包郵機器學習之路+Keras快速上手+深度學習 3本 pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

機器學習
深度學習
Keras
神經網絡
人工智能
算法
Python
數據分析
模式識彆
包郵

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到新城書站

book.cndgn.com

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

店鋪：曠氏文豪圖書專營店

齣版社：電子工業齣版社

ISBN：9787121321603

商品編碼：14267708725

具體描述

YL8549 9787121321603 9787115461476 9787121318726

機器學習之路——Caffe、Keras、scikit-learn實戰

機器學習需要一條脫離過高理論門檻的入門之路。
本書《機器學習篇》從小紅帽采蘑菇的故事開篇，介紹瞭基礎的機器學習分類模型的訓練（第1章）。如何評估、調試模型？如何閤理地發掘事物的特徵？如何利用幾個模型共同發揮作用？後續章節一步一步講述瞭如何優化模型，更好地完成分類預測任務（第2章），並且初步嘗試將這些技術運用到金融股票交易中（第3章）。
自然界*好的非綫性模型莫過於人類的大腦。《深度學習篇》從介紹並對比一些常見的深度學習框架開始（第4章），講解瞭DNN模型的直觀原理，嘗試給齣一些簡單的生物學解釋，完成簡單的圖片識彆任務（第5章）。後續章節在此基礎上，完成更為復雜的圖片識彆CNN模型（第6章）。接著，本書展示瞭使用Caffe完成一個完整的圖片識彆項目，從準備數據集，到完成識彆任務（第7章）。後麵簡單描述瞭RNN模型（第8章），接著展示瞭一個將深度學習技術落地到圖片處理領域的項目（第9章）。
1篇機器學習篇
第1 章初識機器學習 .................................................................................... 2
1.1 機器學習——賦予機器“學習”的靈魂 ..................................................................... 2
1.1.1 小紅帽識彆毒蘑菇 ................................................................................................................... 2
1.1.2 三種機器學習問題 ................................................................................................................... 6
1.1.3 常用符號 .................................................................................................................................. 6
1.1.4 迴顧 .......................................................................................................................................... 7
1.2 KNN——相似的鄰居請投票 ........................................................................................ 7
1.2.1 模型原理 .................................................................................................................................. 7
1.2.2 鳶尾花卉數據集（IRIS） ....................................................................................................... 9
1.2.3 訓練模型 .................................................................................................................................. 9
1.2.4 評估模型 ................................................................................................................................ 12
1.2.5 關於KNN ............................................................................................................................... 14
1.2.6 運用KNN 模型 ...................................................................................................................... 15
1.2.7 迴顧 ........................................................................................................................................ 16
1.3 邏輯分類I：綫性分類模型 ........................................................................................ 16
1.3.1 參數化的模型 ........................................................................................................................ 16
1.3.2 邏輯分類：預測..................................................................................................................... 18
1.3.3 邏輯分類：評估..................................................................................................................... 22
1.3.4 邏輯分類：訓練..................................................................................................................... 23
1.3.5 迴顧 ........................................................................................................................................ 24
1.4 邏輯分類II：綫性分類模型 ....................................................................................... 24
1.4.1 尋找模型的權重..................................................................................................................... 24
VI ∣ 機器學習之路——Caffe、Keras、scikit-learn 實戰
1.4.2 去均值和歸一化..................................................................................................................... 31
1.4.3 實現 ........................................................................................................................................ 33
1.4.4 迴顧 ........................................................................................................................................ 34
第2 章機器學習進階 .................................................................................. 35
2.1 特徵工程 ...................................................................................................................... 35
2.1.1 泰坦尼剋號生存預測 ............................................................................................................. 35
2.1.2 兩類特徵 ................................................................................................................................ 38
2.1.3 構造非綫性特徵..................................................................................................................... 41
2.1.4 迴顧 ........................................................................................................................................ 45
2.2 調試模型 ...................................................................................................................... 46
2.2.1 模型調試的目標..................................................................................................................... 46
2.2.2 調試模型 ................................................................................................................................ 49
2.2.3 迴顧 ........................................................................................................................................ 52
2.3 分類模型評估指標 ...................................................................................................... 53
2.3.1 混淆矩陣係指標..................................................................................................................... 53
