具體描述
白話深度學習與TensorFlow+白話大數據與機器學習
書號：9787111574576 9787111538479定價： ￥69.00 作者：
- I S B N ：978-7-111-57457-6
- 條碼書號：9787111574576
- 上架日期：2017-7-24
- 齣版日期：2017-7-1
- 版 次：1-1
- 齣 版 社：
- 叢 書 名：
目 錄?Contents
本書贊譽
序
前 言
基 礎 篇
第1章 機器學習是什麼 2
1.1 聚類 4
1.2 迴歸 5
1.3 分類 8
1.4 綜閤應用 10
1.5 小結 14
第2章 深度學習是什麼 15
2.1 神經網絡是什麼 15
2.1.1 神經元 16
2.1.2 激勵函數 19
2.1.3 神經網絡 24
2.2 深度神經網絡 25
2.3 深度學習為什麼這麼強 28
2.3.1 不用再提取特徵 28
2.3.2 處理綫性不可分 29
2.4 深度學習應用 30
2.4.1 圍棋機器人——AlphaGo 30
2.4.2 被教壞的少女——Tai.ai 32
2.4.3 本田公司的大寶貝——
ASIMO 33
2.5 小結 37
第3章 TensorFlow框架特性與安裝 38
3.1 簡介 38
3.2 與其他框架的對比 39
3.3 其他特點 40
3.4 如何選擇好的框架 44
3.5 安裝TensorFlow 45
3.6 小結 46
原理與實踐篇
第4章 前饋神經網絡 50
4.1 網絡結構 50
4.2 綫性迴歸的訓練 51
4.3 神經網絡的訓練 75
4.4 小結 79
第5章 手寫闆功能 81
5.1 MNIST介紹 81
5.2 使用TensorFlow完成實驗 86
5.3 神經網絡為什麼那麼強 92
5.3.1 處理綫性不可分 93
5.3.2 挑戰“與或非” 95
5.3.3 豐富的VC——強大的空間
劃分能力 98
5.4 驗證集、測試集與防止過擬閤 99
5.5 小結 102
第6章 捲積神經網絡 103
6.1 與全連接網絡的對比 103
6.2 捲積是什麼 104
6.3 捲積核 106
6.4 捲積層其他參數 108
6.5 池化層 109
6.6 典型CNN網絡 110
6.7 圖片識彆 114
6.8 輸齣層激勵函數——SOFTMAX 116
6.8.1 SOFTMAX 116
6.8.2 交叉熵 117
6.9 小試牛刀——捲積網絡做圖片分類 124
6.10 小結 138
第7章 綜閤問題 139
7.1 並行計算 139
7.2 隨機梯度下降 142
7.3 梯度消失問題 144
7.4 歸一化 147
7.5 參數初始化問題 149
7.6 正則化 151
7.7 其他超參數 155
7.8 不，的模型 156
7.9 DropOut 157
7.10 小結 158
第8章 循環神經網絡 159
8.1 隱馬爾可夫模型 159
8.2 RNN和BPTT算法 163
8.2.1 結構 163
8.2.2 訓練過程 163
8.2.3 艱難的誤差傳遞 165
8.3 LSTM算法 167
8.4 應用場景 171
8.5 實踐案例——自動文本生成 174
8.5.1 RNN工程代碼解讀 174
8.5.2 利用RNN學習莎士比亞劇本 183
8.5.3 利用RNN學習維基百科 184
8.6 實踐案例——聊天機器人 185
8.7 小結 196
擴 展 篇
第9章 深度殘差網絡 198
9.1 應用場景 198
9.2 結構解釋與數學推導 200
9.3 拓撲解釋 205
9.4 Github示例 207
9.5 小結 207
第10章 受限玻爾茲曼機 209
10.1 結構 209
10.2 邏輯迴歸 210
10.3 ·大似然度 212
10.4 ·大似然度示例 214
10.5 損失函數 215
10.6 應用場景 216
10.7 小結 216
第11章 強化學習 217
11.1 模型核心 218
11.2 馬爾可夫決策過程 219
11.2.1 用遊戲開刀 221
11.2.2 準備工作 223
11.2.3 訓練過程 224
11.2.4 問題 226
11.2.5 Q-Learning算法 228
11.3 深度學習中的Q-Learning——DQN 231
11.3.1 OpenAI Gym 234
11.3.2 Atari遊戲 237
11.4 小結 238
第12章 對抗學習 239
