机器学习之路——Caffe、Keras、scikit-learn实战

出版者:电子工业出版社

作者:阿布

页数:328

出版时间:2017-8

价格:79.00

装帧:平装

isbn号码:9787121321603

具体描述

机器学习需要一条脱离过高理论门槛的入门之路。

《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）。

自然界最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）。

《机器学习篇》适合能看懂Python 代码，对机器学习感兴趣，期望入门的读者。

目录信息

第一篇 机器学习篇
第1 章 初识机器学习 2
1.1 机器学习——赋予机器“学习”的灵魂 2
1.1.1 小红帽识别毒蘑菇 2
1.1.2 三种机器学习问题 6
1.1.3 常用符号 6
1.1.4 回顾 7
1.2 KNN——相似的邻居请投票 7
1.2.1 模型原理 7
1.2.2 鸢尾花卉数据集（IRIS） 9
1.2.3 训练模型 9
1.2.4 评估模型 12
1.2.5 关于KNN 14
1.2.6 运用KNN 模型 15
1.2.7 回顾 16
1.3 逻辑分类I：线性分类模型 16
1.3.1 参数化的模型 16
1.3.2 逻辑分类：预测 18
1.3.3 逻辑分类：评估 22
1.3.4 逻辑分类：训练 23
1.3.5 回顾 24
1.4 逻辑分类II：线性分类模型 24
1.4.1 寻找模型的权重 24
1.4.2 去均值和归一化 31
1.4.3 实现 33
1.4.4 回顾 34
第2 章 机器学习进阶 35
2.1 特征工程 35
2.1.1 泰坦尼克号生存预测 35
2.1.2 两类特征 38
2.1.3 构造非线性特征 41
2.1.4 回顾 45
2.2 调试模型 46
2.2.1 模型调试的目标 46
2.2.2 调试模型 49
2.2.3 回顾 52
2.3 分类模型评估指标 53
2.3.1 混淆矩阵系指标 53
2.3.2 评估曲线 58
2.3.3 回顾 61
2.4 回归模型 61
2.4.1 回归与分类 61
2.4.2 线性回归 62
2.4.3 波士顿房价预测 66
2.4.4 泰坦尼克号生存预测：回归预测特征年龄Age 69
2.4.5 线性模型与非线性模型 72
2.4.6 回顾 73
2.5 决策树模型 73
2.5.1 信息与编码 74
2.5.2 决策树 76
2.5.3 对比线性模型和决策树模型的表现 77
2.5.4 回顾 79
2.6 模型融合 80
2.6.1 融合成群体（Ensamble） 80
2.6.2 Bagging：随机森林（Random Forest） 82
2.6.3 Boosting：GBDT 83
2.6.4 Stacking 86
2.6.5 泰坦尼克号生存预测：小结 93
2.6.6 回顾 94
第3 章 实战：股票量化 95
3.1 第一步：构造童话世界 95
3.1.1 股票是什么 95
3.1.2 当机器学习与量化交易走在一起 96
3.1.3 构造一个童话世界 96
3.1.4 回顾 100
3.2 第二步：应用机器学习 100
3.2.1 构建特征数据 100
3.2.2 回归预测股票价格 103
3.2.3 分类预测股票涨跌 108
3.2.4 通过决策树分类，绘制决策图 112
3.2.5 回顾 114
3.3 第三步：在真实世界应用机器学习 114
3.3.1 回测 115
3.3.2 基于特征的交易预测 119
3.3.3 破灭的童话——真实世界的机器学习 122
第二篇 深度学习篇
第4 章 深度学习：背景和工具 126
4.1 背景 126
4.1.1 人工智能——为机器赋予人的智能 126
4.1.2 图灵测试 126
4.1.3 强人工智能 vs 弱人工智能 127
4.1.4 机器学习和深度学习 128
4.1.5 过度的幻想 128
4.1.6 回顾 129
4.2 深度学习框架简介 129
4.2.1 评测方式 130
4.2.2 评测对象 131
4.2.3 深度学习框架评测 131
4.2.4 小结 135
4.3 深度学习框架快速上手 135
4.3.1 符号主义 135
4.3.2 MNIST 136
4.3.3 Keras 完成逻辑分类 138
4.3.4 回顾 141
4.4 Caffe 实现逻辑分类模型 141
4.4.1 Caffe 训练MNIST 概览 142
4.4.2 Caffe 简介 144
4.4.3 准备数据集 145
4.4.4 准备模型 146
4.4.5 模型训练流程 149
4.4.6 使用模型 149
4.4.7 Caffe 的Python 接口 150
4.4.8 回顾 151
第5 章 深层学习模型 152
5.1 解密生物智能 154
5.1.1 实验一：大脑的材料 154
5.1.2 实验二：探索脑皮层的功能区域 156
5.1.3 实验三：不同的皮层组织——区别在于函数算法 158
5.1.4 实验四：可替换的皮层模块——神经元组成的学习模型 161
5.1.5 模拟神经元 162
5.1.6 生物结构带来的启发 163
5.1.7 回顾 164
5.2 DNN 神经网络模型 164
5.2.1 线性内核和非线性激活 164
5.2.2 DNN、CNN、RNN 165
5.2.3 逻辑分类：一层神经网络 166
5.2.4 更多的神经元 167
5.2.5 增加Hidden Layer（隐层） 168
5.2.6 ReLu 激活函数 170
5.2.7 理解隐层 171
5.2.8 回顾 172
5.3 神经元的深层网络结构 172
5.3.1 问题：更宽 or 更深 172
5.3.2 链式法则：深层模型训练更快 173
5.3.3 生物：深层模型匹配生物的层级识别模式 175
5.3.4 深层网络结构 177
5.3.5 回顾 178
5.4 典型的DNN 深层网络模型：MLP 178
5.4.1 优化梯度下降 179
5.4.2 处理过拟合：Dropout 181
5.4.3 MLP 模型 182
5.4.4 回顾 185
5.5 Caffe 实现MLP 185
5.5.1 搭建MLP 185
5.5.2 训练模型 189
5.5.3 回顾 190
第6 章 学习空间特征 191
6.1 预处理空间数据 192
6.1.1 像素排列展开的特征向量带来的问题 192
6.1.2 过滤冗余 194
6.1.3 生成数据 195
6.1.4 回顾 198
6.2 描述图片的空间特征：特征图 199
6.2.1 图片的卷积运算. 199
6.2.2 卷积指令和特征图 201
6.2.3 回顾 206
6.3 CNN 模型I：卷积神经网络原理 206
6.3.1 卷积神经元 207
6.3.2 卷积层 208
6.3.3 多层卷积 211
6.3.4 回顾 216
6.4 CNN 模型II：图片识别 216
6.4.1 连接分类模型 216
6.4.2 猫狗分类 217
6.4.3 反思CNN 与DNN 的结合：融合训练 221
6.4.4 深度学习与生物视觉 222
6.4.5 回顾 224
6.5 CNN 的实现模型 224
6.5.1 ImageNet 简介 224
6.5.2 Googlenet 模型和Inception 结构 226
6.5.3 VGG 模型 228
6.5.4 其他模型 231
6.5.5 回顾 232
6.6 微训练模型（fine-tuning） 232
6.6.1 二次训练一个成熟的模型 232
6.6.2 微训练在ImageNet 训练好的模型 233
6.6.3 回顾 239
第7 章 Caffe 实例：狗狗品种辨别 240
7.1 准备图片数据 240
7.1.1 搜集狗狗图片 240
7.1.2 清洗数据 241
7.1.3 标准化数据 242
7.1.4 回顾 243
7.2 训练模型 243
7.2.1 生成样本集 244
7.2.2 生成训练、测试数据集 245
7.2.3 生成lmdb 246
7.2.4 生成去均值文件. 247
7.2.5 更改prototxt 文件 247
7.2.6 训练模型 249
7.2.7 回顾 249
7.3 使用生成的模型进行分类 249
7.3.1 更改deploy.prototxt 249
7.3.2 加载模型 250
7.3.3 回顾 257
第8 章 漫谈时间序列模型 258
8.1 Embedding 259
8.1.1 简单的文本识别. 260
8.1.2 深度学习从读懂词义开始 261
8.1.3 游戏：词义运算. 264
8.1.4 回顾 264
8.2 输出序列的模型 265
8.2.1 RNN 265
8.2.2 LSTM 266
8.2.3 并用人工特征和深度学习特征——一个NLP 模型的优化历程 268
8.2.4 反思：让模型拥有不同的能力 270
8.2.5 回顾 273
8.3 深度学习：原理篇总结 273
8.3.1 原理小结 273
8.3.2 使用建议 275
第9 章 用深度学习做个艺术画家——模仿实现PRISMA 277
9.1 机器学习初探艺术作画 278
9.1.1 艺术作画概念基础 278
9.1.2 直观感受一下机器艺术家 279
9.1.3 一个有意思的实验 280
9.1.4 机器艺术作画的愿景 281
9.1.5 回顾 282
9.2 实现秒级艺术作画 282
9.2.1 主要实现思路分解讲解 283
9.2.2 使用统计参数期望与标准差寻找mask 290
9.2.3 工程代码封装结构及使用示例 299
9.2.4 回顾和后记 302
附录A 机器学习环境部署 303
附录B 深度学习环境部署 307
附录C 随书代码运行环境部署 312
· · · · · · (收起)

