Python与神经网络实战PDF|Epub|txt|kindle电子书版本网盘下载

Python与神经网络实战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1章 绪论1

1.1 机器学习简介2

1.1.1 什么是机器学习2

1.1.2 机器学习常用术语3

1.2 Python简介9

1.2.1 Python的优势10

1.2.2 scikit-learn和TensorFlow11

1.3 前期准备13

1.3.1 训练、交叉验证与测试13

1.3.2 简易数据预处理14

1.4 本章小结15

第2章 经典传统机器学习算法简介17

2.1 朴素贝叶斯17

2.1.1 条件独立性假设18

2.1.2 贝叶斯思维19

2.1.3 模型算法20

2.1.4 实例演示23

2.1.5 参数估计25

2.1.6 朴素贝叶斯的改进28

2.2 决策树33

2.2.1 决策的方法33

2.2.2 决策树的生成34

2.2.3 决策树的剪枝39

2.2.4 实例演示40

2.2.5 决策树的三大算法40

2.2.6 数据集的划分45

2.2.7 决策树与回归48

2.3 支持向量机50

2.3.1 分离超平面与几何间隔50

2.3.2 感知机与SVM的原始形式58

2.3.3 梯度下降法62

2.3.4 核技巧70

2.3.5 实例演示75

2.4 Logistic回归75

2.5 本章小结76

第3章 神经网络入门77

3.1 神经网络的结构78

3.2 前向传导算法80

3.2.1 算法概述81

3.2.2 算法内涵83

3.2.3 激活函数85

3.2.4 损失函数90

3.3 反向传播算法92

3.3.1 算法概述92

3.3.2 损失函数的选择94

3.4 参数的更新98

3.4.1 Vanilla Update99

3.4.2 Momentum Update99

3.4.3 Nesterov Momentum Update100

3.4.4 AdaGrad100

3.4.5 RMSProp101

3.4.6 Adam101

3.5 TensorFlow模型的基本框架101

3.5.1 TensorFlow的组成单元与基本思想102

3.5.2 TensorFlow模型的基本元素104

3.5.3 TensorFlow元素的整合方法114

3.5.4 TensorFlow模型的save ＆ load125

3.6 朴素神经网络的实现与评估130

3.7 本章小结138

第4章 从传统算法走向神经网络139

4.1 朴素贝叶斯的线性形式139

4.2 决策树生成算法的本质145

4.2.1 第1隐藏层→决策超平面147

4.2.2 第2隐藏层→决策路径148

4.2.3 输出层→叶节点150

4.2.4 具体实现151

4.3 模型转换的实际意义158

4.3.1 利用Softmax来赋予概率意义159

4.3.2 利用Tanh＋Softmax来“软化”模型160

4.3.3 通过微调来缓解“条件独立性假设”165

4.3.4 通过微调来丰富超平面的选择165

4.3.5 模型逆转换的可能性171

4.4 模型转换的局限性172

4.5 本章小结172

第5章 神经网络进阶174

5.1 层结构内部的额外工作175

5.1.1 Dropout175

5.1.2 Batch Normalization176

5.1.3 具体实现180

5.2 “浅”与“深”的结合181

5.2.1 离散型特征的处理方式181

5.2.2 Wide and Deep模型概述183

5.2.3 Wide and Deep的具体实现185

5.2.4 WnD的重要思想与优缺点194

5.3 神经网络中的“决策树”195

5.3.1 DNDF结构概述195

5.3.2 DNDF的具体实现199

5.3.3 DNDF的应用场景210

5.3.4 DNDF的结构内涵213

5.4 神经网络中的剪枝216

5.4.1 Surgery算法概述216

5.4.2 Surgery算法改进218

5.4.3 软剪枝的具体实现221

5.4.4 软剪枝的算法内涵223

5.5 AdvancedNN的结构设计237

5.5.1 AdvancedNN的实现补足237

5.5.2 WnD与DNDF239

5.5.3 DNDF与剪枝241

5.5.4 剪枝与Dropout242

5.5.5 没有免费的午餐242

5.6 AdvancedNN的实际性能243

5.7 本章小结251

第6章 半自动化机器学习框架253

6.1 数据的准备254

6.1.1 数据预处理的流程254

6.1.2 数据准备的流程256

6.2 数据的转换264

6.2.1 数据的数值化264

6.2.2 冗余特征的去除266

6.2.3 缺失值处理269

6.2.4 连续型特征的数据预处理272

6.2.5 特殊类型数据的处理274

6.3 AutoBase的实现补足277

6.4 AutoMeta的实现281

6.5 训练过程的监控288

6.5.1 监控训练过程的原理288

6.5.2 监控训练的实现思路292

6.5.3 监控训练的具体代码293

6.6 本章小结299

第7章 工程化机器学习框架301

7.1 输出信息的管理301

7.2 多次实验的管理309

7.2.1 多次实验的框架312

7.2.2 多次实验的初始化314

7.2.3 多次实验中的数据划分316

7.2.4 多次实验中的模型评估318

7.2.5 多次实验的收尾工作321

7.3 参数搜索的管理321

7.3.1 参数搜索的框架322

7.3.2 随机搜索与网格搜索329

7.3.3 参数的选取334

7.3.4 参数搜索的收尾工作335

7.3.5 具体的搜索方案335

7.4 DistAdvanced的性能337

7.5 本章小结344

附录A SVM的TensorFlow实现345

附录B numba的基本应用352

附录C 装饰器的基本应用359

附录D 可视化363

附录E 模型的评估指标370

附录F 实现补足377