鏈接：https://pan.baidu.com/s/1WDiKgpwn_csDU9WTvJY2Kw?pwd=f3sr?

提取碼：f3sr

本書用豐富的實(shí)踐和實(shí)訓(xùn)帶領(lǐng)讀者使用Keras來進(jìn)行深度學(xué)習(xí)的開發(fā)，實(shí)用性強(qiáng)，具有很好的應(yīng)用價(jià)值。

內(nèi)容簡介

本書從數(shù)據(jù)集、數(shù)據(jù)清理開始談起，在介紹機(jī)器學(xué)習(xí)的建模方式后，第2章詳細(xì)說明了機(jī)器學(xué)習(xí)與深度學(xué)習(xí)所涉及的矩陣、向量等技術(shù)。第3章使用Keras搭建深度學(xué)習(xí)模型，也介紹了激活函數(shù)、損失函數(shù)、反向傳播、過擬合或欠擬合等問題。第4章給出了訓(xùn)練深度學(xué)習(xí)模型的過程中可能存在的交叉驗(yàn)證問題。當(dāng)需要提高模型精度時(shí)，可以考慮參考第5章中的L1/L2正則化、丟棄正則化、早停等方式。第6章講解模型評(píng)估問題，在太平洋颶風(fēng)數(shù)據(jù)集上指出準(zhǔn)確率的局限性，從而引出混淆矩陣、ROC曲線、AUC評(píng)分等概念。接下來的3章介紹卷積神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)、循環(huán)神經(jīng)網(wǎng)絡(luò)等問題，這些內(nèi)容在工業(yè)實(shí)際項(xiàng)目中占據(jù)核心地位，值得大家多寫代碼、多實(shí)踐。

目錄

第1章Keras機(jī)器學(xué)習(xí)簡介

1．1機(jī)器學(xué)習(xí)簡介

1．2數(shù)據(jù)展示

1．2．1數(shù)據(jù)表格

1．2．2加載數(shù)據(jù)

訓(xùn)練1．01從UCI機(jī)器學(xué)習(xí)代碼庫加載一個(gè)數(shù)據(jù)集

1．3數(shù)據(jù)處理

訓(xùn)練1．02清理數(shù)據(jù)

訓(xùn)練1．03數(shù)據(jù)的正確表示

1．4模型創(chuàng)建的生命周期

1．5scikitlearn簡介

1．6Keras簡介

1．6．1Keras的優(yōu)點(diǎn)

1．6．2Keras的缺點(diǎn)

1．6．3Keras在其他方面的應(yīng)用

1．7模型訓(xùn)練

1．7．1分類器和回歸模型

1．7．2分類任務(wù)

1．7．3回歸任務(wù)

1．7．4訓(xùn)練和測(cè)試數(shù)據(jù)集

1．7．5模型評(píng)估矩陣

訓(xùn)練1．04創(chuàng)建一個(gè)簡單的模型

1．8模型微調(diào)

1．8．1基線模型

訓(xùn)練1．05設(shè)計(jì)一個(gè)基線模型

1．8．2正則化

1．8．3交叉驗(yàn)證

實(shí)踐1．01向模型添加正則化

1．9總結(jié)

第2章機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

2．1簡介

2．1．1ANN的優(yōu)勢(shì)

2．1．2傳統(tǒng)機(jī)器學(xué)習(xí)算法的優(yōu)勢(shì)

2．1．3分層數(shù)據(jù)的表示

2．2線性變換

2．2．1標(biāo)量、向量、矩陣和張量

2．2．2張量相加

訓(xùn)練2．01使用向量、矩陣和張量執(zhí)行各種操作

2．2．3重塑

2．2．4矩陣轉(zhuǎn)置

訓(xùn)練2．02矩陣重塑和轉(zhuǎn)置

2．2．5矩陣乘法

訓(xùn)練2．03將矩陣相乘

訓(xùn)練2．04將矩陣乘法應(yīng)用于高階張量

2．3Keras實(shí)現(xiàn)

2．3．1層的類型

2．3．2激活函數(shù)

2．3．3模型擬合

實(shí)踐2．01使用Keras創(chuàng)建邏輯回歸模型

2．4總結(jié)

第3章Keras深度學(xué)習(xí)

3．1簡介

3．2搭建第一個(gè)神經(jīng)網(wǎng)絡(luò)

3．2．1從邏輯回歸到深度神經(jīng)網(wǎng)絡(luò)

3．2．2激活函數(shù)

