Python深度學(xué)習(xí)

定　價：￥59.00

作　者：	尼格爾·劉易斯（N.D. Lewis）著
出版社：	人民郵電出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115482488	出版時間：	2018-07-01	包裝：	平裝
開本：	小16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書是使用Python 進(jìn)行深度學(xué)習(xí)實(shí)踐的一本初學(xué)指南。本書并未羅列大量的公式，而是通過一些實(shí)用的實(shí)際案例，以簡單直白的方式介紹深度神經(jīng)網(wǎng)絡(luò)的兩項任務(wù)——分類和回歸，解析深度學(xué)習(xí)模型中的一些核心問題，以期讓讀者對深度學(xué)習(xí)的全貌有一個清晰的認(rèn)識。本書共9 章，分別介紹了深度學(xué)習(xí)基礎(chǔ)理論、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識、構(gòu)建定制化深度預(yù)測模型、性能提升技術(shù)、二元分類的神經(jīng)網(wǎng)絡(luò)應(yīng)用等內(nèi)容，并借助Python 語言對基本算法和實(shí)現(xiàn)模型進(jìn)行了探索。本書適合期望用較短時間在深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域初試牛刀的讀者，也適合深度學(xué)習(xí)的初學(xué)者以及業(yè)內(nèi)人士參考。

作者簡介

　　尼格爾·劉易斯（N.D. Lewis）是一位數(shù)據(jù)科學(xué)和預(yù)測領(lǐng)域的講師、作者和研究者。他在華爾街和倫敦從事投資管理工作多年，編著了統(tǒng)計、數(shù)據(jù)科學(xué)和量化模型方面的數(shù)本圖書，并且在大學(xué)里開設(shè)深度學(xué)習(xí)、機(jī)器學(xué)習(xí)和數(shù)據(jù)分析應(yīng)用等方面的課程。

圖書目錄

第 1 章　如何閱讀本書……………………………………………………………………… 1

1.1　獲取Python ………………………………………………………………………　2

1.1.1　學(xué)習(xí)Python ……………………………………………………………　3

1.1.2　軟件包 ……………………………………………………………………　3

1.2　不需要等待 ………………………………………………………………………　3

1.3　小結(jié) ………………………………………………………………………………　4

附注　………………………………………………………………………………………　5

第　2 章深度學(xué)習(xí)入門………………………………………………………………………　6

2.1　為什么要學(xué)習(xí)深度學(xué)習(xí) …………………………………………………………　7

2.1.1　最后一子 …………………………………………………………………　8

2.1.2　一件怪事 …………………………………………………………………　8

2.1.3　兩類人 ……………………………………………………………………　9

2.2　什么是深度學(xué)習(xí) …………………………………………………………………10

2.2.1　成功的藍(lán)圖 ………………………………………………………………10

2.2.2　有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí) ………………………………………………　11

2.2.3　深度學(xué)習(xí)的流程 …………………………………………………………　11

2.3　深度學(xué)習(xí)能解決什么問題 ………………………………………………………　12

2.4　哪些領(lǐng)域使用深度學(xué)習(xí) …………………………………………………………14

2.4.1　深度學(xué)習(xí)能揭開永葆青春的秘密嗎 ……………………………………　15

2.4.2　衰老的挑戰(zhàn) ………………………………………………………………　15

2.4.3　眾多的理論 ………………………………………………………………　16

2.4.4　數(shù)據(jù)科學(xué)家的答案 ………………………………………………………　16

2.5　想使用深度學(xué)習(xí)——卻不知如何開始 …………………………………………　17

2.6　小結(jié) ………………………………………………………………………………18

附注　………………………………………………………………………………………18

第3　章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)………………………………………………………………………27

3.1　歷史備忘錄 ………………………………………………………………………28

3.2　神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) ……………………………………………………………29

