从机器学习到深度学习 基于scikit-learn与TensorFlow的高效开发实战PDF|Epub|txt|kindle电子书版本网盘下载

从机器学习到深度学习 基于scikit-learn与TensorFlow的高效开发实战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 机器学习基础1

1.1引言1

1.1.1为什么使用机器学习2

1.1.2机器学习与数据挖掘4

1.1.3机器学习与人工智能5

1.2机器学习的一般流程7

1.2.1定义问题7

1.2.2收集数据8

1.2.3比较算法与模型9

1.2.4应用模型10

1.3学习策略10

1.3.1有监督学习11

1.3.2无监督学习14

1.3.3强化学习16

1.3.4综合模型与工具18

1.4评估理论19

1.4.1划分数据集19

1.4.2交叉验证21

1.4.3评估指标22

1.4.4拟合不足与过度拟合25

1.5本章内容回顾26

第2章 Python基础工具27

2.1 Numpy28

2.1.1 Numpy与Scipy的分工28

2.1.2 ndarray构造29

2.1.3数据类型32

2.1.4访问与修改33

2.1.5轴35

2.1.6维度操作38

2.1.7合并与拆分40

2.1.8增与删41

2.1.9全函数42

2.1.10广播42

2.2 Matplot43

2.2.1点线图44

2.2.2子视图50

2.2.3图像53

2.2.4等值图57

2.2.5三维绘图58

2.2.6从官网学习59

2.3 Scipy60

2.3.1数学与物理常数61

2.3.2特殊函数库62

2.3.3积分64

2.3.4优化65

2.3.5插值67

2.3.6离散傅里叶68

2.3.7卷积70

2.3.8线性分析71

2.3.9概率统计73

2.4本章内容回顾77

第3章 有监督学习：分类与回归79

3.1线性回归80

3.1.1何谓线性模型80

3.1.2最小二乘法81

3.1.3最小二乘法的不足82

3.1.4岭回归85

3.1.5 Lasso回归87

3.2梯度下降90

3.2.1假设函数与损失函数90

3.2.2随机梯度下降92

3.2.3实战：SGDRegressor和SGDClassifier93

3.2.4增量学习94

3.3支持向量机95

3.3.1最优超平面95

3.3.2软间隔97

3.3.3线性不可分问题98

3.3.4核函数99

3.3.5实战：scikit-learn中的SVM100

3.4朴素贝叶斯分类101

3.4.1基础概率102

3.4.2贝叶斯分类原理103

3.4.3高斯朴素贝叶斯105

3.4.4多项式朴素贝叶斯106

3.4.5伯努利朴素贝叶斯107

3.5高斯过程107

3.5.1随机过程108

3.5.2无限维高斯分布109

3.5.3实战：gaussian_process工具包111

3.6决策树114

3.6.1最易于理解的模型114

3.6.2熵的作用115

3.6.3实战：DecisionTreeClassifier与DecisionTreeRegressor117

3.6.4树的可视化118

3.7集成学习119

3.7.1偏差与方差120

3.7.2随机森林121

3.7.3自适应增强124

3.8综合话题126

3.8.1参数与非参数学习127

3.8.2 One-Vs-All与One-Vs-One127

3.8.3评估工具129

3.8.4超参数调试131

3.8.5多路输出134

3.9本章内容回顾134

第4章 无监督学习：聚类136

4.1动机137

4.2 K-means138

4.2.1算法139

4.2.2实战：scikit-learn聚类调用141

4.2.3如何选择K值144

4.3近邻算法145

4.3.1生活化的理解145

4.3.2有趣的迭代146

4.3.3实战：AffinityPropagation类147

4.4高斯混合模型149

4.4.1中心极限定理150

4.4.2最大似然估计151

4.4.3几种协方差矩阵类型152

4.4.4实战：GaussianMixture类154

4.5密度聚类156

4.5.1凸数据集157

4.5.2密度算法158

4.5.3实战：DBSCAN类159

4.6 BIRCH160

4.6.1层次模型综述161

4.6.2聚类特征树162

4.6.3实战：BIRCH相关调用164

4.7距离计算166

4.7.1闵氏距离166

4.7.2马氏距离167

4.7.3余弦相似度168

4.7.4时间序列比较169

4.7.5杰卡德相似度169

4.8聚类评估170

4.9本章内容回顾172

第5章 无监督学习：数据降维173

5.1主成分分析174

5.1.1寻找方差最大维度174

5.1.2用PCA降维177

5.1.3实战：用PCA寻找主成分178

5.2线性判别分析181

5.2.1双重标准181

5.2.2实战：使用LinearDiscriminantAnalysis183

5.3多维标度法185

5.3.1保留距离信息的线性变换185

5.3.2 MDS的重要变形187

5.3.3实战：使用MDS类188

5.4流形学习之Isomap189

5.4.1什么是流形190

5.4.2测地线距离192

5.4.3实战：使用Isomap类193

5.5流形学习之局部嵌入195

5.5.1局部线性嵌入195

5.5.2拉普拉斯特征映射（LE）198

5.5.3调用介绍200

5.5.4谱聚类201

5.6流形学习之t-SNE203

5.6.1用Kullback-Leiber衡量分布相似度203

5.6.2为什么是t-分布205

5.6.3实战：使用TSNE类206

5.7实战：降维模型之比较207

5.8本章内容回顾210

第6章 隐马尔可夫模型212

6.1场景建模213

6.1.1两种状态链213

6.1.2两种概率215

6.1.3三种问题217

6.1.4 hmmLearn介绍218

6.2离散型分布算法与应用222

6.2.1前向算法与后向算法222

6.2.2 MultinomiaINB求估计问题226

6.2.3 Viterbi算法227

