机器学习之路 Caffe、Keras、scikit-learn实战PDF|Epub|txt|kindle电子书版本网盘下载

机器学习之路 Caffe、Keras、scikit-learn实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一篇 机器学习篇2

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knn14

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

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age69

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 融合成群体（ensamble）80

2.6.2 bagging：随机森林（random forest）82

2.6.3 boosting：gbdt83

2.6.4 stacking86

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 第一步：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126

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129

4.2 深度学习框架简介129

4.2.1 评测方式130

4.2.2 评测对象131

4.2.3 深度学习框架评测131

4.2.4 小结135

4.3 深度学习框架快速上手135

4.3.1 符号主义135

4.3.2 mnist136

4.3.3 keras完成逻辑分类138

4.3.4 回顾141

4.4 caffe实现逻辑分类模型141

4.4.1 caffe训练mnist概览142

4.4.2 caffe简介144

4.4.3 准备数据集145

4.4.4 准备模型146

4.4.5 模型训练流程149

4.4.6 使用模型149

4.4.7 caffe的python接口150

4.4.8 回顾151

第5章 深层学习模型152

5.1 解密生物智能154

5.1.1 实验一：大脑的材料154

5.1.2 实验二：探索脑皮层的功能区域156

5.1.3 实验三：不同的皮层组织——区别在于函数算法158

5.1.4 实验四：可替换的皮层模块——神经元组成的学习模型161

5.1.5 模拟神经元162

5.1.6 生物结构带来的启发163

5.1.7 回顾164

5.2 dnn神经网络模型164

5.2.1 线性内核和非线性激活164

5.2.2 dnn、cnn、rnn165

5.2.3 逻辑分类：一层神经网络166

5.2.4 更多的神经元167

5.2.5 增加hidden layer（隐层）168

5.2.6 relu激活函数170

5.2.7 理解隐层171

5.2.8 回顾172

5.3 神经元的深层网络结构172

5.3.1 问题：更宽or更深172

5.3.2 链式法则：深层模型训练更快173

5.3.3 生物：深层模型匹配生物的层级识别模式175

5.3.4 深层网络结构177

5.3.5 回顾178

5.4 典型的dnn深层网络模型：mlp178

5.4.1 优化梯度下降179

5.4.2 处理过拟合：dropout181

5.4.3 mlp模型182

5.4.4 回顾185

5.5 caffe实现mlp185

5.5.1 搭建mlp185

5.5.2 训练模型189

5.5.3 回顾190

第6章 学习空间特征191

6.1 预处理空间数据192

6.1.1 像素排列展开的特征向量带来的问题192

6.1.2 过滤冗余194

6.1.3 生成数据195

6.1.4 回顾198

6.2 描述图片的空间特征：特征图199

6.2.1 图片的卷积运算199

6.2.2 卷积指令和特征图201

6.2.3 回顾206

6.3 cnn模型Ⅰ：卷积神经网络原理206

6.3.1 卷积神经元207

6.3.2 卷积层208

6.3.3 多层卷积211

6.3.4 回顾216

6.4 cnn模型Ⅱ：图片识别216

6.4.1 连接分类模型216

6.4.2 猫狗分类217

6.4.3 反思cnn与dnn的结合：融合训练221

6.4.4 深度学习与生物视觉222

6.4.5 回顾224

6.5 cnn的实现模型224

6.5.1 imagenet简介224

6.5.2 googlenet模型和inception结构226

6.5.3 vgg模型228

6.5.4 其他模型231

6.5.5 回顾232

6.6 微训练模型（fine-tuning）232

6.6.1 二次训练一个成熟的模型232

6.6.2 微训练在imagenet训练好的模型233

6.6.3 回顾239

第7章 caffe实例：狗狗品种辨别240

7.1 准备图片数据240

7.1.1 搜集狗狗图片240

7.1.2 清洗数据241

7.1.3 标准化数据242

7.1.4 回顾243

7.2 训练模型243

7.2.1 生成样本集244

7.2.2 生成训练、测试数据集245

7.2.3 生成lmdb246

7.2.4 生成去均值文件247

7.2.5 更改prototxt文件247

7.2.6 训练模型249

7.2.7 回顾249

7.3 使用生成的模型进行分类249

7.3.1 更改deploy.prototxt249

7.3.2 加载模型250

7.3.3 回顾257

第8章 漫谈时间序列模型258

8.1 embedding259

8 1.1 简单的文本识别260

8.1.2 深度学习从读懂词义开始261

8.1.3 游戏：词义运算264

8.1.4 回顾264

8.2 输出序列的模型265

8.2.1 rnn265

8.2.2 lstm266

8.2.3 并用人工特征和深度学习特征——一个nlp模型的优化历程268

8.2.4 反思：让模型拥有不同的能力270

8.2.5 回顾273

8.3 深度学习：原理篇总结273

8.3.1 原理小结273

8.3.2 使用建议275

第9章 用深度学习做个艺术画家——模仿实现prisma277

9.1 机器学习初探艺术作画278

9.1.1 艺术作画概念基础278

9.1.2 直观感受一下机器艺术家279

9.1.3 一个有意思的实验280

9.1.4 机器艺术作画的愿景281

9.1.5 回顾282

9.2 实现秒级艺术作画282

9.2.1 主要实现思路分解讲解283

9.2.2 使用统计参数期望与标准差寻找mask290

9.2.3 工程代码封装结构及使用示例299

9.2.4 回顾和后记302

附录a 机器学习环境部署303

附录b 深度学习环境部署307

附录c 随书代码运行环境部署312