用于计算机视觉的深度学习
Python 中的图像分类、目标检测和人脸识别
深度学习方法可以在图像分类、目标检测和人脸识别等具有挑战性的计算机视觉问题上取得最先进的结果。
这本新电子书以您所熟悉的友好型机器学习精通风格编写，跳过数学部分，直接获取结果。
通过清晰的解释、标准的 Python 库（Keras 和 TensorFlow 2）以及分步教程，您将学习如何为自己的计算机视觉项目开发深度学习模型。
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：30 节分步课程，563 页。
- 基础知识：卷积、池化等背后的直觉。
- 真实项目：检测物体、识别人脸等。
- 可运行代码：包含 158 个 Python (.py) 代码文件。
心动了吗？
Nikolay Oskolkov 生物信息学家
这本书非常棒，我真的会推荐给所有对计算机视觉和深度学习感兴趣的人！
……为什么是深度学习？
传统上，计算机视觉非常困难。
我们被图像淹没：照片、视频、YouTube、Instagram，以及越来越多的实时视频。
计算机视觉，通常缩写为 CV，被定义为一个研究领域，旨在开发技术来帮助计算机“看”并理解数字图像（如照片和视频）的内容。
计算机视觉问题看起来很简单，因为人们甚至儿童都能轻易解决它。
帮助计算机实现“看”的功能，结果证明非常困难。
一个原因是，我们对人类视觉的工作原理没有深入的理解。
它之所以如此具有挑战性的另一个原因是视觉世界固有的复杂性。
一个真正的视觉系统必须能够在无限的场景中“看”并仍然提取出有意义的东西。
用深度学习解锁计算机视觉
深度学习在计算机视觉领域的承诺
深度学习方法之所以受欢迎，主要是因为它们正在兑现其承诺。
深度学习能力最早的大规模展示之一是在计算机视觉领域，特别是图像识别。最近则是在目标检测和人脸识别领域。
深度学习在计算机视觉领域的五大承诺如下：
- 自动特征提取的承诺。特征可以从原始图像数据中自动学习和提取。
- 端到端模型的承诺。单个端到端模型可以取代专业模型的流水线。
- 模型重用的承诺。学习到的特征甚至整个模型都可以在相关任务中重用。
- 卓越性能的承诺。这些技术在具有挑战性的任务上展现出比传统方法更好的技能。
- 通用方法的承诺。单一的通用方法（例如卷积神经网络）可以用于一系列相关任务。
深度学习的惊人应用
计算机视觉并未“解决”，但在该领域的许多挑战性问题上，深度学习是达到最先进水平所必需的。
深度学习方法正在兑现其在计算机视觉领域的承诺。
让我们来看三个例子，让您对深度学习在计算机视觉领域能够取得的成果有一个概览。
1) 自动目标检测。
目标检测是一项任务，给定场景的照片，系统必须定位、绘制边界框并分类每个对象。
2) 自动人脸识别。
人脸识别是一项任务，给定一张或多个人物的照片，系统必须根据他们的人脸识别照片中的人物，或者验证照片中的人物是否是他们所声称的人。
3) 自动图像分类
图像分类是一项任务，给定一张物体的照片，系统必须将该照片分类到一个或多个已知类别中。
- 深度学习模型可以轻松地以 99% 的准确率对猫狗照片进行分类，这是一个以前未解决的问题。
- 深度学习目标检测任务现在非常出色且速度极快，可以用于实时视频。
- 深度学习人脸识别模型现在在相同任务上可以超越人类。
你可以看到，开发能够完成这些任务的系统在广泛的领域和行业中都将具有价值。
那么，如何快速开始并善于将深度学习应用于计算机视觉呢？
这是我刚开始学习视觉识别深度学习时希望拥有的那本书。
这本书源于一个想法
我怎样才能让您尽快熟练掌握用于计算机视觉的深度学习呢？
机器学习精通方法认为，学习这些材料的最佳方式是实践。这意味着本书的重点是动手实践项目和教程。这也意味着不涵盖某些主题，即使是“所有人”都涵盖的主题，如DSP理论或建模数学。
本书旨在逐步教您如何将现代深度学习方法应用于您的计算机视觉项目。
您将沿着关键路径前进，从一个对计算机视觉感兴趣的实践者，成长为一个能够自信地将深度学习方法应用于计算机视觉问题的实践者。
这是我能想到的最快的方法，让您熟练掌握用于计算机视觉的深度学习。
…你将
掌握可立即应用的实际技能，例如：
图像数据准备
- 标准库。了解如何使用 PIL/Pillow 加载和处理图像数据。
- Keras 图像处理。了解如何使用 Keras 深度学习库处理图像数据。
- 缩放像素。了解如何归一化和标准化像素数据。
- 加载大型数据集。了解如何从文件中逐步加载大型图像数据集。
- 图像增强。了解如何使用图像数据增强来提高模型性能。
卷积与池化
- 通道排序。了解通道优先和通道在后排序背后的直觉以及如何更改排序。