3.3　神經(jīng)元的作用 ……………………………………………………………………30

人工神經(jīng)元　………………………………………………………………………31

3.4　理解激活函數(shù) ……………………………………………………………………31

3.4.1　數(shù)學(xué)計算 …………………………………………………………………32

3.4.2　sigmoid 函數(shù) ……………………………………………………………34

3.4.3　運(yùn)算成本 …………………………………………………………………34

3.5　神經(jīng)網(wǎng)絡(luò)如何進(jìn)行學(xué)習(xí) …………………………………………………………35

基本算法　…………………………………………………………………………36

3.6　解釋梯度下降算法 ………………………………………………………………37

3.6.1　誤差曲面 …………………………………………………………………38

3.6.2　隨機(jī)梯度下降 …………………………………………………………　39

3.7　小結(jié) ……………………………………………………………………………　39

附注　……………………………………………………………………………………　40

第4　章深度神經(jīng)網(wǎng)絡(luò)簡介…………………………………………………………………42

4.1　深度神經(jīng)網(wǎng)絡(luò)簡析 ………………………………………………………………43

4.2　怎樣在一分鐘內(nèi)解釋深度神經(jīng)網(wǎng)絡(luò) …………………………………………　44

4.2.1　如何看待DNN ………………………………………………………　44

4.2.2　統(tǒng)計學(xué)家的視角 …………………………………………………………45

4.2.3　一個關(guān)鍵的觀點(diǎn) …………………………………………………………45

4.3　深度神經(jīng)網(wǎng)絡(luò)的3 種使用方式 …………………………………………………45

4.3.1　增強(qiáng)霧天的可視性 ………………………………………………………46

4.3.2　打擊黑客犯罪 ……………………………………………………………50

4.3.3　不可思議的縮略圖 ………………………………………………………　51

4.4　如何快速地近似任何函數(shù) ………………………………………………………54

4.4.1　一個用Python 構(gòu)建深度神經(jīng)網(wǎng)絡(luò)的極簡方法 ………………………55

4.4.2　生成示例 …………………………………………………………………56

4.4.3　檢查樣本 …………………………………………………………………57

4.4.4　格式化數(shù)據(jù) ………………………………………………………………58

4.4.5　擬合模型 …………………………………………………………………60

4.4.6　性能表現(xiàn)評估 ……………………………………………………………　61

4.5　有監(jiān)督學(xué)習(xí)概述 …………………………………………………………………62

4.5.1　有監(jiān)督學(xué)習(xí)的目標(biāo) ………………………………………………………63

4.5.2　無監(jiān)督學(xué)習(xí) ………………………………………………………………63

4.5.3　半監(jiān)督學(xué)習(xí) ………………………………………………………………64

4.6　小結(jié) ………………………………………………………………………………65

附注　………………………………………………………………………………………65

第5　章如何構(gòu)建可定制的深度預(yù)測模型…………………………………………………70

5.1　一個深度神經(jīng)網(wǎng)絡(luò)預(yù)測的實(shí)際應(yīng)用 ……………………………………………　71

5.1.1　樣本數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò) ……………………………………………………　71

5.1.2　可靠的性能表現(xiàn) …………………………………………………………72

5.2　明確預(yù)測目標(biāo) ……………………………………………………………………72

5.3　獲取數(shù)據(jù)的拷貝 …………………………………………………………………74

5.4　標(biāo)準(zhǔn)化的重要性 …………………………………………………………………75

5.5　使用訓(xùn)練樣本和測試樣本 ………………………………………………………76

5.6　創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)回歸模型的極簡方式 ………………………………………78

