使用 Scikit-Learn、Keras 和 TensorFlow 的动手机器学习 作者：奥雷利安·热隆

此仓库收录了与奥雷利安·热隆所著《使用 Scikit-Learn、Keras 和 TensorFlow 的动手机器学习》一书第一部分配套的笔记和代码。该书全面介绍了数据科学、机器学习（使用 scikit-learn）以及深度学习（使用 tensorflow）。

本书假定读者对机器学习几乎一无所知。书中使用了可用于生产环境的 Python 框架，包括：

• Scikit-Learn
• Keras
• TensorFlow

作者提倡通过一系列可运行的示例和少量理论知识来实现动手实践的学习方式。先决条件如下：

• 具备一定的 Python 编程经验
• 熟悉 NumPy、Pandas 和 Matplotlib
• 对大学水平的数学（微积分、概率论、线性代数和统计学）有较为合理的理解

本书的第一部分主要基于 Scikit-Learn，而第二部分则使用 Keras/TensorFlow。

路线图

机器学习基础

我们提供了可用笔记本的链接：

• 机器学习概览
• 端到端机器学习项目
• 分类
• 模型训练
• 支持向量机
• 决策树
• 集成学习与随机森林
• 降维
• 无监督学习技术

---

Hands-on-Machine-Learning 快速上手指南

本指南基于 Aurélien Géron 的畅销书《Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow》配套代码库，帮助开发者快速掌握机器学习与深度学习的实战技能。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux
• Python 版本：推荐 Python 3.8 及以上版本
• 前置知识：
  • 具备基础的 Python 编程能力
  • 熟悉 NumPy、Pandas 和 Matplotlib 库的基本使用
  • 具备大学水平的数学基础（微积分、概率论、线性代数和统计学）

安装步骤

建议使用虚拟环境（如 venv 或 conda）来隔离依赖。以下是使用 pip 进行安装的步骤，并优先配置国内镜像源以加速下载。

1. 克隆项目代码

   git clone https://github.com/Akramz/Hands-on-Machine-Learning-with-Scikit-Learn-Keras-and-TensorFlow.git
   cd Hands-on-Machine-Learning-with-Scikit-Learn-Keras-and-TensorFlow
   

2. 创建并激活虚拟环境

   python -m venv ml-env
   # Windows
   ml-env\Scripts\activate
   # macOS/Linux
   source ml-env/bin/activate
   

3. 安装核心依赖库 使用清华大学镜像源加速安装 scikit-learn、tensorflow 及相关数据科学库：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn tensorflow keras numpy pandas matplotlib jupyter
   

   注：本书第一部分主要基于 Scikit-Learn，第二部分基于 Keras/TensorFlow，上述命令已涵盖所需核心库。

4. 启动 Jupyter Notebook

   jupyter notebook
   

   启动后，在浏览器中导航至克隆下的目录，即可打开对应的 .ipynb 笔记文件。

基本使用

本项目以“实战优先”为理念，通过一系列可运行的 Jupyter Notebook 示例讲解理论。最简单的使用方式是直接运行书中的第一个端到端项目。

1. 打开笔记文件 在 Jupyter 界面中点击打开 02.End-to-End-ML-Project.ipynb。该笔记完整演示了一个机器学习项目的全流程。

2. 运行示例代码 按顺序执行单元格（Cell），以下为加载数据并进行简单预处理的核心代码片段示例：

   import os
   import tarfile
   import pandas as pd
   from sklearn.model_selection import train_test_split
   
   # 下载并解压数据集 (以 Housing 数据集为例)
   DOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml2/master/"
   HOUSING_PATH = os.path.join("datasets", "housing")
   HOUSING_URL = DOWNLOAD_ROOT + "datasets/housing/housing.tgz"
   
   def fetch_housing_data(housing_url=HOUSING_URL, housing_path=HOUSING_PATH):
       os.makedirs(housing_path, exist_ok=True)
       tgz_path = os.path.join(housing_path, "housing.tgz")
       import urllib.request
       urllib.request.urlretrieve(housing_url, tgz_path)
       housing_tgz = tarfile.open(tgz_path)
       housing_tgz.extractall(path=housing_path)
       housing_tgz.close()
   
   def load_housing_data(housing_path=HOUSING_PATH):
       csv_path = os.path.join(housing_path, "housing.csv")
       return pd.read_csv(csv_path)
   
   # 加载数据
   housing = load_housing_data()
   
   # 划分训练集和测试集
   train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)
   
   # 查看前几行数据
   print(train_set.head())
   

3. 探索其他章节 根据学习路径，您可以依次运行以下核心笔记：

   • 基础概览：01.ML_Landscape.ipynb
   • 分类任务：03.Classification.ipynb
   • 模型训练：04.Training-Models.ipynb
   • 深度学习：后续章节将深入使用 Keras 和 TensorFlow 构建神经网络。

通过修改代码中的参数或尝试不同的算法类（如 RandomForestRegressor 或 SGDClassifier），您可以即时观察模型效果的变化，从而深入理解机器学习原理。