- 卷积层。了解卷积层背后的直觉以及滤波器的工作原理。
- 填充和步幅。了解步幅背后的直觉、滤波器大小的影响以及如何通过填充修复边界效应。
- 池化层。了解池化背后的直觉以及平均池化、最大池化和全局池化的工作原理。
卷积神经网络
- ImageNet。了解 ImageNet 数据集和 ILSVRC 竞赛及其带来的令人印象深刻的成果。
- 架构创新。探索关键的模型架构创新，例如 Inception 和 ResNet。
- 代码架构。了解如何从零开始编写关键模型架构创新的代码。
- 1×1 卷积。了解 1×1 卷积背后的直觉以及如何使用它来管理模型复杂性。
- 预训练模型。了解使用预训练模型的好处以及如何将其用于迁移学习。
图像分类
- 从零开始。了解如何为基准数据集从零开始开发图像分类模型。
- 模型正则化：学习如何添加像 dropout 和数据增强这样的正则化方法，以减少过拟合并提升模型性能。
- 预训练模型。了解如何利用世界级的预训练模型来加速解决新问题。
- 猫狗大战。开发一个高性能模型来分类猫狗照片。
- 亚马逊雨林。开发一个性能卓越的模型，用于标记亚马逊雨林的航拍照片。
目标检测
- 物体识别。探索物体识别领域以及定位和检测子问题。
- R-CNN。了解基于区域的卷积神经网络模型以及如何使用预训练模型进行目标检测。
- YOLO。了解 YOLO（你只看一次）卷积神经网络模型以及如何使用预训练模型进行目标检测。
- 袋鼠检测。学习如何开发、训练、评估和使用目标检测模型来定位和检测照片中的袋鼠。
人脸识别
- 人脸检测。了解人脸检测问题以及如何使用 MTCNN 模型检测照片中的人脸。
- VGGFace2。了解牛津大学性能卓越的 VGGFace2 模型，以及如何将其用于人脸验证和人脸识别。
- FaceNet。了解 Google 性能卓越的 FaceNet 模型，以及如何将其用于人脸验证和人脸识别。
…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。
本书面向了解一些应用机器学习和一些深度学习的开发人员。
也许您希望或需要在研究项目或工作项目中使用深度学习进行视觉识别。本书旨在通过将多年的知识和经验压缩成一个激光聚焦的实践教程课程，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
- 您需要熟悉基本的 Python。
- 您可能对 scikit-learn 的基本建模有所了解。
- 您可能对 Keras 的基本建模有所了解。
您不需要是
- 您不需要是数学天才！
- 您无需成为深度学习专家！
- 您不需要是计算机视觉大师！
……那么阅读后您会知道什么呢？
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
- 神经网络和深度学习方法在计算机视觉问题上的普遍前景。
- 如何使用最好的 Python 库加载和准备图像数据（例如照片）以进行建模。
- 卷积层中的专用层（包括一维和二维卷积、最大池化和平均池化）的工作原理，以及每个层对输入数据影响的直观理解。
- 如何配置卷积层，包括滤波器大小、步幅和池化等方面。
- 卷积神经网络的关键建模创新如何工作以及如何从零开始实现它们，例如 VGG 块、Inception 模型和 ResNet 模块。
- 如何针对图像分类（如 Fashion MNIST 和 CIFAR-10）的标准基准计算机视觉数据集，开发、调整、评估卷积神经网络并进行预测。
- 如何开发、调整、评估卷积神经网络并对全新的数据集（如卫星照片和宠物照片）进行图像分类预测。
- 如何使用预训练模型、迁移学习和图像增强等技术来加速和改进模型开发。
- 如何使用预训练模型并开发用于目标识别任务的新模型，例如使用 Mask R-CNN 和 YOLOv3 等技术进行照片中的目标定位和目标检测。
- 如何使用深度学习模型进行人脸识别任务，例如使用 Google 的 FaceNet 和 Oxford 的 VGGFace2 等技术进行照片中的人脸识别和人脸验证。
本书不会教您如何成为一名研究科学家，也不会讲解特定方法背后的所有理论。为此，我推荐好的研究论文和教科书。
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计算机视觉问题的实践：
- 您将能够自信地加载和准备好用于建模的图像数据。
- 您将能够快速开发出有效的卷积神经网络模型。
- 您将能够毫不费力地将世界级的预训练模型应用于新问题。
本书不能替代深度学习或计算机视觉的本科课程，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“延伸阅读”部分。
