Data Preparation for Machine Learning Data Cleaning, Feature Selection, and Data Transforms in Python by Jason Brownlee 30 step-by-step lessons, 398 pages. intuitions, feature selection, scaling, more. 数据准备涉及将原始数据转换为可以使用机器学习算法进行建模的形式。 切开方程、希腊字母和混淆，并发现您需要了解的专门数据准备技术，以便充分利用下一个项目的数据。 使用清晰的解释、标准的 Python 库和分步教程课程，您将发现如何自信而有效地为计算机学习预测建模准备数据。

Deep Learning With Python Tap The Power of TensorFlow and Theano with Keras, Develop Your First Model, Achieve State-Of-The-Art Results by Jason brownlee 20 step-by-step lessons, 266 pages. 8 end-to-end projects 深度学习是目前最有趣、最有力的机器学习技术。 顶级的深度学习图书馆可在Python生态系统，如天野和滕索弗罗2。使用 Keras 在几行代码中挖掘他们的力量，Keras 是应用最好的应用深度学习库的最佳品种。 在这个巨型电子书是写在友好的机器学习掌握风格，你习惯了，学习如何开始，并应用深度学习到自己的机器学习项目。购买后，您将获得：

Generative Adversarial Networks with Python Deep Learning Generative Models for Image Synthesis and Image Translation by Jason Brownlee 29 step-by-step lessons, 652 pages. intuitions behind models, much more. generate faces, translate photos, more 生成对抗网络是一种深度学习生成模型，可以在一系列图像合成和图像对图像转换问题上实现惊人的照片现实效果。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过清晰的解释、标准的 Python 库（Keras和TensorFlow 2）和分步教程课程，您将发现如何为自己的计算机视觉项目开发生成对抗网络。

Imbalanced Classification with Python Better Metrics, Balance Skewed Classes, Cost-Sensitive Learning by Jason Brownlee 30 step-by-step lessons, 463 pages. intuitions behind metrics, sampling, more. 5 end-to-end projects on real data. 不平衡分类是指在各类中分配示例不相等的分类任务。 切开方程、希腊字母和混淆，并发现您需要了解的专门技术数据准备技术、学习算法和性能指标。 通过清晰的解释、标准的 Python 库和分步教程课程，您将发现如何自信地为您自己不平衡的分类项目开发强大的模型。

Probability for Machine Learning Discover How To Harness Uncertainty With Python by Jason Brownlee 28 step-by-step lessons, 312 pages. distributions, estimation, more. 概率是机器学习的基石。没有机器学习，你就无法对机器学习产生深刻的理解和应用。 切开方程、希腊字母和混淆，并发现您需要了解的概率主题。 使用清晰的解释、标准的 Python 库和分步教程课程，您将发现概率对机器学习、贝叶斯概率、熵、密度估计、最大可能性等的重要性。

Statistical Methods for Machine Learning Discover How to Transform Data into Knowledge with Python by Jason Brownlee 统计学是机器学习的支柱。没有机器学习，你就无法对机器学习产生深刻的理解和应用。 切开方程、希腊字母和混淆，并发现统计中需要了解的主题。 使用清晰的解释、标准的 Python 库和分步教程课程，您将发现统计方法对机器学习、汇总统计、假设测试、非参数统计、重新采样方法的重要性等等。 by Jason Brownlee

XGBoost With Python Discover The Algorithm That Is Winning Machine Learning Competitions by Jason Brownlee 30 step-by-step lessons, 115 pages. XGBoost 是常规数据预测建模的主要技术。 梯度提升算法是各种预测建模问题的最高技术，XGBoost 是实施速度最快的算法。当被问及时，世界上最好的机器学习竞争对手建议使用XGBoost。 在这部以您习惯的友好机器学习掌握风格编写的新电子书中，确切地学习如何开始，并将 XGBoost 带到您自己的机器学习项目中。

Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如时间依赖的自动学习以及趋势和季节性等时间结构的自动处理。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过明确的解释、标准的 Python 库（Keras和TensorFlow 2）以及分步教程课程，您将发现如何为自己的时间系列预测项目开发深度学习模型

Long Short-Term Memory Networks With Python Develop Deep Learning Models for your Sequence Prediction Problems by Jason Brownlee 14 step-by-step lessons, 246 pages. 6 LSTM model architectures. 长期短期记忆网络（简称 LSTM）是一种经常性神经网络，可在具有挑战性的预测问题上取得最先进的结果。 在这本以LSTM为中心的电子书中，你习惯了友好的机器学习掌握风格，最后切入了关于 LSTM 的数学、研究论文和综合描述。 使用清晰的解释，标准的Python库（Keras和TensorFlow2）和分步教程课程，您将发现什么是 LSTM，以及如何开发一套 LSTM 模型，以充分利用您的序列预测问题的方法

Master Machine Learning Algorithms Finally Pull Back The Curtain And See How They Work With Clear Descriptions, Step-By-Step Tutorials and Working Examples in Spreadsheets by Jason Brownlee 10 top algorithms described. 12 step-by-step tutorials, 163 pages. 16 spreadsheets with working algorithms. 你必须了解算法才能在机器学习中取得好成绩（并被公认为优秀）。 在这个巨型电子书是写在友好的机器学习掌握风格，你习惯了，最后切入数学，并了解机器学习算法是如何工作的，然后从零开始，一步一步地实现它们。