8089615 -- 书名： 【正版】[套装书]现代决策树模型及其编程实践：从传统决策树到深度决策树+机器学习实战：模型构建与应用（2册）|8089615 图书定价： 258元 图书作者： 黄智濒 等 出版社： 机械工业出版社 出版日期： 2022/7/12 0:00:00 ISBN号： 9787111706366 开本： 16开 页数： 776 版次： 1-1

内容简介

---------------------------8089492 - 现代决策树模型及其编程实践：从传统决策树到深度决策树--------------------------- 决策树是数据分析中广泛使用的机器学习模型，其模型简单、算法快速且具有可解释性。但随着大数据的涌现，将决策树真正应用到实践中还面临诸多困难。本书正是为解决这一痛点而作，旨在帮助读者系统且全面地了解决策树，并成功地将其用于工程实践。 ---------------------------8089033 - 机器学习实战：模型构建与应用--------------------------- 本书主要包括两部分。第1部分（第1章-第11章）讲解了如何使用TensorFlow来创建不同应用场景的机器学习模型。该部分介绍TensorFlow、计算机视觉、自然语言处理和序列建模。第二部分（第12章-第20章）将引导你了解如何将模型置于 Android 和 iOS 上的用户手中、使用 JavaScript 的浏览器以及通过云提供服务的场景。

目录

[套装书具体书目] 8089033 - 机器学习实战：模型构建与应用 - 9787111705635 - 机械工业出版社 - 定价 129 8089492 - 现代决策树模型及其编程实践：从传统决策树到深度决策树 - 9787111706366 - 机械工业出版社 - 定价 129 ---------------------------8089492 - 现代决策树模型及其编程实践：从传统决策树到深度决策树--------------------------- 赞誉 推荐序一 推荐序二 推荐序三 前言 第1章决策树与人工智能1 1.1决策与智能1 1.2决策树算法的起源2 1.3决策树的核心术语4 1.4决策树的可解释性5 1.5作为决策分析工具的决策树7 1.5.1决策分析8 1.5.2基于决策分析流程的决策树9 1.6作为机器学习算法的决策树15 1.6.1机器学习算法的类型15 1.6.2基于数据的决策树18 1.6.3决策树算法面临的基本问题24 1.6.4基于规则的机器学习27 1.7作为特征学习与决策融合的决策树30 1.8参考文献31 第2章经典决策树算法33 2.1经典决策树应用的一般流程33 2.1.1缺失值的处理33 2.1.2连续数值属性的离散化处理34 2.2CART算法34 2.2.1基尼不纯度、基尼增益与基尼指数34 2.2.2CART分类决策树的原理38 2.2.3CART分类决策树的编程实践43 2.2.4回归问题与回归算法55 2.2.5CART回归决策树的特征和分割点选择准则65 2.2.6CART回归决策树的原理66 2.2.7CART回归决策树的编程实践70 2.3ID3算法75 2.3.1信息熵与信息增益75 2.3.2ID3算法示例78 2.3.3ID3算法的编程实践84 2.4C4.5算法87 2.4.1信息增益率88 2.4.2连续属性的处理88 2.4.3缺失值的处理88 2.4.4基于C4.5算法处理连续属性生成分类决策树的示例91 2.4.5C4.5算法的后续改进——C5.0算法96 2.5决策树的评估98 2.6决策树的5种可视化方法100 2.7小结107 2.8参考文献107 第3章决策树的剪枝109 3.1代价复杂度剪枝110 3.1.1CCP算法的基本原理110 3.1.2CCP算法的编程实践113 3.1.3基于sklearn的CCP示例121 3.2错误率降低剪枝127 3.2.1REP算法的基本原理127 3.2.2REP算法的编程实践128 3.3悲观错误剪枝133 3.3.1PEP算法的基本原理133 3.3.2PEP算法的编程实践135 3.4最小错误剪枝139 3.4.1MEP算法的基本原理139 3.4.2MEP算法的编程实践140 3.5其他决策树剪枝算法简介145 3.6小结147 3.7参考文献147 第4章随机森林149 4.1随机森林的基本原理149 4.1.1构造随机森林的步骤150 4.1.2随机森林的简单示例151 4.1.3基于sklearn的随机森林编程示例152 4.1.4选择最优的随机特征属性数量153 4.2套袋法156 4.2.1套袋法的算法流程157 4.2.2套袋法的偏差和方差157 4.2.3套袋法的优缺点159 