第二版（2019 年）和第三版（2022 年）之间的变化
所有代码都已更新为最新的版本。 特别是，第三版为 Scikit-Learn 引入了许多新功能（例如，特征名称跟踪、基于直方图的梯度提升、标签传播等）。 它还介绍了用于超参数调整的 Keras Tuner 库、用于自然语言处理的 Hugging Face 的 Transformers 库，以及 Keras 的新预处理和数据增强层。
添加了几个视觉模型（ResNeXt、DenseNet、MobileNet、CSPNet 和 EfficientNet），以及选择正确模型的指南。
关于使用 RNN 和 CNN 进行序列处理,现在分析芝加哥公共汽车和铁路乘客数据而不是生成的时间序列，并介绍了 ARMA 模型及其变体。
关于自然语言处理,现在构建了一个英语到西班牙语的翻译模型，首先使用编码器-解码器 RNN，然后使用transformer 模型。 还介绍了语言模型，例如 Switch Transformers、DistilBERT、T5 和 PaLM（带有思维链提示）。 此外，它还介绍了视觉转换器 (ViTs)，并概述了一些基于transformer 的视觉模型，例如数据高效图像转换器 (DeiTs)、Perceiver 和 DINO，以及一些大型多模态模型的简要概述 ，包括CLIP、DALL·E、Flamingo和GATO。
关于生成学习,现在介绍了diffusion 扩散模型，并展示了如何从头开始实施去噪扩散概率模型 (DDPM)。
第19章从Google Cloud AI Platform迁移到Google Vertex AI，并使用分布式Keras Tuner进行大规模超参数搜索。 现在包括您可以在线试验的 TensorFlow.js 代码。 它还介绍了其他分布式训练技术，包括 PipeDream 和 Pathways。
为了允许所有新内容，一部分已改为在线，包括安装说明和附录 A（练习答案，现在在每章的末尾提供）。
  
  
【 在 qwepoi (LadiesMan217) 的大作中提到: 】
:  一个朋友是机器学习实战第二版的译者，现在正在翻译第三版，帮朋友发一个消息。 机器学习实战第三版正在马不停蹄翻译中，为了提高翻译质量和加强读者社群的交流，译者在知识星球上建立了关于第三版翻译和技术讨论的社区，加入的星友可以抢先看到第三版最前沿的技术更新内容，欢迎提出您的见解和疑问，如果建议被采用，会在第三版中文版的前言里面致谢。其中译者也会分享一些最新的技术趋势和业界动态。新书出版之后，还会有3本新书的抽奖，免费赠送给三位星友。有意加入星球者可以直接点链接或者扫码加入：
:         正在加载
:        
:      
--
FROM 78.23.12.*