Python與神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)

定　價(jià)：￥79.00

作　者：	何宇健著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787121342387	出版時(shí)間：	2018-07-01	包裝：	平裝
開本：	16開	頁數(shù)：	400	字?jǐn)?shù)：

內(nèi)容簡介

　　人工智能已成發(fā)展趨勢，而深度學(xué)習(xí)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(shí)用技術(shù)更新?lián)Q代的頻率已經(jīng)迅速到以周來計(jì)算，但是其背后*為基礎(chǔ)的知識(shí)卻是共通的。本書較為全面地介紹了神經(jīng)網(wǎng)絡(luò)的諸多基礎(chǔ)與進(jìn)階的技術(shù)，同時(shí)還介紹了如何利用神經(jīng)網(wǎng)絡(luò)來解決真實(shí)世界中的現(xiàn)實(shí)任務(wù)。本書各章的內(nèi)容不僅包括經(jīng)典的傳統(tǒng)機(jī)器學(xué)習(xí)算法與神經(jīng)網(wǎng)絡(luò)的方方面面，還對(duì)它們進(jìn)行了對(duì)比與創(chuàng)新。如果能夠掌握本書所講述的知識(shí)，相信即使具體的技術(shù)更新得再快，讀者也能根據(jù)本書所介紹的知識(shí)來快速理解、上手與改進(jìn)它們。本書兼顧了理論與實(shí)踐，不僅從公式上推導(dǎo)出神經(jīng)網(wǎng)絡(luò)的各種性質(zhì)，也從實(shí)驗(yàn)上對(duì)它們進(jìn)行了驗(yàn)證，比較適合初學(xué)者進(jìn)行學(xué)習(xí)。同時(shí)，本書所給出的框架更能直接、簡單、快速地應(yīng)用在實(shí)際任務(wù)中，適合相關(guān)從業(yè)人員使用。

作者簡介

　　何宇健，廣受讀者好評(píng)的《Python與機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》一書作者，來自北京大學(xué)數(shù)學(xué)系，有多年P(guān)ython開發(fā)經(jīng)驗(yàn)，在GitHub上擁有并維護(hù)著一個(gè)純Python編寫的機(jī)器學(xué)習(xí)算法庫（386個(gè)stars，264個(gè)forks）。對(duì)機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)及它們在量化投資方面的應(yīng)用有深入研究。曾在創(chuàng)新工場AI工程院負(fù)責(zé)研發(fā)適用于結(jié)構(gòu)化數(shù)據(jù)的新型神經(jīng)網(wǎng)絡(luò)、序列預(yù)測算法的抽象框架以及基于模型的自動(dòng)特征工程。

圖書目錄

目錄

第1章緒論 1
1．1 機(jī)器學(xué)習(xí)簡介 2
1．1．1 什么是機(jī)器學(xué)習(xí) 2
1．1．2 機(jī)器學(xué)習(xí)常用術(shù)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(zhǔn)備 13
1．3．1 訓(xùn)練、交叉驗(yàn)證與測試 13
1．3．2 簡易數(shù)據(jù)預(yù)處理 14
1．4 本章小結(jié) 15

第2章經(jīng)典傳統(tǒng)機(jī)器學(xué)習(xí)算法簡介 17
2．1 樸素貝葉斯 17
2．1．1 條件獨(dú)立性假設(shè) 18
2．1．2 貝葉斯思維 19
2．1．3 模型算法 20
2．1．4 實(shí)例演示 23
2．1．5* 參數(shù)估計(jì) 25
2．1．6* 樸素貝葉斯的改進(jìn) 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(shí)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(jī) ． 50
2．3．1 分離超平面與幾何間隔 50
2．3．2* 感知機(jī)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(shí)例演示 75
2．4 Logistic回歸 75
2．5 本章小結(jié) 76

第3章神經(jīng)網(wǎng)絡(luò)入門 77
3．1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 78
3．2 前向傳導(dǎo)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(luò)的實(shí)現(xiàn)與評(píng)估 130
3．7 本章小結(jié) 138

第4章從傳統(tǒng)算法走向神經(jīng)網(wǎng)絡(luò) 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(diǎn) 150
4．2．4 具體實(shí)現(xiàn) 151
4．3 模型轉(zhuǎn)換的實(shí)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(dú)立性假設(shè)” 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(zhuǎn)換的可能性 171
4．4 模型轉(zhuǎn)換的局限性 172
4．5 本章小結(jié) 172

第5章神經(jīng)網(wǎng)絡(luò)進(jìn)階 174
5．1 層結(jié)構(gòu)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(shí)現(xiàn) 180
5．2 “淺”與“深”的結(jié)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(shí)現(xiàn) 185
5．2．4 WnD的重要思想與優(yōu)缺點(diǎn) 194
5．3 神經(jīng)網(wǎng)絡(luò)中的“決策樹” 195
5．3．1 DNDF結(jié)構(gòu)概述 195
5．3．2* DNDF的具體實(shí)現(xiàn) 199
5．3．3 DNDF的應(yīng)用場景 210
5．3．4* DNDF的結(jié)構(gòu)內(nèi)涵 213
5．4 神經(jīng)網(wǎng)絡(luò)中的剪枝 216
5．4．1 Surgery算法概述 216
5．4．2 Surgery算法改進(jìn) 218
5．4．3 軟剪枝的具體實(shí)現(xiàn) 221
5．4．4* 軟剪枝的算法內(nèi)涵 223
5．5 AdvancedNN的結(jié)構(gòu)設(shè)計(jì) 237
5．5．1 AdvancedNN的實(shí)現(xiàn)補(bǔ)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(fèi)的午餐 242
5．6 AdvancedNN的實(shí)際性能 243
5．7 本章小結(jié) 251

第6章半自動(dòng)化機(jī)器學(xué)習(xí)框架 253
6．1 數(shù)據(jù)的準(zhǔn)備 254
6．1．1 數(shù)據(jù)預(yù)處理的流程 254
6．1．2 數(shù)據(jù)準(zhǔn)備的流程 256
6．2 數(shù)據(jù)的轉(zhuǎn)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(yù)處理 272
6．2．5 特殊類型數(shù)據(jù)的處理 274
6．3 AutoBase的實(shí)現(xiàn)補(bǔ)足 277
6．4 AutoMeta的實(shí)現(xiàn) 281
6．5 訓(xùn)練過程的監(jiān)控 288
6．5．1 監(jiān)控訓(xùn)練過程的原理 288
6．5．2 監(jiān)控訓(xùn)練的實(shí)現(xiàn)思路 292
6．5．3 監(jiān)控訓(xùn)練的具體代碼 293
6．6 本章小結(jié) 299

第7章工程化機(jī)器學(xué)習(xí)框架 301
7．1 輸出信息的管理 301
7．2 多次實(shí)驗(yàn)的管理 309
7．2．1 多次實(shí)驗(yàn)的框架 312
7．2．2 多次實(shí)驗(yàn)的初始化 314
7．2．3 多次實(shí)驗(yàn)中的數(shù)據(jù)劃分 316
7．2．4 多次實(shí)驗(yàn)中的模型評(píng)估 318
7．2．5 多次實(shí)驗(yàn)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(jī)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(jié) 344

附錄A SVM的TensorFlow實(shí)現(xiàn) 345
附錄B numba的基本應(yīng)用 352
附錄C 裝飾器的基本應(yīng)用 359
附錄D 可視化 363
附錄E 模型的評(píng)估指標(biāo) 370
附錄F 實(shí)現(xiàn)補(bǔ)足 377