4.3随机森林的参数设置与调优159 4.3.1sklearn随机森林的参数159 4.3.2调参示例161 4.3.3OOB错误率与交叉验证166 4.4随机森林的优缺点174 4.5使用随机森林进行特征属性的重要性区分的示例175 4.5.1基于基尼指数的特征属性重要性评估175 4.5.2基于袋外数据错误率的特征属性重要性评估177 4.6使用随机森林进行无监督聚类的示例179 4.7使用随机森林进行回归分析的示例182 4.8随机森林与核方法的结合184 4.9小结186 4.10参考文献186 第5章集成学习方法188 5.1提升法188 5.1.1AdaBoost算法原理189 5.1.2AdaBoost算法实现199 5.1.3AdaBoost算法的编程实践——基于sklearn解决分类问题203 5.1.4AdaBoost算法的编程实践——基于sklearn解决回归问题205 5.1.5提升法的分类、优点和挑战207 5.2梯度提升法208 5.2.1梯度提升法的原理和示例208 5.2.2梯度提升决策树211 5.2.3梯度提升分类决策树213 5.2.4梯度提升回归决策树223 5.2.5随机梯度提升树227 5.2.6基于梯度提升法的机器学习库228 5.3堆叠法233 5.3.1简单的二阶段堆叠算法234 5.3.2基于K折交叉验证的二阶段堆叠法237 5.3.3基于sklearn的K折交叉验证的二阶段堆叠法的编程实践238 5.3.4多阶段堆叠模型247 5.4套袋法、提升法、堆叠法的比较250 5.5小结252 5.6参考文献253 第6章并行决策树256 6.1随机森林的并行化256 6.2XGBoost基础259 6.2.1XGBoost核心原理260 6.2.2XGBoost系统设计及其并行化加速270 6.2.3XGBoost编程基础272 6.2.4XGBoost回归问题编程275 6.2.5XGBoost分类问题编程277 6.2.6XGBoost随机森林编程278 6.2.7XGBoost特征筛选编程281 6.2.8XGBoost与传统提升树的比较283 6.2.9XGBoost的缺点284 6.3LightGBM基础284 6.3.1LightGBM核心原理285 6.3.2LightGBM系统设计及其并行化加速291 6.3.3LigthGBM编程基础294 6.3.4LightGBM与sklearn结合的示例300 6.3.5LightGBM回归问题编程302 6.3.6LightGBM分类问题编程303 6.3.7LightGBM的优缺点305 6.4CatBoost基础306 6.4.1CatBoost核心原理306 6.4.2CatBoost系统设计及其并行化加速313 6.4.3CatBoost编程基础313 6.4.4CatBoost分类问题编程（不带分类特征属性）317 6.4.5CatBoost回归问题编程（不带分类特征属性）319 6.4.6CatBoost回归问题编程（带分类特征属性）321 6.4.7CatBoost的优缺点323 6.4.8XGBoost、LightGBM、CatBoost的比较324 6.5NGBoost简介325 6.6小结326 6.7参考文献326 第7章蚁群决策树329 7.1蚁群元启发式算法329 7.1.1典型蚁群算法330 7.1.2MMAS算法331 7.1.3ACS算法332 7.2基于蚁群的分类规则提取333 7.2.1Ant-Miner规则提取方法334 7.2.2Ant-Miner算法实现339 7.2.3Ant-Miner算法的早期变种345 7.2.4MYRA——开源实现349 7.2.5Ant-MinerMA+G算法350 7.2.6AMclr算法353 7.3蚁群决策树的算法原理355 7.3.1Ant-Tree-Miner决策树生成算法356 7.3.2ACDT算法360 7.4自适应蚁群决策森林362 7.4.1自适应ACDF算法364 7.4.2ACDF算法中的长期提升366 7.5小结367 7.6参考文献367 第8章深度决策树370 8.1深度森林370 8.1.1gcForest的基本原理370 8.1.2gcForest的编程实践376 8.1.3DF21开源库378 8.1.4改进的深度森林模型381 8.2深度神经决策树381 8.2.1DNDT的基本原理382 8.2.2DNDT的编程实践385 8.3自适应神经决策树388 8.3.1ANT的基本原理389 8.3.2ANT的编程实践392 8.4神经支持决策树401 8.4.1NBDT的基本原理401 8.4.2NBDT的编程实践406 8.5深度神经决策森林409 8.5.1dNDF的基本原理410 8.5.2dNDF模型的优缺点414 