机器学习之路——Caffe、Keras、scikit-learn实战_PDF下载[133MB-百度云]阿布，胥嘉幸编著

本书特色

[

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）。

]

内容简介

[

本书包含两部分: 机器学习篇和深度学习篇。机器学习篇 (1-3章) 主要从零开始, 介绍什么是数据特征, 什么是机器学习模型, 如何训练模型、调试模型, 以及如何评估模型的成绩。深度学习篇 (4-9章) 则主要介绍了一些很基础的深度学习模型, 如DNN、CNN等, 简单涵盖了一些RNN的概念描述。

]

作者简介

[

阿布：多年互联网金融技术从业经验，曾就职于奇虎360、百度互联网证券、百度金融等互联网型金融公司，现自由职业，个人量化交易者，擅长个人中小资金量化交易领域系统开发，以及为中小型量化私募资金提供技术解决方案、技术支持、量化培训等工作。|

胥嘉幸：北京大学硕士，先后就职于百度金融证券、百度糯米搜索部门。多年致力于大数据机器学习方面的研究，有深厚的数学功底和理论支撑。在将机器学习技术融于传统金融量化领域方面颇有研究。

]

**篇机器学习篇第1 章初识机器学习 ………………………………………………………………………… 21.1 机器学习——赋予机器“学习”的灵魂 …………………………………………………………… 21.1.1 小红帽识别毒蘑菇 ……………………………………………………………………………………………………. 21.1.2 三种机器学习问题 ……………………………………………………………………………………………………. 61.1.3 常用符号 …………………………………………………………………………………………………………………. 61.1.4 回顾 ………………………………………………………………………………………………………………………… 71.2 KNN——相似的邻居请投票 ……………………………………………………………………………. 71.2.1 模型原理 …………………………………………………………………………………………………………………. 71.2.2 鸢尾花卉数据集（IRIS） …………………………………………………………………………………………. 91.2.3 训练模型 …………………………………………………………………………………………………………………. 91.2.4 评估模型 ……………………………………………………………………………………………………………….. 121.2.5 关于KNN ………………………………………………………………………………………………………………. 141.2.6 运用KNN 模型 ………………………………………………………………………………………………………. 151.2.7 回顾 ………………………………………………………………………………………………………………………. 161.3 逻辑分类I：线性分类模型 ……………………………………………………………………………. 161.3.1 参数化的模型 ………………………………………………………………………………………………………… 161.3.2 逻辑分类：预测……………………………………………………………………………………………………… 181.3.3 逻辑分类：评估……………………………………………………………………………………………………… 221.3.4 逻辑分类：训练……………………………………………………………………………………………………… 231.3.5 回顾 ………………………………………………………………………………………………………………………. 241.4 逻辑分类II：线性分类模型 …………………………………………………………………………… 241.4.1 寻找模型的权重……………………………………………………………………………………………………… 24VI ?O 机器学习之路——Caffe、Keras、scikit-learn 实战1.4.2 去均值和归一化……………………………………………………………………………………………………… 311.4.3 实现 ………………………………………………………………………………………………………………………. 331.4.4 回顾 ………………………………………………………………………………………………………………………. 34第2 章机器学习进阶 ………………………………………………………………………. 352.1 特征工程 ………………………………………………………………………………………………………. 352.1.1 泰坦尼克号生存预测 ………………………………………………………………………………………………. 352.1.2 两类特征 ……………………………………………………………………………………………………………….. 382.1.3 构造非线性特征……………………………………………………………………………………………………… 412.1.4 回顾 ………………………………………………………………………………………………………………………. 452.2 调试模型 ………………………………………………………………………………………………………. 462.2.1 模型调试的目标……………………………………………………………………………………………………… 462.2.2 调试模型 ……………………………………………………………………………………………………………….. 492.2.3 回顾 ………………………………………………………………………………………………………………………. 522.3 分类模型评估指标 ………………………………………………………………………………………… 532.3.1 混淆矩阵系指标……………………………………………………………………………………………………… 532.3.2 评估曲线 ……………………………………………………………………………………………………………….. 582.3.3 回顾 ………………………………………………………………………………………………………………………. 612.4 回归模型 ………………………………………………………………………………………………………. 612.4.1 回归与分类 ……………………………………………………………………………………………………………. 612.4.2 线性回归 ……………………………………………………………………………………………………………….. 622.4.3 波士顿房价预测……………………………………………………………………………………………………… 662.4.4 泰坦尼克号生存预测：回归预测特征年龄Age ………………………………………………………… 692.4.5 线性模型与非线性模型 …………………………………………………………………………………………… 722.4.6 回顾 ………………………………………………………………………………………………………………………. 732.5 决策树模型 …………………………………………………………………………………………………… 732.5.1 信息与编码 ……………………………………………………………………………………………………………. 742.5.2 决策树 …………………………………………………………………………………………………………………… 762.5.3 对比线性模型和决策树模型的表现 …………………………………………………………………………. 772.5.4 回顾 ………………………………………………………………………………………………………………………. 792.6 模型融合 ………………………………………………………………………………………………………. 802.6.1 融合成群体（Ensamble） ……………………………………………………………………………………….. 802.6.2 Bagging：随机森林（Random Forest） ……………………………………………………………………. 82目录 ?O VII2.6.3 Boosting：GBDT ……………………………………………………………………………………………………. 832.6.4 Stacking …………………………………………………………………………..