3．2．3用于預(yù)測(cè)的前向傳播

3．2．4損失函數(shù)

3．2．5反向傳播計(jì)算損失函數(shù)的導(dǎo)數(shù)

3．2．6通過梯度下降法學(xué)習(xí)參數(shù)

訓(xùn)練3．01使用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

實(shí)踐3．01構(gòu)建單層神經(jīng)網(wǎng)絡(luò)進(jìn)行二進(jìn)制分類

3．3模型評(píng)估

3．3．1用Keras進(jìn)行模型評(píng)估

3．3．2將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集

3．3．3過擬合和欠擬合

3．3．4早停

實(shí)踐3．02神經(jīng)網(wǎng)絡(luò)與高級(jí)纖維化診斷

3．4總結(jié)

第4章基于Keras包裝器的交叉驗(yàn)證評(píng)價(jià)模型

4．1簡介

4．2交叉驗(yàn)證

4．2．1只分割一次數(shù)據(jù)集的弊端

4．2．2kfold交叉驗(yàn)證

4．2．3留一法交叉驗(yàn)證

4．2．4kfold交叉驗(yàn)證和LOO交叉驗(yàn)證的比較

4．3深度學(xué)習(xí)模型的交叉驗(yàn)證方法

4．3．1帶有scikitlearn的Keras包

訓(xùn)練4．01在回歸問題中使用scikitlearn構(gòu)建Keras包裝器

4．3．2使用scikitlearn進(jìn)行交叉驗(yàn)證

4．3．3scikitlearn中的交叉驗(yàn)證迭代器

訓(xùn)練4．02使用交叉驗(yàn)證評(píng)估深度神經(jīng)網(wǎng)絡(luò)

實(shí)踐4．01使用交叉驗(yàn)證對(duì)晚期肝纖維化診斷分類器進(jìn)行模型評(píng)估

4．4利用交叉驗(yàn)證選擇模型

訓(xùn)練4．03編寫自定義函數(shù)實(shí)現(xiàn)含有交叉驗(yàn)證的深度學(xué)習(xí)模型

實(shí)踐4．02用交叉驗(yàn)證為高纖維化診斷分類器選擇模型

實(shí)踐4．03在Traffic Volume數(shù)據(jù)集上使用交叉驗(yàn)證進(jìn)行模型選擇

4．5總結(jié)

第5章模型精度的提高

5．1簡介

5．2正則化

5．2．1正則化的需求

5．2．2用正則化減少過擬合

5．3L1和L2正則化

5．3．1L1和L2正則化公式

5．3．2Keras的L1和L2正則化實(shí)現(xiàn)

實(shí)踐5．01Avila模式分類器上的權(quán)重正則化

5．4丟棄正則化

5．4．1丟棄正則化原理

5．4．2使用丟棄正則化減少過擬合

訓(xùn)練5．01使用Keras實(shí)現(xiàn)丟棄正則化

實(shí)踐5．02Traffic Volume數(shù)據(jù)集的丟棄正則化

5．5其他正則化方法

5．5．1在Keras中實(shí)現(xiàn)早停

訓(xùn)練5．02用Keras實(shí)現(xiàn)早停

5．5．2數(shù)據(jù)增強(qiáng)

5．5．3添加噪聲

5．6scikitlearn超參數(shù)調(diào)優(yōu)

5．6．1使用scikitlearn進(jìn)行網(wǎng)格搜索

5．6．2使用scikitlearn進(jìn)行隨機(jī)搜索

實(shí)踐5．03對(duì)Avila模式分類器進(jìn)行超參數(shù)調(diào)優(yōu)

5．7總結(jié)

第6章模型評(píng)估

6．1簡介

6．2準(zhǔn)確率

訓(xùn)練6．01計(jì)算太平洋颶風(fēng)數(shù)據(jù)集的零精度

6．3不平衡數(shù)據(jù)集

6．4混淆矩陣

訓(xùn)練6．02Scania卡車數(shù)據(jù)的計(jì)算精度和零精度

實(shí)踐6．01改變訓(xùn)練/測(cè)試比例，計(jì)算神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率和零精度

訓(xùn)練6．03基于混淆矩陣推導(dǎo)和計(jì)算指標(biāo)

實(shí)踐6．02計(jì)算ROC曲線和AUC評(píng)分

6．5總結(jié)

第7章基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺

7．1簡介

7．2計(jì)算機(jī)視覺

7．3卷積神經(jīng)網(wǎng)絡(luò)