8.5.3dNDF的编程实践414 8.6小结421 8.7参考文献422 ---------------------------8089033 - 机器学习实战：模型构建与应用--------------------------- 序言1 前言3 第一部分 构建模型 第1章 TensorFlow简介11 1.1 什么是机器学习11 1.2 传统编程的局限性13 1.3 从编程到学习15 1.4 什么是TensorFlow16 1.5 使用TensorFlow18 1.6 初学机器学习22 1.7 总结27 第2章 计算机视觉简介28 2.1 识别服装28 2.2 视觉神经元30 2.3 设计神经网络32 2.4 训练神经网络35 2.5 探索模型输出36 2.6 训练更长时间，发现过拟合36 2.7 停止训练37 2.8 总结38 第3章 图像特征检测39 3.1 卷积39 3.2 池化41 3.3 实现卷积神经网络43 3.4 探索卷积网络45 3.5 创建一个CNN来区分马和人47 3.6 图像增强56 3.7 迁移学习59 3.8 多类别分类63 3.9 dropout正则化66 3.10 总结69 第4章 TensorFlow Datasets70 4.1 TFDS入门71 4.2 在Keras模型中使用TFDS73 4.3 使用映射函数进行增强76 4.4 使用自定义分割77 4.5 理解TFRecord78 4.6 TensorFlow中管理数据的ETL过程81 4.7 总结86 第5章 自然语言处理简介87 5.1 将语言编码为数字87 5.2 移除停用词和清理文本93 5.3 使用真实数据源94 5.4 总结103 第6章 使用嵌入来编程情感104 6.1 从词建立意义104 6.2 TensorFlow中的嵌入106 6.3 可视化嵌入121 6.4 使用来自TensorFlow Hub的预训练嵌入123 6.5 总结125 第7章 自然语言处理的循环神经网络126 7.1 循环的基础126 7.2 为语言扩展循环128 7.3 使用RNN创建文本分类器130 7.4 在RNN中使用预训练的嵌入137 7.5 总结143 第8章 使用TensorFlow创建文本144 8.1 将序列转换为输入序列145 8.2 创建模型149 8.3 生成文本150 8.4 扩展数据集152 8.5 改变模型架构153 8.6 改进数据154 8.7 基于字符的编码157 8.8 总结158 第9章 理解序列和时间序列数据159 9.1 时间序列的常见属性160 9.2 预测时间序列的技术162 9.3 总结167 第10章 创建ML模型来预测序列168 10.1 创建窗口数据集169 10.2 创建并训练DNN来拟合序列数据173 10.3 评估DNN的结果174 10.4 探索整体的预测175 10.5 调整学习率177 10.6 使用Keras Tuner探索超参数调优178 10.7 总结182 第11章 序列模型中的卷积和循环183 11.1 序列数据的卷积183 11.2 使用NASA天气数据189 11.3 使用RNN进行序列建模191 11.4 使用其他循环方法196 11.5 使用dropout197 11.6 使用双向RNN199 11.7 总结201 第二部分 使用模型 第12章 TensorFlow Lite简介205 12.1 什么是TensorFlow Lite205 12.2 演练：创建模型并将其转换为TensorFlow Lite207 12.3 演练：迁移学习图像分类器并转换到Tensor Flow Lite211 12.4 总结216 第13章 在Android应用程序中使用TensorFlow Lite217 13.1 什么是Android Studio217 13.2 创建你的第一个TensorFlow Lite Android应用程序218 13.3 超越“Hello World”—处理图像226 13.4 TensorFlow Lite示例应用程序229 13.5 总结230 第14章 在iOS应用程序中使用TensorFlow Lite231 14.1 使用Xcode创建你的第一个TensorFlow Lite应用程序231 14.2 超越“Hello World”—处理图像243 14.3 TensorFlow Lite示例应用程序246 14.4 总结247 第15章 TensorFlow.js简介248 15.1 什么是TensorFlow.js248 15.2 安装和使用Brackets IDE249 15.3 构建第一个TensorFlow.js模型251 15.4 创建Iris分类器254 15.5 总结258 第16章 TensorFlow.js中的计算机视觉编程技术259 