5.7　學(xué)習(xí)速率詳解 ……………………………………………………………………79

5.7.1　選擇最佳值 ……………………………………………………………　80

5.7.2　如果將模型擬合到數(shù)據(jù) …………………………………………………81

5.8　評估模型在訓(xùn)練集性能表現(xiàn)的幾種方式 ………………………………………81

5.8.1　均方差 ……………………………………………………………………82

5.8.2　獲取預(yù)測和度量性能 ……………………………………………………83

5.9　小結(jié) ………………………………………………………………………………83

附注　……………………………………………………………………………………　84

第6　章提高性能的一些技巧 …………………………………………　85

6.1　sigmoid 激活函數(shù)的局限 ………………………………………………………86

6.2　選擇最佳層數(shù)的原則 …………………………………………………………　89

6.3　如何快速改進(jìn)模型 ………………………………………………………………92

6.4　避免過度擬合 …………………………………………………………………　93

6.5　應(yīng)該包含多少個神經(jīng)元 …………………………………………………………95

6.6　評估測試數(shù)據(jù)集上的性能 ………………………………………………………96

6.7　凍結(jié)網(wǎng)絡(luò)權(quán)重 ……………………………………………………………………97

6.8　保存網(wǎng)絡(luò)以供將來使用 ………………………………………………………　98

6.9　小結(jié) ……………………………………………………………………………　99

附注　……………………………………………………………………………………　99

第7　章二元分類神經(jīng)網(wǎng)絡(luò)的奧秘 ……………………………………101

7.1　感人至深——創(chuàng)造奇跡 ………………………………………………………　102

7.1.1　一項二元分類任務(wù) ……………………………………………………　103

7.1.2　有用的結(jié)果 ……………………………………………………………　103

7.2　了解分類目標(biāo) …………………………………………………………………　104

7.3　使用Python 從網(wǎng)絡(luò)下載數(shù)據(jù) ………………………………………………　105

7.4　處理缺失的觀測值 ……………………………………………………………　107

7.5　保存數(shù)據(jù) ………………………………………………………………………　111

7.6　沖量簡單入門 …………………………………………………………………　112

7.7　留出法的秘密 …………………………………………………………………　113

7.8　如何用Python 快速構(gòu)建一個深度神經(jīng)網(wǎng)絡(luò)二元分類器 …………………　115

7.8.1　生成訓(xùn)練集和測試集 …………………………………………………　117

7.8.2　指定模型 ………………………………………………………………　117

7.8.3　擬合模型 ………………………………………………………………　118

7.8.4　混淆矩陣 ………………………………………………………………　119

7.9　小結(jié) ……………………………………………………………………………　120

附注　……………………………………………………………………………………　120

第8　章構(gòu)建優(yōu)秀模型之道 ……………………………………………123

8.1　嘗試最簡單的想法提高成功率 ………………………………………………　124

8.2　輟學(xué)的威力 ……………………………………………………………………　124

8.3　相似性 …………………………………………………………………………　126

8.4　共適應(yīng) …………………………………………………………………………　126

8.5　一個教訓(xùn) ………………………………………………………………………　127

8.6　雙曲正切激活函數(shù)的威力以及如何有效地使用 ……………………………　127

8.7　如何從小批量方法中獲益 ……………………………………………………　128

8.8　重建模型 ………………………………………………………………………　129

8.9　關(guān)于不平衡樣本你應(yīng)該知道的事 ……………………………………………　131

8.9.1　核心問題 ………………………………………………………………　131

8.9.2　查看測試集上的表現(xiàn) …………………………………………………　133

8.10　小結(jié) ……………………………………………………………………………　134

附注　……………………………………………………………………………………　134

第9　章深度神經(jīng)網(wǎng)絡(luò)在多元分類問題的簡單應(yīng)用 …………………136

9.1　分類問題描述 …………………………………………………………………　138

9.1.1　查看樣本 ………………………………………………………………　139

9.1.2　檢查目標(biāo)對象 …………………………………………………………　140

9.2　關(guān)于softmax 激活函數(shù)的說明 ………………………………………………　140

9.3　使用rmsprop 算法構(gòu)建多項式模型 ………………………………………　141

9.3.1　關(guān)于rmsprop 算法的說明 …………………………………………　143

9.3.2　模型性能表現(xiàn) …………………………………………………………　144

9.4　Adagrad 學(xué)習(xí)算法概述 ………………………………………………………　144

9.5　如何嘗試其他學(xué)習(xí)算法 ………………………………………………………　146

9.5.1　Nesterov 的加速梯度下降算法 ……………………………………　146

9.5.2　嘗試沖量法 ……………………………………………………………　147

9.5.3　常規(guī)隨機(jī)梯度下降法 …………………………………………………　148

9.5.4　在模型中使用Adadelta 算法 ………………………………………　149

9.5.5　測試集性能表現(xiàn) ………………………………………………………　150

9.6　小結(jié) ……………………………………………………………………………　152

9.7　結(jié)束語 …………………………………………………………………………　152

附注　……………………………………………………………………………………　152