包邮机器学习之路+Keras快速上手+深度学习 3本 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

机器学习
深度学习
Keras
神经网络
人工智能
算法
Python
数据分析
模式识别
包邮

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到新城书站

book.cndgn.com

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

店铺：旷氏文豪图书专营店

出版社：电子工业出版社

ISBN：9787121321603

商品编码：14267708725

具体描述

YL8549 9787121321603 9787115461476 9787121318726

机器学习之路——Caffe、Keras、scikit-learn实战

机器学习需要一条脱离过高理论门槛的入门之路。
本书《机器学习篇》从小红帽采蘑菇的故事开篇，介绍了基础的机器学习分类模型的训练（第1章）。如何评估、调试模型？如何合理地发掘事物的特征？如何利用几个模型共同发挥作用？后续章节一步一步讲述了如何优化模型，更好地完成分类预测任务（第2章），并且初步尝试将这些技术运用到金融股票交易中（第3章）。
自然界*好的非线性模型莫过于人类的大脑。《深度学习篇》从介绍并对比一些常见的深度学习框架开始（第4章），讲解了DNN模型的直观原理，尝试给出一些简单的生物学解释，完成简单的图片识别任务（第5章）。后续章节在此基础上，完成更为复杂的图片识别CNN模型（第6章）。接着，本书展示了使用Caffe完成一个完整的图片识别项目，从准备数据集，到完成识别任务（第7章）。后面简单描述了RNN模型（第8章），接着展示了一个将深度学习技术落地到图片处理领域的项目（第9章）。
1篇机器学习篇
第1 章初识机器学习 .................................................................................... 2
1.1 机器学习——赋予机器“学习”的灵魂 ..................................................................... 2
1.1.1 小红帽识别毒蘑菇 ................................................................................................................... 2
1.1.2 三种机器学习问题 ................................................................................................................... 6
1.1.3 常用符号 .................................................................................................................................. 6
1.1.4 回顾 .......................................................................................................................................... 7
1.2 KNN——相似的邻居请投票 ........................................................................................ 7
1.2.1 模型原理 .................................................................................................................................. 7
1.2.2 鸢尾花卉数据集（IRIS） ....................................................................................................... 9
1.2.3 训练模型 .................................................................................................................................. 9
1.2.4 评估模型 ................................................................................................................................ 12
1.2.5 关于KNN ............................................................................................................................... 14
1.2.6 运用KNN 模型 ...................................................................................................................... 15
1.2.7 回顾 ........................................................................................................................................ 16
1.3 逻辑分类I：线性分类模型 ........................................................................................ 16
1.3.1 参数化的模型 ........................................................................................................................ 16
1.3.2 逻辑分类：预测..................................................................................................................... 18
1.3.3 逻辑分类：评估..................................................................................................................... 22
1.3.4 逻辑分类：训练..................................................................................................................... 23
1.3.5 回顾 ........................................................................................................................................ 24
1.4 逻辑分类II：线性分类模型 ....................................................................................... 24
1.4.1 寻找模型的权重..................................................................................................................... 24
VI ∣ 机器学习之路——Caffe、Keras、scikit-learn 实战
1.4.2 去均值和归一化..................................................................................................................... 31
1.4.3 实现 ........................................................................................................................................ 33
1.4.4 回顾 ........................................................................................................................................ 34
第2 章机器学习进阶 .................................................................................. 35
2.1 特征工程 ...................................................................................................................... 35
2.1.1 泰坦尼克号生存预测 ............................................................................................................. 35
2.1.2 两类特征 ................................................................................................................................ 38
2.1.3 构造非线性特征..................................................................................................................... 41
2.1.4 回顾 ........................................................................................................................................ 45
2.2 调试模型 ...................................................................................................................... 46
2.2.1 模型调试的目标..................................................................................................................... 46
2.2.2 调试模型 ................................................................................................................................ 49
2.2.3 回顾 ........................................................................................................................................ 52
2.3 分类模型评估指标 ...................................................................................................... 53
2.3.1 混淆矩阵系指标..................................................................................................................... 53