16.1 TensorFlow开发人员的JavaScript注意事项260 16.2 使用JavaScript构建CNN261 16.3 使用回调进行可视化263 16.4 使用MNIST数据集进行训练264 16.5 在TensorFlow.js中对图像运行推理270 16.6 总结270 第17章 重用和转换Python模型为JavaScript272 17.1 将基于Python的模型转换为JavaScript272 17.2 使用预转换的JavaScript模型276 17.3 总结284 第18章 JavaScript中的迁移学习285 18.1 从MobileNet进行迁移学习285 18.2 来自TensorFlow Hub的迁移学习297 18.3 使用来自TensorFlow.org的模型301 18.4 总结303 第19章 使用TensorFlow Serving进行部署304 19.1 什么是TensorFlow Serving304 19.2 安装TensorFlow Serving306 19.3 构建和服务模型308 19.4 总结314 第20章 AI的伦理、公平和隐私315 20.1 编程中的公平316 20.2 机器学习中的公平318 20.3 实现公平的工具320 20.4 联邦学习323 20.5 谷歌的AI原则328 20.6 总结329

---------------------------8089492 - 现代决策树模型及其编程实践：从传统决策树到深度决策树--------------------------- 生活中，我们处处在做决策，这类决策也许是快速而直接的。工作中，我们可能要做出一些重大而复杂的决策，这类决策往往需要我们细致地收集各种影响要素，量化分析其权重，最终得到符合意图的决策结果。正是这种认知行为意识使得决策分析和基于树的决策工具在1500年前就开始使用了，长期的树形分析实践为后来决策树方法的诞生提供了丰富的养分。现代决策树算法的演化是人工智能深入发展过程中的重要组成部分。由于优秀的可解释性、模型的简单性、算法的快速性，使得决策树算法受到了越来越广泛的关注，正在成为数据科学和智能科学领域技术人员的必备工具。我相信决策树还将深入影响未来人工智能模式的发展。 在过去的三年中，我有幸参与了一个以决策树作为主要工具的重点项目。我们通过深入学习、探索和研究各类决策树模型，最终实现了具有良好可解释性、能有效处理超大规模数据且能快速实现预测评估的机器学习模型。本书是我们在项目实践过程中的积累与总结。 本书从决策分析及其应用引入主题，首先介绍决策树与人工智能的关系（第1章），然后介绍经典的决策树算法（第2章），通过对CART、ID3和C4.5等算法的介绍，帮助读者对决策树形成明确且清晰的概念。之后结合分类问题和回归问题进行实践，特别是对回归问题进行了深入讨论——回归模型正成为现代决策树模型与深度学习模型的有效结合点。第3章深入讲解经典的决策树剪枝方法，特别是代价复杂度剪枝、错误率降低剪枝、悲观错误剪枝和最小错误剪枝，通过示例和编程实践进行详细描述。第4章介绍随机森林的基本原理，结合示例和编程实践详细描述了随机森林的构造过程，并对套袋法进行分析。第5章介绍当前较为热门的集成学习方法（提升法、梯度提升法、堆叠法），通过示例和编程实践详细讲解AdaBoost和梯度提升法。第6章着重介绍并行决策树的几种主流算法，包括XGBoost、LightGBM和CatBoost，并简要介绍了较新的NGBoost算法。该章首先对各算法的核心原理做了分析，然后从工程化角度介绍其并行化加速方法，同时还提供了一些应用实例。第7章介绍常见的几类蚁群算法以及在此基础上的蚁群决策树算法和自适应蚁群决策森林。群智模型作为人工智能2.0时代的典型智能模型，其群体智能的全局搜索能力与决策树的可解释性的有效结合，也许会带来预料之外的成功。第8章介绍深度决策树算法，包括深度森林、深度神经决策树、自适应神经决策树、神经支持决策树和深度神经决策森林，并借助PyTorch等工具对程序和示例进行分析。 本书围绕决策树算法和现代决策树模型，通过大量的示例和完整的代码实现详细讲解决策树的精髓，既涵盖必要的公式推导，又考虑具体的应用需求。本书的所有代码均可免费获取，有需要的读者请访问华章网站（www.hzbook.com）搜索本书并下载。通过阅读本书，希望读者能对决策树有系统和全面的了解，并能够将其快速应用在工作和生活实践中。如果这本书能给你带来“开卷有益”的感受，那将是我最大的欣慰了。 最后，感谢家人和朋友的支持和帮助。感谢在本书撰写过程中做出贡献的人，特别是常霄、曹凌婧、刘小萌、洪艺宾、张瑞涛、刘涛、傅广涛、董丹阳、法天昊、靳梦凡、汪鑫等，常霄负责全书代码的编写和整理工作。