2.3.2 評估麯綫 ................................................................................................................................ 58
2.3.3 迴顧 ........................................................................................................................................ 61
2.4 迴歸模型 ...................................................................................................................... 61
2.4.1 迴歸與分類 ............................................................................................................................ 61
2.4.2 綫性迴歸 ................................................................................................................................ 62
2.4.3 波士頓房價預測..................................................................................................................... 66
2.4.4 泰坦尼剋號生存預測：迴歸預測特徵年齡Age .................................................................. 69
2.4.5 綫性模型與非綫性模型 ......................................................................................................... 72
2.4.6 迴顧 ........................................................................................................................................ 73
2.5 決策樹模型 .................................................................................................................. 73
2.5.1 信息與編碼 ............................................................................................................................ 74
2.5.2 決策樹 .................................................................................................................................... 76
2.5.3 對比綫性模型和決策樹模型的錶現 ..................................................................................... 77
2.5.4 迴顧 ........................................................................................................................................ 79
2.6 模型融閤 ...................................................................................................................... 80
2.6.1 融**群體（Ensamble） ..................................................................................................... 80
2.6.2 Bagging：隨機森林（Random Forest） ............................................................................... 82
目錄 ∣ VII
2.6.3 Boosting：GBDT ................................................................................................................... 83
2.6.4 Stacking .................................................................................................................................. 86
2.6.5 泰坦尼剋號生存預測：小結 ................................................................................................. 93
2.6.6 迴顧 ........................................................................................................................................ 94
第3 章實戰：股票量化 .............................................................................. 95
3.1 1步：構造童話世界 .............................................................................................. 95
3.1.1 股票是什麼 ............................................................................................................................ 95
3.1.2 當機器學習與量化交易走在一起 ......................................................................................... 96
3.1.3 構造一個童話世界 ................................................................................................................. 96
3.1.4 迴顧 ...................................................................................................................................... 100
3.2 第二步：應用機器學習 ............................................................................................ 100
3.2.1 構建特徵數據 ...................................................................................................................... 100
3.2.2 迴歸預測股票價格 ............................................................................................................... 103
3.2.3 分類預測股票漲跌 ............................................................................................................... 108
3.2.4 通過決策樹分類，繪製決策圖 ........................................................................................... 112
3.2.5 迴顧 ...................................................................................................................................... 114
3.3 第三步：在真實世界應用機器學習 ........................................................................ 114
3.3.1 迴測 ...................................................................................................................................... 115
3.3.2 基於特徵的交易預測 ........................................................................................................... 119
3.3.3 破滅的童話——真實世界的機器學習 ............................................................................... 122
第二篇深度學習篇
第4 章深度學習：背景和工具 ................................................................. 126
4.1 背景 ............................................................................................................................ 126
4.1.1 人工智能——為機器賦予人的智能 ................................................................................... 126
4.1.2 圖靈測試 .............................................................................................................................. 126
4.1.3 強人工智能 vs 弱人工智能 ............................................................................................... 127
4.1.4 機器學習和深度學習 ........................................................................................................... 128
4.1.5 過度的幻想 .......................................................................................................................... 128
4.1.6 迴顧 ............................................

