的时间序列预测问题（单变量、多变量、多步和组合）。
LSTM这本书只教LSTM，不侧重于时间序列。而时间序列深度学习这本书则侧重于时间序列，并教授如何使用包括LSTM在内的多种不同模型。
《Python长短期记忆网络》这本书专注于如何实现不同类型的LSTM模型。
《自然语言处理深度学习》这本书专注于如何使用包括LSTM在内的多种不同网络来解决文本预测问题。
LSTM这本书可以为NLP这本书提供支持，但它不是必需的预备知识。
您可能需要“Machine Learning Mastery”公司的企业或公司税号用于您自己的税务目的。例如，这在欧盟公司中很常见。
Machine Learning Mastery 公司在波多黎各运营。
因此，公司没有欧盟的增值税（VAT）识别号或适用于您所在国家或地区的类似税号。
公司确实有一个公司编号。详细信息如下：
- 公司名称：Zeus LLC
- 公司编号: 421867-1511
在《精通机器学习算法》中没有代码示例，因此没有使用任何编程语言。
书中通过基本算术描述算法并总结其工作原理。算法的行为也在Excel电子表格中进行了演示，这些表格随书提供。
这是一本学习算法工作原理的绝佳书籍，不会被理论或编程语法所分心。
如果您有兴趣通过从头开始编码（使用Python编程语言）来学习机器学习算法，我推荐另一本书：
所有的书都经过测试，可以与Python 3（例如3.5或3.6）一起使用。
大多数书籍也经过测试，可以与Python 2.7一起使用。
在可能的情况下，我建议使用最新版本的Python 3。
我确实会先在博客上测试我的教程和项目。这就像是创意的早期体验，其中许多并没有进入我的培训材料。
书中的大部分材料最初都以某种形式出现在我的博客上，后来经过提炼、改进并以章节格式重新包装。我发现这对于提高质量和修复错误有很大帮助。
书籍提供了更方便的材料包装，包括源代码、数据集和PDF格式。它们还包括对新API的更新、新章节、错误和拼写修正，以及直接与我联系以获得我能提供的所有支持和帮助。
我相信我的书以几十美元的价格提供了价值数千美元的教育。
它们是我数月甚至数年经验的结晶，浓缩在几百页精心制作且经过充分测试的教程中。
我认为对于希望快速掌握应用机器学习技能或在项目中使用机器学习的专业开发人员来说，它们是物超所值的。
此外，机器学习技能对您、对您的下一个项目、以及对您当前或未来的雇主价值几何？
尽管如此，如果您是学生，或者您不习惯北美、澳大利亚、英国及世界类似地区开发人员的高薪，我的书的价格可能看起来很贵。对此，我感到抱歉。
折扣
我确实为学生、教师和退休人员提供折扣。
请联系我了解更多信息。
免费资料
我在我的博客上提供了大量免费内容，您可以在这里开始学习我最好的免费资料：
关于我的书籍
我的书是实战手册。
它们是为那些想知道如何使用特定库来实际解决问题并在工作中交付价值的开发人员准备的。
- 我的书只引导您了解那些为了取得成果而必须知道的要素。
- 我的书是PDF格式，并附带代码和数据集，专为方便您在电脑上阅读和实践而设计。
- 我的书让您可以通过电子邮件直接联系到我（还有哪些书能提供这个？）。
- 对于专业开发人员来说，我的书是一笔微小的业务开销，可以记入公司账目，并且在大多数地区可以抵税。
很少有机器学习培训材料专注于如何取得成果。
绝大多数资料都在重复同样的数学和理论，却忽略了您真正关心的一件事：如何在项目中使用这些方法。
与其他选项的比较
让我为您提供一些关于书籍定价的背景信息：
YouTube上有免费视频，博客上有免费教程。
- 很好，我鼓励您使用它们，包括我自己的免费教程。
有一些非常便宜的视频课程，教您一两个API的技巧。
- 我的书教您如何使用一个库来端到端地完成一个项目并交付价值，而不仅仅是几个技巧。
一本机器学习教科书可能要花费50到100美元。
- 我所有的书都比一般的机器学习教科书便宜，而且我期望您能更快地提高生产力。
一个训练营或其他线下培训可能花费1000多美元，并持续数天到数周。
- 我所有书籍的捆绑包比这便宜得多，它们允许您按自己的节奏学习，并且捆绑包涵盖的内容比一般训练营更多。
抱歉，我的书不在像Amazon.com这样的网站上销售。
出于多种原因，我慎重决定不把我的书放在亚马逊上：
- 亚马逊会从自出版书籍的销售价格中抽取65%，这会让我无法经营下去。
- 亚马逊对销售页面和购物车体验的控制权很小。
- 亚马逊不允许我通过电子邮件联系我的客户，并提供直接支持和更新。
- 亚马逊不允许我以PDF格式向客户交付我的书，而PDF是我的客户在屏幕上阅读的首选格式。
我希望这能帮助您理解我的理由。
我免费赠送了很多内容。事实上，是大部分内容。
帮助经济不宽裕的学生和从业者对我来说很重要，因此我提供了大量的免费内容。
您可以通过以下方式获取免费内容：
我对此进行了深思熟虑，我销售机器学习电子书有几个重要原因：
- 我用收入来支持网站和所有非付费用户。
- 我用收入来养家糊口，以便我能继续创作内容。
- 为教程付费的从业者更有可能认真学习并学到东西。
- 我的书目标读者是更有可能负担得起这些材料的职业人士。
是的。
您购买的书籍或捆绑包中的所有书籍更新都是免费的。
书籍通常每隔几个月更新一次，以修复错误、拼写问题并跟上API的变化。
随时联系我，查询是否有更新。请告诉我您拥有的书籍版本（版本号列在版权页上）。
是的，这些书可以帮助您找到工作，但只是间接的。
找到工作取决于您自己。
这是一个寻找职位空缺的组织与拥有技能和背景的您之间的匹配问题。
话虽如此，有些公司更看重您能为业务带来的价值，而不是您的学位。通常，这些是较小的公司和初创企业。
您可以通过学习并精通端到端解决预测建模问题来专注于提供机器学习价值。您可以通过建立一个已完成项目的机器学习作品集来展示这项技能。
我的书正是为了帮助您实现这些目标而设计的。它们准确地教您如何使用开源工具和库在预测建模项目中取得成果。
您还有其他问题吗？
请联系我.