还要感谢机械工业出版社的各位编辑，以及北京邮电大学计算机学院（国家示范性软件学院）的大力支持。 黄智濒 于北京邮电大学目录 ---------------------------8089033 - 机器学习实战：模型构建与应用--------------------------- 写作本书的想法已经有很多年了，但是直到最近机器学习（Machine learning，ML）（特别是TensorFlow）的兴起，这件事才真正变得可行。本书的目标是帮你在使用机器学习的众多场景中做好准备，并成为一名ML和AI开发者！希望本书为你开启一段美好且收获丰富的旅程。 读者对象 如果你对AI和ML感兴趣，想快速上手并通过学习数据来创建模型，则本书就是为你所写的。如果你想学习通用的AI和ML概念（计算机视觉、自然语言处理、序列建模等），并且想了解如何在这些领域通过训练神经网络来解决问题，我想你能从本书中找到答案。如果你有训练好的模型，并且想把它们应用到移动客户端、浏览器或云端的用户手中，那么本书同样适合你！ 本书采用的是代码为先的策略，为你展示了使用Python和TensorFlow进入机器学习和AI的世界是多么简单，无须你具备很深的微积分知识。 为什么写作本书 我第一次认真接触AI是在1992年的春天。作为一名毕业不久的物理专业的本科生，我住在处于经济大萧条的伦敦，已经失业6个月了。英国政府开展了一个项目，准备在AI技术领域训练20个人，并发布了招聘信息。我是第一个被选中的申请者。3个月之后，这个项目凄惨地失败了，由于当时还有众多AI理论问题需要解决，没有简单的办法在实际中应用它。人们可以用Prolog语言编写简单的推理，用Lisp语言来执行列表处理，但是没有明确的方法来把它们应用到工业界。著名的“AI寒冬”接踵而至。 2016年我在Google参与开发Firebase产品，公司向所有工程师提供了机器学习培训。我们一起坐在一个房间里听着有关微积分和梯度下降的讲座。我无法将这些与实际的ML应用相关联，这让我仿佛回到了1992年。我把从这里学到的关于如何进行ML教学的反馈带到了TensorFlow团队—他们在2017年雇佣了我。随着2018年TensorFlow 2.0的发布，尤其是强调帮助开发者快速上手的高级API，因此我意识到需要写一本书，以让ML的受众不再局限于数学家和博士。 我相信更多的人使用这项技术并把它应用到实际用户中，会引爆AI和ML的潮流，从而避免另一个AI寒冬，并让世界变得更好。我已经看到了这件事的影响力，从Google在糖尿病视网膜病变上的研究到宾夕法尼亚州立大学和PlantVillage创建ML模型来帮助农民诊断木薯疾病，以及无国界医生组织使用TensorFlow模型来帮助诊断抗生素的耐药性，不胜枚举！ 本书导航 本书主要包括两大部分。第一部分（第1～11章）讲解了如何使用TensorFlow来创建不同应用场景的机器学习模型。该部分介绍了一些基本原则—使用计算机视觉、自然语言处理和序列建模创建一个只包含一个神经元的神经网络。第二部分（第12～20章）详细地指导你将模型应用于不同场景下的用户，包括Android和iOS、在带有JavaScript的浏览器中以及通过云来提供服务。大部分章节是独立的，因此你可以随便选择一章来学习新知识，你也可以从头到尾阅读本书。 需要理解的技术 本书前半部分的目标是帮助你学习如何使用TensorFlow来创建各种不同架构的模型。唯一需要的是理解Python，特别是Python中对于数据和矩阵处理的符号。你或许也想探索Numpy，这是一个用于数值计算的Python库。如果你对这些都不熟悉，你可以在看书的过程中随时学习所需的知识（它们非常容易学习，虽然有些矩阵的符号可能会有点难以理解）。 对于本书的后半部分，我通常不会再教授已经展示过的语言，而是展示如何在语言中使用TensorFlow模型。例如，在第13章中你会学习使用Kotlin语言在Android studio中创建应用程序，在第14章中你会学习使用Swift语言在Xcode中创建应用程序。我不会教授这些语言的语法，如果你对它们不熟悉，可以参阅Jonathan Manning、Paris Buttfeild-Addison和Tim Nugent合著的Learning Swift（https://oreil.ly/MnEVD）（O’Reilly）。 在线资源 本书使用并提供了大量的在线资源。我推荐你关注TensorFlow（https://www.tensorflow.org）及其相关的YouTube频道（https://www.youtube.com/tensorflow），以便查阅本书中所提及技术的任何更新和突破性进展。 本书的代码可以访问https://github.com/lmoroney/tfbook找到，我会根据平台的进展持续更新。 