……那么电子书中有什么内容呢？
30 步教程，助您蜕变
成为深度学习计算机视觉实践者
本书围绕与计算机视觉问题直接相关的主要深度学习技术进行设计。
关于深度学习和计算机视觉，从理论到抽象概念再到 API，有很多东西可以学习。我的目标是直接引导您通过高度集中的教程，培养您对必须理解的元素的直觉。
这些教程旨在重点介绍如何使用深度学习方法获得结果。因此，它们将为您提供工具，让您快速理解和应用每种技术或操作。本书结合了教程课程和项目，既介绍了方法，又提供了大量的示例和练习机会。
每个教程都设计成让您大约花费一小时来阅读和完成，不包括扩展和进一步阅读部分。
您可以选择每天学习一课，每周学习一课，或按照自己的进度学习。我认为动量至关重要，本书旨在供阅读和使用，而不是闲置。我建议您选择一个时间表并坚持执行。
教程分为 7 个部分；它们是：
- 第 1 部分：基础。探索计算机视觉的温和介绍，以及深度学习在计算机视觉领域的承诺，以及关于如何开始使用 Keras 的教程。
- 第 2 部分：数据准备。学习如何加载图像、图像数据集以及缩放像素数据的技术，以便为图像建模做好准备。
- 第 3 部分：卷积和池化。深入了解卷积神经网络的实际工作原理，包括卷积、滤波器大小、填充和池化。
- 第 4 部分：卷积神经网络。了解卷积神经网络发展中的主要模型架构创新，以及如何从零开始编写每个模型的代码，包括 VGG、Inception 和 ResNet。
- 第 5 部分：图像分类。学习如何开发、调整和评估用于图像分类的深度卷积神经网络，包括 Fashion MNIST 和 CIFAR-10 等问题以及全新的数据集。
- 第 6 部分：目标检测。了解 Mask R-CNN 和 YOLOv3 等用于目标检测的深度学习模型，以及如何使用预训练模型和训练用于新目标检测数据集的模型。
- 第 7 部分：人脸识别。探索用于人脸识别的深度学习模型，包括 FaceNet 和 VGGFace2，以及如何使用预训练模型进行人脸识别和人脸验证。
目录
课程概览
以下是您将完成的循序渐进教程课程概述：
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
第一部分：基础
- 第 01 课：计算机视觉简介
- 第 02 课：深度学习在计算机视觉领域的承诺
- 第 03 课：如何使用 Keras 开发深度学习模型
第 2 部分：图像数据准备
- 第 04 课：如何使用 PIL/Pillow 加载和处理图像
- 第 05 课：如何手动缩放图像像素数据
- 第 06 课：如何使用 Keras 加载和处理图像
- 第 07 课：如何使用 Keras 缩放图像像素数据
- 第 08 课：如何使用 Keras 从目录加载大型数据集
- 第 09 课：如何在 Keras 中使用图像数据增强
第 3 部分：卷积和池化
- 第 010 课：如何使用不同的通道排序格式
- 第 011 课：卷积层的工作原理
- 第 012 课：如何使用滤波器大小、填充和步幅
- 第 013 课：池化层的工作原理
第 4 部分：卷积神经网络
- 第 014 课：ImageNet、ILSVRC 和里程碑式架构
- 第 015 课：里程碑式模型架构创新如何工作
- 第 016 课：如何实现模型架构创新
- 第 017 课：如何使用 1×1 卷积管理模型复杂度
- 第 018 课：如何使用预训练模型和迁移学习
第五部分：图像分类
- 第 19 课：如何分类黑白服装照片
- 第 20 课：如何分类小物体照片
- 第 21 课：如何分类猫狗照片
- 第 22 课：如何标注亚马逊雨林的卫星照片
第 6 部分：目标检测
- 第 23 课：用于物体识别的深度学习
- 第 24 课：如何使用 YOLOv3 进行目标检测
- 第 25 课：如何使用 Mask R-CNN 进行目标检测
- 第 26 课：如何开发新的目标检测模型
第 7 部分：人脸识别
- 第 27 课：人脸识别深度学习
- 第 28 课：如何在照片中检测人脸
- 第 29 课：如何使用 VGGFace2 进行人脸识别和验证
- 第 30 课：如何使用 FaceNet 进行人脸分类
附录
- 附录 A：获取帮助
- 附录 B：如何设置您的工作站
- 附录 C：如何为 GPU 上的深度学习设置 Amazon EC2
尾注
- 一、结论
电子书目录
以下截图取自 PDF 电子书。
它为您提供了本书目录的完整概述。
计算机视觉深度学习目录
目标成果
每个部分都针对一个特定的学习成果，每个部分内的每个教程也是如此。
这作为一个过滤器，确保您只专注于实现特定结果所需了解的事项，而不会陷入数学或几乎无限的离题讨论中。
