亚洲人ⅴsAⅴ国产精品,韩国日本一区二区,亚洲一线黄色片在线

內(nèi)容簡介

　　人工智能已成發(fā)展趨勢，而深度學習則是其中*有用的工具之一。雖然科技發(fā)展速度迅猛，現(xiàn)在實用技術更新?lián)Q代的頻率已經(jīng)迅速到以周來計算，但是其背后*為基礎的知識卻是共通的。本書較為全面地介紹了神經(jīng)網(wǎng)絡的諸多基礎與進階的技術，同時還介紹了如何利用神經(jīng)網(wǎng)絡來解決真實世界中的現(xiàn)實任務。本書各章的內(nèi)容不僅包括經(jīng)典的傳統(tǒng)機器學習算法與神經(jīng)網(wǎng)絡的方方面面，還對它們進行了對比與創(chuàng)新。如果能夠掌握本書所講述的知識，相信即使具體的技術更新得再快，讀者也能根據(jù)本書所介紹的知識來快速理解、上手與改進它們。本書兼顧了理論與實踐，不僅從公式上推導出神經(jīng)網(wǎng)絡的各種性質(zhì)，也從實驗上對它們進行了驗證，比較適合初學者進行學習。同時，本書所給出的框架更能直接、簡單、快速地應用在實際任務中，適合相關從業(yè)人員使用。

作者簡介

　　何宇健，廣受讀者好評的《Python與機器學習實戰(zhàn)》一書作者，來自北京大學數(shù)學系，有多年Python開發(fā)經(jīng)驗，在GitHub上擁有并維護著一個純Python編寫的機器學習算法庫（386個stars，264個forks）。對機器學習、神經(jīng)網(wǎng)絡及它們在量化投資方面的應用有深入研究。曾在創(chuàng)新工場AI工程院負責研發(fā)適用于結構化數(shù)據(jù)的新型神經(jīng)網(wǎng)絡、序列預測算法的抽象框架以及基于模型的自動特征工程。

圖書目錄

目錄

第1章緒論 1
1．1 機器學習簡介 2
1．1．1 什么是機器學習 2
1．1．2 機器學習常用術語 3
1．2 Python簡介 9
1．2．1 Python的優(yōu)勢 10
1．2．2 scikit-learn和TensorFlow 11
1．3 前期準備 13
1．3．1 訓練、交叉驗證與測試 13
1．3．2 簡易數(shù)據(jù)預處理 14
1．4 本章小結 15

第2章經(jīng)典傳統(tǒng)機器學習算法簡介 17
2．1 樸素貝葉斯 17
2．1．1 條件獨立性假設 18
2．1．2 貝葉斯思維 19
2．1．3 模型算法 20
2．1．4 實例演示 23
2．1．5* 參數(shù)估計 25
2．1．6* 樸素貝葉斯的改進 28
2．2 決策樹 33
2．2．1 決策的方法 33
2．2．2 決策樹的生成 34
2．2．3 決策樹的剪枝 39
2．2．4 實例演示 40
2．2．5* 決策樹的三大算法 40
2．2．6* 數(shù)據(jù)集的劃分 45
2．2．7* 決策樹與回歸 48
2．3 支持向量機． 50
2．3．1 分離超平面與幾何間隔 50
2．3．2* 感知機與SVM的原始形式 58
2．3．3 梯度下降法 62
2．3．4* 核技巧 70
2．3．5 實例演示 75
2．4 Logistic回歸 75
2．5 本章小結 76

第3章神經(jīng)網(wǎng)絡入門 77
3．1 神經(jīng)網(wǎng)絡的結構 78
3．2 前向傳導算法 80
3．2．1 算法概述 81
3．2．2 算法內(nèi)涵 83
3．2．3 激活函數(shù) 85
3．2．4 損失函數(shù) 90
3．3* 反向傳播算法 92
3．3．1 算法概述 92
3．3．2 損失函數(shù)的選擇 94
3．4 參數(shù)的更新 98
3．4．1 Vanilla Update 99
3．4．2 Momentum Update 99
3．4．3 Nesterov Momentum Update 100
3．4．4 AdaGrad 100
3．4．5 RMSProp 101
3．4．6 Adam 101
3．5 TensorFlow模型的基本框架 101
3．5．1 TensorFlow的組成單元與基本思想 102
3．5．2 TensorFlow模型的基本元素 104
3．5．3 TensorFlow元素的整合方法 114
3．5．4 TensorFlow模型的save ＆ load 125
3．6 樸素神經(jīng)網(wǎng)絡的實現(xiàn)與評估 130
3．7 本章小結 138

