本书从数据集、数据清理开始谈起，在介绍机器学习的建模方式后，第2章详细说明了机器学习与深度学习所涉及的矩阵、向量等技术。第3章使用Keras搭建深度学习模型，也介绍了激活函数、损失函数、反向传播、过拟合或欠拟合等问题。第4章给出了训练深度学习模型的过程中可能存在的交叉验证问题。当需要提高模型精度时，可以考虑参考第5章中的L1/L2正则化、丢弃正则化、早停等方式。第6章讲解模型评估问题，在太平洋飓风数据集上指出准确率的局限性，从而引出混淆矩阵、ROC曲线、AUC评分等概念。接下来的3章介绍卷积神经网络、迁移学习、循环神经网络等问题，这些内容在工业实际项目中占据核心地位，值得大家多写代码、多实践。

马修·莫卡姆是维亚康姆广告科学团队的主任和高级数据科学家。作为viacom的数据科学家，他设计了数据驱动的解决方案，以帮助viacom获得洞察力，简化工作流程，并使用数据科学和机器学习解决复杂的问题。马修住在纽约市，工作之外喜欢把深入学习和音乐理论结合起来。他是一位受过古典训练的物理学家，拥有纽约大学研究生院物理学博士学位，同时也是一名活跃的人工智能开发人员、研究员、实践者和教育家。

前言 配套资源 如果您了解数据科学和机器学习的基础知识，并想开始学习先进的机器学习技术，如人工神经网络和深度学习，那么本书非常适合您。为了更有效地掌握本书中解释的概念，必须具备Python编程经验，以及熟悉统计和逻辑回归等知识。 本书内容 第1章： Keras 机器学习简介。本章通过scikitlearn包介绍基础的机器学习概念。将介绍如何使用数据，然后用一个真实存在的数据集训练一个逻辑回归模型。 第2章： 机器学习与深度学习。本章介绍了传统机器学习算法和深度学习算法的不同。您将学习建立神经网络，并学习用Keras库建立第一个神经网络所需的线性转换。 第3章： Keras深度学习。本章将扩展您对神经网络构建的了解，您将学习如何构建多层神经网络，在训练数据时判断模型是否过拟合或欠拟合。 第4章： 基于Keras包装器的交叉验证评价模型。本章将教大家如何将Keras模型整合到scikitlearn工作流程中。用交叉验证来评估您的模型并使用此技术来选择最佳超参数。 第5章： 模型精度的提高。本章介绍了多种正则化方法，用于防止在训练数据时模型过拟合。可通过多种方法获得最优超参数以达到模型最高正确率。 第6章：模型评估。本章演示了模型评估所需要的各种方法。除正确率外，还将介绍更多模型评估指标，如灵敏度、特异性、精确度、误报率、ROC曲线和AUC评分，以了解模型的表现。 第7章： 基于卷积神经网络的计算机视觉。本章介绍了如何使用卷积神经网络构建图形分类器。介绍卷积神经网络的所有组件，然后构建图像处理程序对图像进行分...