機器學習之路――Caffe、Keras、scikit-learn實戰 epub pdf mobi txt 電子書 下載 2024

機器學習之路――Caffe、Keras、scikit-learn實戰 epub pdf mobi txt 電子書 下載 2024

機器學習之路――Caffe、Keras、scikit-learn實戰 epub pdf mobi txt 電子書 下載 2024

産品特色

編輯推薦

都說這年頭不會點機器學習不好意思齣門，但高深的數學理論，復雜的算法又讓很多人忘而卻步，不知從何下手，《機器學習篇》繞過理論障礙，打通瞭一條由淺入深的機器學習之路。

豐富的實戰案例講解，介紹如何將機器學習技術運用到股票量化交易、圖片渲染、圖片識彆等領域。

內容簡介

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）。

作者簡介

阿布：多年互聯網金融技術從業經驗，曾就職於奇虎360、百度互聯網證券、百度金融等互聯網型金融公司，現自由職業，個人量化交易者，擅長個人中小資金量化交易領域係統開發，以及為中小型量化私募資金提供技術解決方案、技術支持、量化培訓等工作。

胥嘉幸：北京大學碩士，先後就職於百度金融證券、百度糯米搜索部門。多年緻力於大數據機器學習方麵的研究，有深厚的數學功底和理論支撐。在將機器學習技術融於傳統金融量化領域方麵頗有研究。

目錄

第一篇 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 .................................................................................

前言/序言

　　前言

　　越來越多的人期待能擠進機器學習這一行業，這些人往往有一些編程和自學能力，但數學等基礎理論能力不足。對於這些人群，從頭開始學習概率統計等基礎學科是痛苦的，如果直接上手使用機器學習工具往往又感到理解不足，缺少點什麼。本書就是麵嚮這一人群，避過數學推導等復雜的理論推衍，介紹模型背後的一些簡單直觀的理解，以及如何上手使用。本書希望能夠得到這些人的喜愛。

　　本書包含兩部分：機器學習篇和深度學習篇。

　　機器學習篇（1～3 章）主要從零開始，介紹什麼是數據特徵，什麼是機器學習模型，如何訓練模型、調試模型，以及如何評估模型的成績。通過一些簡單的任務例子，講解在使用模型時如何分析並處理任務數據的特徵，如何組閤多個模型共同完成任務，並在第3章初步嘗試將機器學習技術運用到股票交易中，重復熟悉這些技術的同時，感受機器學習技術在落地到專業領域時常犯的錯誤。

　　深度學習篇（4～9 章）則主要介紹瞭一些很基礎的深度學習模型，如DNN、CNN等，簡單涵蓋瞭一些RNN 的概念描述。我們更關注模型的直觀原理和背後的生物學設計理念，希望讀者能夠帶著這些理解，直接上手應用深度學習框架。說一點關於閱讀本書的建議。本書在編寫時不關注模型技術的數學推導及嚴謹錶述，轉而關注其背後的直觀原理理解。建議讀者以互動執行代碼的方式學習，所有示例使用IPython Notebook 編寫。讀者可在Git 上找到對應章節的內容，一步一步運行書中講解的知識點，直觀感受每一步的執行效果。具體代碼下載地址：https://github.com/bbfamily/abu。

　　本書適閤有Python 編程能力的讀者。如果讀者有簡單的數學基礎，瞭解概率、矩陣則更佳。使用過Numpy、pandas 等數據處理工具的讀者讀起來也會更輕鬆，但這些都不是必需的。如果讀者缺乏Python 編程能力，或者希望進一步獲得Numpy、pandas 等工具使用相關的知識，可以關注公眾號：abu_quant，獲得一些技術資料及文章。

　　感謝齣版社提供機會讓我們編寫本書，感謝編輯不辭辛苦地和我溝通排版等細節問題。

　　本書的完成同樣需要感謝我們的幾位朋友：吳汶（老虎美股）、劉兆丹（百度金融），感謝你們在本書編寫作過程中提供的有力支持。感謝本書的試讀人員：蔡誌威、李寅龍。

機器學習之路――Caffe、Keras、scikit-learn實戰 epub pdf mobi txt 電子書 下載 2024

大數據在學習ing，機器學習的東西不錯

書不錯，挺值得購買的！

包裝質量好 書本完好 書的內容很詳實 深度學習CNN RNN 強化學習等各個方麵都有介紹 用具體的例子幫助理解算法 從基礎的圖像分類 識彆 目標檢測 人臉識彆到最近的圖像風格遷移 具體對抗生存網絡的sr cyclegan 此外還有處理時序信號的RNN 一本書介紹瞭如此多的前沿技術 很不錯 好好學習 值得每個對深度學習有興趣的同學擁有 看曬圖 感受一下深度學習的魅力吧

好書

書很好，很滿意。要繼續學習。

好

物流速度超快，非常贊

1、既然是麵嚮零基礎的，為什麼是linux係統的。

正在看 希望有幫助