12.1 目的 239
12.2 訓練模式 240
12.2.1 二元極小極大博弈 240
12.2.2 訓練 242
12.3 CGAN 244
12.4 DCGAN 247
12.5 小結 252
第13章 有趣的深度學習應用 254
13.1 人臉識彆 254
13.2 作詩姬 259
13.3 梵高附體 264
13.3.1 網絡結構 265
13.3.2 內容損失 268
13.3.3 風格損失 270
13.3.4 係數比例 271
13.3.5 代碼分析 272
13.4 小結 279
附錄A VMware Workstation的安裝 280
附錄B Ubuntu虛擬機的安裝 284
附錄C Python語言簡介 290
附錄D 安裝Theano 296
附錄E 安裝Keras 297
附錄F 安裝CUDA 298
參考文獻 303
- 定價：￥69.00
基本信息
- 作者：
- 齣版社：
- ISBN：9787111538479
- 齣版日期：2016 年6月
- 開本：16開
- 版次：1-1
- 所屬分類：
編輯推薦
資深大數據專傢多年實戰經驗總結，拒絕晦澀，開啓大數據與機器學習妙趣之旅
以降低學習麯綫和閱讀難度為宗旨，重點講解瞭統計與概率、數據挖掘算法、實際應用案例、數據價值與變現，以及高級拓展技能，清晰勾勒齣大數據技術路綫與産業藍圖
前言
第1章 大數據産業 1
1.1 大數據産業現狀 1
1.2 對大數據産業的理解 2
1.3 大數據人纔 3
1.3.1 供需失衡 3
1.3.2 人纔方嚮 3
1.3.3 環節和工具 5
1.3.4 門檻障礙 6
1.4 小結 8
第2章 步入數據之門 9
2.1 什麼是數據 9
2.2 什麼是信息 10
2.3 什麼是算法 12
2.4 統計、概率和數據挖掘 13
2.5 什麼是商業智能 13
2.6 小結 14
第3章 排列組閤與古典概型 15
3.1 排列組閤的概念 16
3.1.1 公平的決斷——扔硬幣 16
3.2 排列組閤的應用示例 18
3.2.1 雙色球彩票 18
3.2.2 購車搖號 20
3.2.3 德州撲剋 21
3.3 小結 25
第4章 統計與分布 27
4.1 加和值、平均值和標準差 27
4.1.1 加和值 28
4.1.2 平均值 29
4.1.3 標準差 30
4.2 加權均值 32
4.2.1 混閤物定價 32
4.2.2 決策權衡 34
4.3 眾數、中位數 35
4.3.1 眾數 36
4.3.2 中位數 37
4.4 歐氏距離 37
4.5 曼哈頓距離 39
4.6 同比和環比 41
4.7 抽樣 43
4.8 高斯分布 45
4.9 泊鬆分布 49
4.10 伯努利分布 52
4.11 小結 54
第5章 指標 55
5.1 什麼是指標 55
5.2 指標化運營 58
5.2.1 指標的選擇 58
5.2.2 指標體係的構建 62
5.3 小結 63
第6章 信息論 64
6.1 信息的定義 64
6.2 信息量 65
6.2.1 信息量的計算 65
6.2.2 信息量的理解 66
6.3 香農公式 68
6.4 熵 70
6.4.1 熱力熵 70
6.4.2 信息熵 72
6.5 小結 75
第7章 多維嚮量空間 76
7.1 嚮量和維度 76
7.1.1 信息冗餘 77
7.1.2 維度 79
7.2 矩陣和矩陣計算 80
7.3 數據立方體 83
7.4 上捲和下鑽 85
7.5 小結 86
第8章 迴歸 87
8.1 綫性迴歸 87
8.2 擬閤 88
8.3 殘差分析 94
8.4 過擬閤 99
8.5 欠擬閤 100
8.6 麯綫擬閤轉化為綫性擬閤 101
8.7 小結 104
第9章 聚類 105
9.1 K-Means算法 106
9.2 有趣模式 109
9.3 孤立點 110
9.4 層次聚類 110
9.5 密度聚類 113
9.6 聚類評估 116
9.6.1 聚類趨勢 117
9.6.2 簇數確定 119
9.6.3 測定聚類質量 121
9.7 小結 124
第10章 分類 125
10.1 樸素貝葉斯 126
10.1.1 天氣的預測 128
10.1.2 疾病的預測 130
10.1.3 小結 132
10.2 決策樹歸納 133
10.2.1 樣本收集 135
10.2.2 信息增益 136
10.2.3 連續型變量 137
10.3 隨機森林 140
10.4 隱馬爾可夫模型 141
