【2020新书推荐】程序员值得一读的机器学习新书

2020年已经余量不足了，年初立的读书flag是不是已经拔掉了，这里为大家推荐几本2020年全球最新出版的机器学习新书，推荐给需要学习的你。

1、The Deep Learning Workshop

Mirza Rahim Baig, Thomas V. Joseph, Et al著
出版社：Packt 出版时间：2020-07-31
主要特点
了解深度学习，机器学习和人工智能有何不同
使用TensorFlow开发多层深度神经网络
使用Keras实现深度神经网络进行多类分类
训练CNN模型以进行图像识别
处理序列数据并将其与RNN结合使用
构建GAN以生成高质量的合成图像
图书说明
本书首先强调了深度学习，机器学习和人工智能之间的关系，并通过动手练习帮助您熟悉TensorFlow 2.0编程结构。您将了解神经网络，感知器的结构以及如何使用TensorFlow创建和训练模型。该书将通过使用Keras使用卷积神经网络（CNN）进行图像识别练习来让您探索计算机视觉的基础。随着您的进步，您可以通过使用目前流行的深度学习解决方案实现文本嵌入和对数据进行排序来使您的模型更强大。最后，您将掌握双向递归神经网络（RNN）并建立用于图像合成的生成对抗网络（GAN）。
在这本深度学习书的最后，您将学到使用TensorFlow和Keras构建深度学习模型必不可少的技能。

2、Machine Learning for Algorithmic Trading - Second Edition

Stefan Jansen著
出版社：Packt 出版时间：2020-07-31
主要特点
利用市场，基本和替代文本和图像数据
使用统计数据，Alphalens和SHAP值研究和评估alpha因子
实施机器学习技术以解决投资和交易问题
使用Zipline和Backtrader基于机器学习回测和评估交易策略
使用Pandas，NumPy和pyfolio优化投资组合风险和绩效分析
为美国股票和ETF创建基于协整的配对交易策略
使用AlgoSeek的高质量交易和报价数据训练梯度提升模型以预测日内收益
图书说明
本书介绍了用于交易工作流程的端到端机器学习，从概念和功能工程到模型优化，策略设计和回测。通过使用示例（从线性模型和基于树的合奏到前沿研究的深度学习技术）来说明这一点。
此版本显示如何使用市场数据，基本数据和替代数据，例如报价数据、每日柱线、SEC文件、收益电话成绩单、财经新闻或卫星图像以生成可交易的信号。本书阐述了如何设计财务特征或alpha因子，以使ML模型能够根据美国和国际股票以及ETF的价格数据预测回报。还显示了如何使用Alphalens和SHAP值评估新功能的信号内容，并包括一个新的附录，其中包含一百多个alpha因子示例。
到最后，您将熟练地将ML模型预测转换为可以在每日或盘中运行的交易策略，并评估其性能。

3、Hands-On Explainable AI (XAI) with Python

Denis Rothman著
出版社：Packt 出版时间：2020-07-31
主要特点
在机器学习生命周期的不同阶段规划XAI
评估流行的开源XAI应用程序的优缺点
检查如何检测和处理机器学习数据中的偏差问题
审查道德考量和工具以解决机器学习数据中的常见问题
分享XAI设计和可视化最佳实践
使用Python模型集成可解释的AI结果
在机器学习生命周期中使用用于Python的XAI工具包来解决业务问题
图书说明
您将在Python，TensorFlow 2，Google Cloud的XAI平台，Google Colaboratory和其他框架中构建XAI解决方案，从而打开机器学习模型的黑匣子。本书将向您介绍几种适用于Python的开源XAI工具，这些工具可在整个机器学习项目生命周期中使用。
您将学习如何探索机器学习模型的结果，审查关键的影响变量和变量关系，检测问题，以及使用Python将预测集成以及将机器学习模型的可视化支持到用户可解释的界面中。
通过本书的学习，您将对XAI的核心概念有一个深入的理解。

4、Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits

Tarek Amr著
出版社：Packt 出版时间：2020-07-24
主要特点
借助scikit-learn和科学Python的综合指南深入研究机器学习
了解何时使用监督，无监督或强化学习算法
了解如何收集和准备数据以进行机器学习任务
处理不平衡数据并优化算法以进行偏差或方差折衷
应用有监督和无监督算法来克服各种机器学习挑战
采用最佳实践来调整算法的超参数
探索如何使用神经网络进行分类和回归
构建，评估和部署您的机器学习解决方案以进行生产
图书说明
scikit-learn是一个多功能库，在机器学习从业者中很流行。本书可为任何希望通过scikit-learn和Python工具包提供动手机器学习解决方案的人提供实用指南。本书从对机器学习概念和基础的解释开始，并在理论概念及其应用之间取得平衡。每章涵盖了不同的算法集，并向您展示了如何使用它们来解决现实生活中的问题。您还将通过实例了解各种关键的机器学习算法。无论是基于实例的学习算法，贝叶斯估计，深度神经网络，基于树的集成还是推荐系统，您都将全面了解其理论并学习何时应用它。您将学习如何处理未标记的数据以及何时使用不同的聚类和异常检测算法。您将学习如何采用数据驱动的方法来提供端到端的机器学习解决方案，还将发现如何解决当前问题，准备所需数据以及评估和部署生产中的模型。

写在后面

如果你想获得全球一手的技术类图书信息，看看各大出版商又发布了哪些新书，可以关注极客书站（http://jikebooks.com），这里会定时更新全球的技术类新书，方便读者获取最新信息，同时你也可以订阅具体的书籍标签（比如“机器学习”），每当有该标签的新书发布时，你都可以收到邮件提醒。

除此之外，如果你想获得某本书的pdf版本，只需要点击“我想读”发布该书的心愿，就会有好心人将这本书发送给你。

更多一手技术类图书信息，敬请关注极客书站。

极客书站（Geek book station）是致力于全球技术类图书聚合的倡导者，努力缩小信息不对称，让开发者的个人成长没有阻碍。