在实践中学习
这些教程并非旨在教您关于每种方法的所有知识。
它们旨在让您了解它们的工作原理、如何使用它们以及如何以我所知的最快方式解释结果：通过实践学习。
抢先看电子书内容
点击图片放大。
《计算机视觉深度学习》第 3 页样本
……你还将获得 158 个功能齐全的 Python 脚本
额外赠送：深度学习计算机视觉代码食谱
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：
- 准备数据。
- 转换数据。
- 定义模型。
- 拟合模型。
- 评估模型。
- 进行预测。
- 图像分类。
- 物体定位。
- 物体检测。
- 人脸识别。
- 人脸验证。
- 人脸分类。
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，并在 CPU 和 GPU 上执行。不需要 GPU，但对于一些较大的示例，GPU 将加速执行。
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 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：一台标准的现代工作站即可，尽管对于某些教程推荐但不要求使用 GPU。
- 编辑器：您可以使用文本编辑器并从命令行运行示例。
没有设置 Python 环境？
没问题！
附录包含分步教程，向您精确展示如何设置 Python 深度学习环境，以及如何使用廉价的云计算通过 GPU 更快地拟合模型。
计算机视觉深度学习代码食谱
关于作者
大家好，我是 Jason Brownlee。我运营这个网站，也是这本书的作者和出版者。
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
想仔细看看这本书吗？下载免费的样本章节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
Matthew Teow 开发人员
文笔清晰，主题有趣，非常实用。
Peter Marks 实践者
节奏快，需要仔细阅读，每一句话都提供新信息。如果您已经阅读过关于CNN和CV的知识并希望将理论付诸实践，那就太棒了。一些先验知识也有助于您理解介绍性/理论性课程，这些课程确实很精炼（如您所说，它不打算作为教科书）。课程结构非常清晰且相对较短，因此您可以在一个小时左右轻松完成一节课。
Kleyer Sosa Mazier 机器学习实践者
这是一本开始深度学习的必备书籍，特别是对于代码解释及其实现而言。本书作者，博士 Jason Brownlee，在将深度学习这个高级主题变得简单易懂方面做得非常出色。如果我能给这本书更多的星级，我会给的。
Jarrett Lubky 开发人员
爱不释手。我的同事们推荐了您的书，我从未失望过。作为一个涉足机器学习的开发者，我能看出您非常了解您的目标受众。看到这些关于计算机视觉的新主题真是太酷了。谢谢 Jason！
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。
现在就将深度学习引入您的计算机视觉项目！
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进行对象识别的教程。一旦第三方库更新，这些教程也将更新。
书籍《使用Python的循环神经网络（Long Short-Term Memory Networks with Python）》并不专注于时间序列预测，而是专注于用于一系列序列预测问题的LSTM方法。
书籍《深度学习时间序列预测》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。
书籍《掌握机器学习算法》适用于程序员和非程序员。它教授10个顶级机器学习算法的工作原理，并提供了算术和电子表格的示例，而非代码。重点在于理解每个模型如何学习和进行预测。
书籍《从零开始的机器学习算法》适用于通过编写代码学习的程序员。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。它较少关注算法的工作原理，而是专注于如何用代码实现每个算法。
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。
书籍《深度学习时间序列预测》侧重于如何使用一套不同的深度学习模型（MLP、CNN、LSTM和混合模型）来解决一套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.