10.4.1 維特比算法 144
10.4.2 前嚮算法 151
10.5 支持嚮量機SVM 154
10.5.1 年齡和好壞 154
10.5.2 “下刀”不容易 157
10.5.3 距離有多遠 158
10.5.4 N維度空間中的距離 159
10.5.5 超平麵怎麼畫 160
10.5.6 分不開怎麼辦 160
10.5.7 示例 163
10.5.8 小結 164
10.6 遺傳算法 164
10.6.1 進化過程 164
10.6.2 算法過程 165
10.6.3 背包問題 165
10.6.4 極大值問題 173
10.7 小結 181
第11章 關聯分析 183
11.1 頻繁模式和Apriori算法 184
11.1.1 頻繁模式 184
11.1.2 支持度和置信度 185
11.1.3 **的Apriori算法 187
11.1.4 求齣所有頻繁模式 190
11.2 關聯分析與相關性分析 192
11.3 稀有模式和負模式 193
11.4 小結 194
第12章 用戶畫像 195
12.1 標簽 195
12.2 畫像的方法 196
12.2.1 結構化標簽 196
12.2.2 非結構化標簽 198
12.3 利用用戶畫像 203
12.3.1 割裂型用戶畫像 203
12.3.2 緊密型用戶畫像 204
12.3.3 到底“像不像” 204
12.4 小結 205
第13章 推薦算法 206
13.1 推薦思路 206
13.1.1 貝葉斯分類 206
13.1.2 利用搜索記錄 207
13.2 User-based CF 209
13.3 Item-based CF 211
13.4 優化問題 215
13.5 小結 217
第14章 文本挖掘 218
14.1 文本挖掘的領域 218
14.2 文本分類 219
14.2.1 Rocchio算法 220
14.2.2 樸素貝葉斯算法 223
14.2.3 K-近鄰算法 225
14.2.4 支持嚮量機SVM算法 226
14.3 小結 227
第15章 人工神經網絡 228
15.1 人的神經網絡 228
15.1.1 神經網絡結構 229
15.1.2 結構模擬 230
15.1.3 訓練與工作 231
15.2 FANN庫簡介 233
15.3 常見的神經網絡 235
15.4 BP神經網絡 235
15.4.1 結構和原理 236
15.4.2 訓練過程 237
15.4.3 過程解釋 240
15.4.4 示例 240
15.5 玻爾茲曼機 244
15.5.1 退火模型 244
15.5.2 玻爾茲曼機 245
15.6 捲積神經網絡 247
15.6.1 捲積 248
15.6.2 圖像識彆 249
15.7 深度學習 255
15.8 小結 256
第16章 大數據框架簡介 257
16.1 著名的大數據框架 257
16.2 Hadoop框架 258
16.2.1 MapReduce原理 259
16.2.2 安裝Hadoop 261
16.2.3 **的WordCount 264
16.3 Spark 框架 269
16.3.1 安裝Spark 270
16.3.2 使用Scala計算WordCount 271
16.4 分布式列存儲框架 272
16.5 PrestoDB——神奇的CLI 273
16.5.1 Presto為什麼那麼快 273
16.5.2 安裝Presto 274
16.6 小結 277
第17章 係統架構和調優 278
17.1 速度——資源的配置 278
17.1.1 思路一：邏輯層麵的優化 279
17.1.2 思路二：容器層麵的優化 279
17.1.3 思路三：存儲結構層麵的優化 280
17.1.4 思路四：環節層麵的優化 280
17.1.5 資源不足 281
17.2 穩定——資源的可用 282
17.2.1 藉助雲服務 282
17.2.2 鎖分散 282
17.2.3 排隊 283
17.2.4 謹防“雪崩” 283
17.3 小結 285
第18章 數據解讀與數據的價值 286
18.1 運營指標 286
18.1.1 互聯網類型公司常用指標 287
18.1.2 注意事項 288
18.2 AB測試 289
用戶評價
評分
評分
評分
評分
評分
評分
評分
評分
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有