第4章從傳統(tǒng)算法走向神經(jīng)網(wǎng)絡 139
4．1 樸素貝葉斯的線性形式 139
4．2 決策樹生成算法的本質(zhì) 145
4．2．1 第1隱藏層→決策超平面 147
4．2．2 第2隱藏層→決策路徑 148
4．2．3 輸出層→葉節(jié)點 150
4．2．4 具體實現(xiàn) 151
4．3 模型轉換的實際意義 158
4．3．1 利用Softmax來賦予概率意義 159
4．3．2 利用Tanh+Softmax來“軟化”模型 160
4．3．3 通過微調(diào)來緩解“條件獨立性假設” 165
4．3．4 通過微調(diào)來豐富超平面的選擇 165
4．3．5 模型逆轉換的可能性 171
4．4 模型轉換的局限性 172
4．5 本章小結 172

第5章神經(jīng)網(wǎng)絡進階 174
5．1 層結構內(nèi)部的額外工作 175
5．1．1 Dropout 175
5．1．2 Batch Normalization 176
5．1．3 具體實現(xiàn) 180
5．2 “淺”與“深”的結合 181
5．2．1 離散型特征的處理方式 181
5．2．2 Wide and Deep模型概述 183
5．2．3 Wide and Deep的具體實現(xiàn) 185
5．2．4 WnD的重要思想與優(yōu)缺點 194
5．3 神經(jīng)網(wǎng)絡中的“決策樹” 195
5．3．1 DNDF結構概述 195
5．3．2* DNDF的具體實現(xiàn) 199
5．3．3 DNDF的應用場景 210
5．3．4* DNDF的結構內(nèi)涵 213
5．4 神經(jīng)網(wǎng)絡中的剪枝 216
5．4．1 Surgery算法概述 216
5．4．2 Surgery算法改進 218
5．4．3 軟剪枝的具體實現(xiàn) 221
5．4．4* 軟剪枝的算法內(nèi)涵 223
5．5 AdvancedNN的結構設計 237
5．5．1 AdvancedNN的實現(xiàn)補足 237
5．5．2 WnD與DNDF 239
5．5．3 DNDF與剪枝 241
5．5．4 剪枝與Dropout 242
5．5．5 沒有免費的午餐 242
5．6 AdvancedNN的實際性能 243
5．7 本章小結 251

第6章半自動化機器學習框架 253
6．1 數(shù)據(jù)的準備 254
6．1．1 數(shù)據(jù)預處理的流程 254
6．1．2 數(shù)據(jù)準備的流程 256
6．2 數(shù)據(jù)的轉換 264
6．2．1 數(shù)據(jù)的數(shù)值化 264
6．2．2 冗余特征的去除 266
6．2．3 缺失值處理 269
6．2．4 連續(xù)型特征的數(shù)據(jù)預處理 272
6．2．5 特殊類型數(shù)據(jù)的處理 274
6．3 AutoBase的實現(xiàn)補足 277
6．4 AutoMeta的實現(xiàn) 281
6．5 訓練過程的監(jiān)控 288
6．5．1 監(jiān)控訓練過程的原理 288
6．5．2 監(jiān)控訓練的實現(xiàn)思路 292
6．5．3 監(jiān)控訓練的具體代碼 293
6．6 本章小結 299

第7章工程化機器學習框架 301
7．1 輸出信息的管理 301
7．2 多次實驗的管理 309
7．2．1 多次實驗的框架 312
7．2．2 多次實驗的初始化 314
7．2．3 多次實驗中的數(shù)據(jù)劃分 316
7．2．4 多次實驗中的模型評估 318
7．2．5 多次實驗的收尾工作 321
7．3 參數(shù)搜索的管理 321
7．3．1 參數(shù)搜索的框架 322
7．3．2* 隨機搜索與網(wǎng)格搜索 329
7．3．3 參數(shù)的選取 334
7．3．4 參數(shù)搜索的收尾工作 335
7．3．5 具體的搜索方案 335
7．4 DistAdvanced的性能 337
7．5 本章小結 344

附錄A SVM的TensorFlow實現(xiàn) 345
附錄B numba的基本應用 352
附錄C 裝飾器的基本應用 359
附錄D 可視化 363
附錄E 模型的評估指標 370
附錄F 實現(xiàn)補足 377