2.3.2 评估曲线 ................................................................................................................................ 58
2.3.3 回顾 ........................................................................................................................................ 61
2.4 回归模型 ...................................................................................................................... 61
2.4.1 回归与分类 ............................................................................................................................ 61
2.4.2 线性回归 ................................................................................................................................ 62
2.4.3 波士顿房价预测..................................................................................................................... 66
2.4.4 泰坦尼克号生存预测：回归预测特征年龄Age .................................................................. 69
2.4.5 线性模型与非线性模型 ......................................................................................................... 72
2.4.6 回顾 ........................................................................................................................................ 73
2.5 决策树模型 .................................................................................................................. 73
2.5.1 信息与编码 ............................................................................................................................ 74
2.5.2 决策树 .................................................................................................................................... 76
2.5.3 对比线性模型和决策树模型的表现 ..................................................................................... 77
2.5.4 回顾 ........................................................................................................................................ 79
2.6 模型融合 ...................................................................................................................... 80
2.6.1 融**群体（Ensamble） ..................................................................................................... 80
2.6.2 Bagging：随机森林（Random Forest） ............................................................................... 82
目录 ∣ VII
2.6.3 Boosting：GBDT ................................................................................................................... 83
2.6.4 Stacking .................................................................................................................................. 86
2.6.5 泰坦尼克号生存预测：小结 ................................................................................................. 93
2.6.6 回顾 ........................................................................................................................................ 94
第3 章实战：股票量化 .............................................................................. 95
3.1 1步：构造童话世界 .............................................................................................. 95
3.1.1 股票是什么 ............................................................................................................................ 95
3.1.2 当机器学习与量化交易走在一起 ......................................................................................... 96
3.1.3 构造一个童话世界 ................................................................................................................. 96
3.1.4 回顾 ...................................................................................................................................... 100
3.2 第二步：应用机器学习 ............................................................................................ 100
3.2.1 构建特征数据 ...................................................................................................................... 100
3.2.2 回归预测股票价格 ............................................................................................................... 103
3.2.3 分类预测股票涨跌 ............................................................................................................... 108
3.2.4 通过决策树分类，绘制决策图 ........................................................................................... 112
3.2.5 回顾 ...................................................................................................................................... 114
3.3 第三步：在真实世界应用机器学习 ........................................................................ 114
3.3.1 回测 ...................................................................................................................................... 115
3.3.2 基于特征的交易预测 ........................................................................................................... 119
3.3.3 破灭的童话——真实世界的机器学习 ............................................................................... 122
第二篇深度学习篇
第4 章深度学习：背景和工具 ................................................................. 126
4.1 背景 ............................................................................................................................ 126
4.1.1 人工智能——为机器赋予人的智能 ................................................................................... 126
4.1.2 图灵测试 .............................................................................................................................. 126
4.1.3 强人工智能 vs 弱人工智能 ............................................................................................... 127
4.1.4 机器学习和深度学习 ........................................................................................................... 128
4.1.5 过度的幻想 .......................................................................................................................... 128
4.1.6 回顾 ............................................

