近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。
《机器学习从入门到入职——用sklearn与keras搭建人工智能模型》分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。
《机器学习从入门到入职——用sklearn与keras搭建人工智能模型》可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。
作者简介:
张威（Viking Zhang），曾就职于IBM、平安科技、嘉实基金、微众银行，现就职于“特朗普品质认证”的人工智能公司，拥有多个关于人工智能方面的专利，致力于将人工智能应用场景普及化，将机器学习技术广泛用于运维架构、金融分析等方面。
目录:
第1章 机器学习概述 1
1.1 什么是机器学习 2
1.2 人工智能的发展趋势 3
第2章 机器学习的准备工作 7
2.1 机器学习的知识准备 8
2.2 机器学习的环境准备 10
2.3 机器学习模型开发的工作流程 14
第3章 Sklearn概述 16
3.1 Sklearn的环境搭建与安装 17
3.2 Sklearn常用类及其结构 18
3.3 本章小结 22
第4章 Sklearn之数据预处理 23
4.1 数据预处理的种类 24
4.2 缺失值处理 24
4.3 数据的规范化 26
4.4 非线性变换 34
4.5 自定义预处理 44
4.6 非结构性数据预处理 45
4.7 文本数据处理 46
4.8 图形的特征提取 57
第5章 Sklearn之建立模型（上） 59
5.1 监督学习概述 60
5.2 线性回归 61
5.3 广义线性模型 86
5.4 稳健回归 97
5.5 支持向量机 103
5.6 高斯过程 110
5.7 梯度下降 115
5.8 决策树 117
5.9 分类 122
第6章 Sklearn之建立模型（下） 128
6.1 无监督学习概述 129
6.2 聚类 129
6.3 降维 168
第7章 Sklearn之模型优化 198
7.1 模型优化 199
7.2 模型优化的具体方法 199
7.3 过采样 205
7.4 欠采样 212
7.5 调整类别权重 220
7.6 针对模型本身的调优 223
7.7 集成学习 228
第8章 Keras主要API及架构介绍 241
8.1 Keras概述 242
8.2 序列模型和函数式模型 243
8.3 Keras的架构 250
8.4 网络层概述 250
8.5 配置项 265
第9章 一个神经网络的迭代优化 279
9.1 神经网络概述 281
9.2 神经网络的初步实现 283
9.3 感知器层 284
9.4 准备训练模型 299
9.5 定义一个神经网络模型 301
9.6 隐藏层对模型的影响 306
9.7 关于过拟合的情况 310
9.8 优化器 314
9.9 模型调优的其他途径 329
9.10 本章小结 331
第10章 卷积神经网络 333
10.1 卷积神经网络概述 335
10.2 常见的卷积神经网络 352
第11章 生成性对抗网络 389
11.1 生成性对抗网络概述 391
11.2 常见的生成性对抗网络 399
11.3 自动编码器 411
第12章 循环神经网络 420
12.1 词嵌入 422
12.2 循环神经网络概述 430
第13章 机器学习的入职准备 448
13.1 人工智能岗位及求职者的分布 449
13.2 机器学习岗位的发展路径 454
点击下载