6.2.4 MultinomiaINB求解码问题229

6.2.5 EM算法232

6.2.6 Baum-Welch算法233

6.2.7用hmmLearn训练数据235

6.3连续型概率分布236

6.3.1多元高斯分布237

6.3.2 GaussianHMM239

6.3.3 GMMHMM240

6.4实战：股票预测模型241

6.4.1数据模型241

6.4.2目标243

6.4.3训练模型243

6.4.4分析模型参数245

6.4.5可视化短线预测247

6.5本章内容回顾250

第7章 贝叶斯网络251

7.1什么是贝叶斯网络252

7.1.1典型贝叶斯问题252

7.1.2静态结构253

7.1.3联合/边缘/条件概率换算256

7.1.4链式法则与变量消元258

7.2网络构建259

7.2.1网络参数估计260

7.2.2启发式搜索261

7.2.3 Chow-Liu Tree算法262

7.3近似推理263

7.3.1蒙特卡洛方法264

7.3.2马尔可夫链收敛定理265

7.3.3 MCMC推理框架267

7.3.4 Gibbs采样268

7.3.5变分贝叶斯268

7.4利用共轭建模270

7.4.1共轭分布270

7.4.2隐含变量与显式变量272

7.5实战：胸科疾病诊断274

7.5.1诊断需求274

7.5.2 Python概率工具包275

7.5.3建立模型276

7.5.4 MCMC采样分析278

7.5.5近似推理281

7.6本章内容回顾282

第8章 自然语言处理284

8.1文本建模285

8.1.1聊天机器人原理285

8.1.2词袋模型286

8.1.3访问新闻资源库287

8.1.4 TF-IDF290

8.1.5实战：关键词推举290

8.2词汇处理294

8.2.1中文分词294

8.2.2 Word2vec296

8.2.3实战：寻找近似词298

8.3主题模型303

8.3.1三层模型303

8.3.2非负矩阵分解304

8.3.3潜在语意分析305

8.3.4隐含狄利克雷分配307

8.3.5实战：使用工具包309

8.4实战：用LDA分析新闻库311

8.4.1文本预处理311

8.4.2训练与显示313

8.4.3困惑度调参315

8.5本章内容回顾317

第9章 深度学习319

9.1神经网络基础320

9.1.1人工神经网络320

9.1.2神经元与激活函数321

9.1.3反向传播323

9.1.4万能网络325

9.2 TensorFlow核心应用328

9.2.1张量329

9.2.2开发架构331

9.2.3数据管理332

9.2.4评估器335

9.2.5图与会话338

9.2.6逐代（epoch）训练341

9.2.7图与统计可视化343

9.3卷积神经网络349

9.3.1给深度学习一个理由349

9.3.2 CNN结构发展351

9.3.3卷积层354

9.3.4池化层356

9.3.5 ReLU与Softmax357

9.3.6 Inception与ResNet359

9.4优化362

9.4.1批次规范化362

9.4.2剪枝364

9.4.3算法选择366

9.5循环神经网络与递归神经网络367

9.5.1循环神经网络368

9.5.2长短期记忆（LSTM）371

9.5.3递归神经网络374

9.6前沿精选377

9.6.1物件检测模型377

9.6.2密连卷积网络381

9.6.3胶囊网络382

9.7 CNN实战：图像识别385

9.7.1开源图像库CIFAR385

9.7.2项目介绍388

9.7.3构建Graph389

9.7.4优化与训练392

9.7.5运行394

9.8 RNN实战：写诗机器人397

9.8.1语言模型397

9.8.2 LSTM开发步骤1：网络架构401

9.8.3 LSTM开发步骤2：数据加载402

9.8.4 LSTM开发步骤3：搭建TensorFlow Graph403

9.8.5 LSTM开发步骤4：解析LSTM RNN404

9.8.6 LSTM开发步骤5：LSTM中的参数406

9.8.7 LSTM开发步骤6：用sequence loss计算RNN损失值406

9.8.8 LSTM开发步骤7：学习速度可调优化器407

9.8.9 LSTM开发步骤8：训练408

9.8.10开始写唐诗410

9.8.11写唐诗步骤1：用唐诗语料训练语言模型410

9.8.12写唐诗步骤2：作诗412

9.8.13写唐诗步骤3：作品举例414

9.9本章内容回顾415

第10章 强化学习418

10.1场景与原理419

10.1.1借AlphaGo谈人工智能419

10.1.2基于价值的算法Q-Learning与Sarsa421

10.1.3基于策略的算法424

10.1.4基于模型的算法426

10.2 OpenAI Gym427

10.2.1环境调用428

10.2.2实战：用Q-Learning开发走迷宫机器人432

10.3深度强化学习435

10.3.1 DQN及改进435

10.3.2 DPN、DDPG及A3 C436

10.3.3实战：用DPN训练月球定点登陆439

10.4博弈原理444

10.4.1深度搜索与广度搜索444

10.4.2完美决策446

10.4.3蒙特卡洛搜索树448

10.5实战：中国象棋版AlphaGo Zero449

10.5.1开源版本AlphaGo Zero450

10.5.2盘面建模452

10.5.3左右互搏457

10.5.4 MCTS详解464

10.5.5 DDPG详解468

10.5.6运行展示：训练473

10.5.7运行展示：查看统计475

10.5.8运行展示：当头炮、把马跳475

10.5.9运行展示：人机博弈476

10.6本章内容回顾477

第11章 模型迁移478

11.1走向移动端478

11.1.1 Android上的TensorFlow479

11.1.2 iOS上的CoreML480

11.2迁移学习483

11.2.1动机483

11.2.2训练流程484

11.3案例实战：基于TensorFlow Hub的迁移学习开发485

11.3.1下载并训练485

11.3.2检验学习成果486

11.3.3迁移学习开发487

11.4本章内容回顾488

后记489