深度学习deep learning
《深度学习》由*****的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的**教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被**为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关**的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
第 1 章引言 . . .. . . . . . 1
1.1 本书面向的读者 . . . . . . . . . . . . . . . . . . . .7
1.2 深度学习的历史趋势 . . . . . . . . . . . . . . . 8
1.2.1 神经网络的众多名称和命运变迁 . 8
1.2.2 与日俱增的数据量 . . . . . . . . . . . . . 12
1.2.3 与日俱增的模型规模 . . . . . . . . . . .13
1.2.4 与日俱增的精度、复杂度和对现实世界的冲击 . . . . . . . . . . . . . 15

第 1 部分应用数学与机器学习基础
第 2 章线性代数 . . .19
2.1 标量、向量、矩阵和张量 . . . . . . . . . . 19
2.2 矩阵和向量相乘. . . . . . . . . . . . . . . . . . .21
2.3 单位矩阵和逆矩阵 . . . . . . . . . . . . . . . . 22
2.4 线性相关和生成子空间 . . . . . . . . . . . 23
2.5 范数. . . . . . . . .24
2.6 特殊类型的矩阵和向量 . . . . . . . . . . . 25
2.7 特征分解 . . . . 26
2.8 奇异值分解 . . . . . . . . . . . . . . . . . . . . . . . 28
2.9 Moore-Penrose 伪逆 . . . . . . . . . . . . . . . 28
2.10 迹运算 . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.11 行列式 . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12 实例：主成分分析. . . . . . . . . . . . . . . .30
第 3 章概率与信息论. . .. . . . . . . . . . . . . . . . . .34
3.1 为什么要使用概率 . . . . . . . . . . . . . . . . 34
3.2 随机变量 . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 离散型变量和概率质量函数 . . . . 36
3.3.2 连续型变量和概率密度函数 . . . . 36
3.4 边缘概率 . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 条件概率 . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 条件概率的链式法则 . . . . . . . . . . . . . . 38
3.7 独立性和条件独立性 . . . . . . . . . . . . . . 38
3.8 期望、方差和协方差 . . . . . . . . . . . . . . 38
3.9 常用概率分布 . . . . . . . . . . . . . . . . . . . . . 39
3.9.1 Bernoulli 分布 . . . . . . . . . . . . . . . . 40
3.9.2 Multinoulli 分布 . . . . . . . . . . . . . . 40
3.9.3 高斯分布 . . . . . . . . . . . . . . . . . . . . . 40
3.9.4 指数分布和 Laplace 分布 . . . . . . 41
3.9.5 Dirac 分布和经验分布 . . . . . . . . . 42
3.9.6 分布的混合 . . . . . . . . . . . . . . . . . . . 42
3.10 常用函数的有用性质. . . . . . . . . . . . .43
3.11 贝叶斯规则 . . . . . . . . . . . . . . . . . . . . . . 45
3.12 连续型变量的技术细节 . . . . . . . . . . 45
3.13 信息论 . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.14 结构化概率模型 . . . . . . . . . . . . . . . . . 49
第 4 章数值计算 . . .. . . . . . . . . . . . . . . . . . . . . . 52
4.1 上溢和下溢 . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 病态条件 . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3 基于梯度的优化方法 . . . . . . . . . . . . . . 53
4.3.1 梯度之上：Jacobian 和 Hessian 矩阵 . . . . . . . . . . . . . . . . . . . . . 56
4.4 约束优化 . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.5 实例：线性*小二乘 . . . . . . . . . . . . . . 61

Keras快速上手：基于Python的深度学习实战

本书系统地讲解了深度学习的基本知识、建模过程和应用，并以深度学习在推荐系统、图像识别、自然语言处理、文字生成和时间序列中的具体应用为案例，详细介绍了从工具准备、数据获取和处理到针对问题进行建模的整个过程和实践经验，是一本非常好的深度学习入门书。

不同于许多讲解深度学习的书籍，本书以实用为导向，选择了Keras作为编程框架，强调简单、快速地设计模型，而不去纠缠底层代码，使得内容相当易于理解。读者可以在CNTK、TensorFlow和Theano的后台之间随意切换，非常灵活，并且能帮助读者从高度抽象的角度去审视业务问题，达到事半功倍的效果。

第1章准备深度学习的环境1

硬件环境的搭建和配置选择. . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1通用图形处理单元. . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2你需要什么样的GPU加速卡. . . . . . . . . . . . . . . . . . . 6
1.1.3你的GPU需要多少内存. . . . . . . . . . . . . . . . . . . . . . 7
1.1.4是否应该用多块GPU . . . . . . . . . . . . . . . . . . . . . . . 11
1.2安装软件环境. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1所需软件列表. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 CUDA的安装. . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Python及计算环境的安装. . . . . . . . . . . . . . . . . . . . . 14
1.2.4深度学习建模环境介绍. . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5安装CNTK及对应的Keras . . . . . . . . . . . . . . . . . . . 17
1.2.6安装Theano计算环境. . . . . . . . . . . . . . . . . . . . . . . 24
1.2.7安装TensorFlow计算环境. . . . . . . . . . . . . . . . . . . . 26
1.2.8安装cuDNN和CNMeM . . . . . . . . . . . . . . . . . . . . . 28

第2章数据收集与处理29

2.1本章摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2网络爬虫. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1网络爬虫技术. . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2构造自己的Scrapy爬虫. . . . . . . . . . . . . . . . . . . . . . 31
2.2.3构造可接受参数的Scrapy爬虫. . . . . . . . . . . . . . . . . . 36
2.2.4运行Scrapy爬虫. . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.5运行Scrapy爬虫的一些要点. . . . . . . . . . . . . . . . . . . 40
2.3大规模非结构化数据的存储和分析. . . . . . . . . . . . . . . . . . . . 42
2.3.1 ElasticSearch介绍. . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.2 ElasticSearch应用实例. . . . . . . . . . . . . . . . . . . . . . 46