排版约定 本书中使用以下排版约定： 斜体（Italic） 表示新的术语、URL、电子邮件地址、文件名和文件扩展名。 等宽字体（Constant width） 用于程序清单，以及段落中的程序元素，例如变量名、函数名、数据库、数据类型、环境变量、语句以及关键字。 等宽粗体（Constant width bold） 表示应由用户直接输入的命令或其他文本。 该图示表示一般性说明。 示例代码 这里的代码是为了帮助你更好地理解本书的内容。通常，可以在程序或文档中使用本书中的代码，而不需要联系O’Reilly获得许可，除非需要大段地复制代码。例如，使用本书中所提供的几个代码片段来编写一个程序不需要得到我们的许可，但销售或发布O’Reilly的示例代码则需要获得许可。引用本书的示例代码来回答问题也不需要许可，将本书中的很大一部分示例代码放到自己的产品文档中则需要获得许可。 非常欢迎读者使用本书中的代码，希望（但不强制）注明出处。注明出处时包含书名、作者、出版社和ISBN，例如： AI and Machine Learning for Coders，作者Laurence Moroney，由O’Reilly出版，书号978-1-492-07819-7 如果读者觉得对示例代码的使用超出了上面所给出的许可范围，欢迎通过permissions@oreilly.com联系我们。 O’Reilly在线学习平台（O’Reilly Online Learning） 40多年来，O’Reilly Media致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。 我们拥有独一无二的专家和革新者组成的庞大网络，他们通过图书、文章、会议和我们的在线学习平台分享他们的知识和经验。O’Reilly的在线学习平台允许你按需访问现场培训课程、深入的学习路径、交互式编程环境，以及O’Reilly和200多家其他出版商提供的大量文本和视频资源。有关的更多信息，请访问http://oreilly.com。 如何联系我们 对于本书，如果有任何意见或疑问，请按照以下地址联系本书出版商。 美国： O’Reilly Media，Inc. 1005 Gravenstein Highway North Sebastopol，CA 95472 中国： 北京市西城区西直门南大街2号成铭大厦C座807室（100035） 奥莱利技术咨询（北京）有限公司 要询问技术问题或对本书提出建议，请发送电子邮件至errata@oreilly.com.cn。 本书配套网站https://oreil.ly/ai-ml上列出了勘误表、示例以及其他信息。 关于书籍、课程、会议和新闻的更多信息，请访问我们的网站http://oreilly.com。 我们在Facebook上的地址：http://facebook.com/oreilly 我们在Twitter上的地址：http://twitter.com/oreillymedia 我们在YouTube上的地址：http://www.youtube.com/oreillymedia 致谢 我向所有为本书写作提供帮助的人表示感谢。 Jeff Dean为我提供了在TensorFlow团队工作的机会，让我开始了AI旅途的第二个阶段。也感谢团队的其他成员，人数太多就不一一点名了。特别感谢Sarah Sirajuddin、Megan Kacholia、Martin Wicke以及Francois Chollet卓越的领导力和工程能力。 由Kemal El Moujahid、Magnus Hyttsten和Wolff Dobson领导的TensorFlow开发者关系团队，为人们创建了使用TensorFlow来学习AI和ML的平台。 Andrew Ng帮我写了本书的序，他相信我教授TensorFlow的方式，与我一起在Coursera上创建了三个专栏，教授成千上万的人如何通过ML和AI获得成功。Andrew在deeplearning.ai（https://www.deeplearning.ai）也领导了一个杰出的团队，他们帮助我成为一个更好的机器学习者，团队成员包括Ortal Arel、Eddy Shu和 Ryan Keenan。 O’Reilly的团队使本书的出版成为可能：Rebecca Novack和Angela Rufino帮助我完成了本书。 感谢技术审查团队：Jialin Huang、Laura Uzcátegui、Lucy Wong、Margaret Maynard-Reid、Su Fu、Darren Richardson、Dominic Monn和Pin-Yu。 最后，感谢我的家人：我的妻子Rebecca Moroney、我的女儿Claudia Moroney和我的儿子Christopher Moroney。谢谢你们让我的人生更加精彩。