深度學習deep learning
《深度學習》由*****的三位專傢Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的**教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分係統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方嚮和想法，它們被**為是深度學習未來的研究重點。
《深度學習》適閤各類讀者閱讀，包括相關**的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際産品或平颱中應用的軟件工程師。
第 1 章引言 . . .. . . . . . 1
1.1 本書麵嚮的讀者 . . . . . . . . . . . . . . . . . . . .7
1.2 深度學習的曆史趨勢 . . . . . . . . . . . . . . . 8
1.2.1 神經網絡的眾多名稱和命運變遷 . 8
1.2.2 與日俱增的數據量 . . . . . . . . . . . . . 12
1.2.3 與日俱增的模型規模 . . . . . . . . . . .13
1.2.4 與日俱增的精度、復雜度和對現實世界的衝擊 . . . . . . . . . . . . . 15

第 1 部分應用數學與機器學習基礎
第 2 章綫性代數 . . .19
2.1 標量、嚮量、矩陣和張量 . . . . . . . . . . 19
2.2 矩陣和嚮量相乘. . . . . . . . . . . . . . . . . . .21
2.3 單位矩陣和逆矩陣 . . . . . . . . . . . . . . . . 22
2.4 綫性相關和生成子空間 . . . . . . . . . . . 23
2.5 範數. . . . . . . . .24
2.6 特殊類型的矩陣和嚮量 . . . . . . . . . . . 25
2.7 特徵分解 . . . . 26
2.8 奇異值分解 . . . . . . . . . . . . . . . . . . . . . . . 28
2.9 Moore-Penrose 僞逆 . . . . . . . . . . . . . . . 28
2.10 跡運算 . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.11 行列式 . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12 實例：主成分分析. . . . . . . . . . . . . . . .30
第 3 章概率與信息論. . .. . . . . . . . . . . . . . . . . .34
3.1 為什麼要使用概率 . . . . . . . . . . . . . . . . 34
3.2 隨機變量 . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 離散型變量和概率質量函數 . . . . 36
3.3.2 連續型變量和概率密度函數 . . . . 36
3.4 邊緣概率 . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 條件概率 . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 條件概率的鏈式法則 . . . . . . . . . . . . . . 38
3.7 獨立性和條件獨立性 . . . . . . . . . . . . . . 38
3.8 期望、方差和協方差 . . . . . . . . . . . . . . 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 指數分布和 Laplace 分布 . . . . . . 41
3.9.5 Dirac 分布和經驗分布 . . . . . . . . . 42
3.9.6 分布的混閤 . . . . . . . . . . . . . . . . . . . 42
3.10 常用函數的有用性質. . . . . . . . . . . . .43
3.11 貝葉斯規則 . . . . . . . . . . . . . . . . . . . . . . 45
3.12 連續型變量的技術細節 . . . . . . . . . . 45
3.13 信息論 . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.14 結構化概率模型 . . . . . . . . . . . . . . . . . 49
第 4 章數值計算 . . .. . . . . . . . . . . . . . . . . . . . . . 52
4.1 上溢和下溢 . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 病態條件 . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3 基於梯度的優化方法 . . . . . . . . . . . . . . 53
4.3.1 梯度之上：Jacobian 和 Hessian 矩陣 . . . . . . . . . . . . . . . . . . . . . 56
4.4 約束優化 . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.5 實例：綫性*小二乘 . . . . . . . . . . . . . . 61

Keras快速上手：基於Python的深度學習實戰

本書係統地講解瞭深度學習的基本知識、建模過程和應用，並以深度學習在推薦係統、圖像識彆、自然語言處理、文字生成和時間序列中的具體應用為案例，詳細介紹瞭從工具準備、數據獲取和處理到針對問題進行建模的整個過程和實踐經驗，是一本非常好的深度學習入門書。

不同於許多講解深度學習的書籍，本書以實用為導嚮，選擇瞭Keras作為編程框架，強調簡單、快速地設計模型，而不去糾纏底層代碼，使得內容相當易於理解。讀者可以在CNTK、TensorFlow和Theano的後颱之間隨意切換，非常靈活，並且能幫助讀者從高度抽象的角度去審視業務問題，達到事半功倍的效果。

第1章準備深度學習的環境1

硬件環境的搭建和配置選擇. . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1通用圖形處理單元. . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2你需要什麼樣的GPU加速卡. . . . . . . . . . . . . . . . . . . 6
1.1.3你的GPU需要多少內存. . . . . . . . . . . . . . . . . . . . . . 7
1.1.4是否應該用多塊GPU . . . . . . . . . . . . . . . . . . . . . . . 11
1.2安裝軟件環境. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1所需軟件列錶. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 CUDA的安裝. . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Python及計算環境的安裝. . . . . . . . . . . . . . . . . . . . . 14
1.2.4深度學習建模環境介紹. . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5安裝CNTK及對應的Keras . . . . . . . . . . . . . . . . . . . 17
1.2.6安裝Theano計算環境. . . . . . . . . . . . . . . . . . . . . . . 24
1.2.7安裝TensorFlow計算環境. . . . . . . . . . . . . . . . . . . . 26
1.2.8安裝cuDNN和CNMeM . . . . . . . . . . . . . . . . . . . . . 28

第2章數據收集與處理29

2.1本章摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2網絡爬蟲. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1網絡爬蟲技術. . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2構造自己的Scrapy爬蟲. . . . . . . . . . . . . . . . . . . . . . 31
2.2.3構造可接受參數的Scrapy爬蟲. . . . . . . . . . . . . . . . . . 36
2.2.4運行Scrapy爬蟲. . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.5運行Scrapy爬蟲的一些要點. . . . . . . . . . . . . . . . . . . 40
2.3大規模非結構化數據的存儲和分析. . . . . . . . . . . . . . . . . . . . 42
2.3.1 ElasticSearch介紹. . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.2 ElasticSearch應用實例. . . . . . . . . . . . . . . . . . . . . . 46