7．4卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

7．4．1輸入圖像

7．4．2卷積層

7．4．3池化層

7．4．4扁平化

7．5圖像增強(qiáng)

訓(xùn)練7．01創(chuàng)建一個(gè)識(shí)別圖像中汽車和花的卷積神經(jīng)網(wǎng)絡(luò)

實(shí)踐7．01用多個(gè)卷積層和softmax層對(duì)模型進(jìn)行修復(fù)

訓(xùn)練7．02用sigmoid激活函數(shù)對(duì)模型進(jìn)行修復(fù)

訓(xùn)練7．03將優(yōu)化器Adam更改為SGD

訓(xùn)練7．04對(duì)一個(gè)新圖像進(jìn)行分類

實(shí)踐7．02對(duì)另一個(gè)新圖像進(jìn)行分類

7．6總結(jié)

第8章遷移學(xué)習(xí)和預(yù)訓(xùn)練模型

8．1簡介

8．2預(yù)訓(xùn)練與遷移學(xué)習(xí)

8．3對(duì)預(yù)訓(xùn)練的網(wǎng)絡(luò)進(jìn)行微調(diào)

8．3．1ImageNet數(shù)據(jù)集

8．3．2Keras的一些預(yù)訓(xùn)練網(wǎng)絡(luò)

訓(xùn)練8．01使用VGG16網(wǎng)絡(luò)識(shí)別圖像

實(shí)踐8．01使用VGG16網(wǎng)絡(luò)訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)識(shí)別圖像

訓(xùn)練8．02對(duì)不在ImageNet數(shù)據(jù)集中的圖像進(jìn)行分類

訓(xùn)練8．03微調(diào)VGG16模型

訓(xùn)練8．04使用ResNet進(jìn)行圖像分類

實(shí)踐8．02使用ResNet進(jìn)行圖像分類

8．4總結(jié)

第9章基于循環(huán)神經(jīng)網(wǎng)絡(luò)的順序建模

9．1簡介

9．2順序記憶和順序建模

9．3循環(huán)神經(jīng)網(wǎng)絡(luò)

9．3．1梯度消失問題

9．3．2梯度爆炸問題的簡析

9．4長短期記憶網(wǎng)絡(luò)

訓(xùn)練9．01使用50個(gè)單元(神經(jīng)元)的LSTM預(yù)測(cè)Alphabet股價(jià)趨勢(shì)

實(shí)踐9．01使用50個(gè)單元(神經(jīng)元)的LSTM預(yù)測(cè)亞馬遜股價(jià)趨勢(shì)

訓(xùn)練9．02使用100個(gè)單元（神經(jīng)元）的LSTM預(yù)測(cè)Alphabet股價(jià)趨勢(shì)

實(shí)踐9．02通過添加正則化預(yù)測(cè)亞馬遜股價(jià)

實(shí)踐9．03使用100個(gè)單元(神經(jīng)元)的LSTM預(yù)測(cè)亞馬遜股價(jià)趨勢(shì)

9．5總結(jié)

附錄A各章實(shí)踐內(nèi)容解析

查看全部↓

前言/序言

如果您了解數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，并想開始學(xué)習(xí)先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)，如人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)，那么本書非常適合您。為了更有效地掌握本書中解釋的概念，必須具備Python編程經(jīng)驗(yàn)，以及熟悉統(tǒng)計(jì)和邏輯回歸等知識(shí)。

本書內(nèi)容

第1章： Keras 機(jī)器學(xué)習(xí)簡介。本章通過scikitlearn包介紹基礎(chǔ)的機(jī)器學(xué)習(xí)概念。將介紹如何使用數(shù)據(jù)，然后用一個(gè)真實(shí)存在的數(shù)據(jù)集訓(xùn)練一個(gè)邏輯回歸模型。

第2章： 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)。本章介紹了傳統(tǒng)機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法的不同。您將學(xué)習(xí)建立神經(jīng)網(wǎng)絡(luò)，并學(xué)習(xí)用Keras庫建立第一個(gè)神經(jīng)網(wǎng)絡(luò)所需的線性轉(zhuǎn)換。

第3章： Keras深度學(xué)習(xí)。本章將擴(kuò)展您對(duì)神經(jīng)網(wǎng)絡(luò)構(gòu)建的了解，您將學(xué)習(xí)如何構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練數(shù)據(jù)時(shí)判斷模型是否過擬合或欠擬合。