简介
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）。
目录
第一篇 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 ?O 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 融合成群体（Ensamble） ..................................................................................................... 80
2.6.2 Bagging：随机森林（Random Forest） ............................................................................... 82
目录 ?O VII
2.6.3 Boosting：GBDT ................................................................................................................... 83
2.6.4 Stacking ......................................................................................
机器学习之路——Caffe、Keras、scikit-learn实战
- 名称
- 类型
- 大小
光盘服务联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×