用户评价

这本书的封面设计简洁大气，初版印制质量相当不错，纸张的手感也很舒服，让人爱不释手，迫不及待想翻开阅读。我是在一个深夜里，泡着一杯热茶，伴着轻柔的背景音乐，开始了这段技术探索之旅。坦白说，我对这个领域的了解还停留在非常基础的阶段，很多专业术语对我来说就像是外星语。然而，作者的文字功力确实了得，他似乎拥有一种魔力，能将那些晦涩难懂的概念，用一种近乎诗意的语言重新构建起来，让我感觉自己不是在啃一本技术手册，而是在阅读一篇引人入胜的哲学随笔。尤其是在介绍模型训练的初期阶段，那种从迷雾中逐渐看到清晰路径的感觉，让人心潮澎湃，仿佛自己真的触摸到了智慧的边缘。这种流畅的叙事节奏，极大地降低了我的学习焦虑，让我能够以一种更为放松和享受的心态去吸收知识。我特别欣赏作者在每一个关键点上所花费的笔墨，那种深度挖掘和层层剥茧的处理方式，确保了即便是初学者也能构建起一个稳固的认知框架，为后续的深入学习打下了坚实的基础。

从读者的角度来看，这本书的真正价值在于它所提供的“心法”，而非仅仅是“招式”。在阅读过程中，我发现作者不仅在讲解如何调用API，更是在传授一种解决问题的思维范式。例如，在处理数据预处理的章节，作者花了大量的篇幅讨论“数据的不平衡性”这一常见陷阱，并不仅仅提供了一个现成的解决方案，而是深入剖析了这种不平衡性对模型判断的内在影响机制，甚至探讨了人类在面对模糊信息时是如何做决策的。这种跨学科的视角，让整个阅读体验变得极为丰富和立体。我感觉自己像是在跟一位经验丰富、且颇具人文关怀的导师对话，他引导我去看待技术背后的逻辑和艺术。书中的图示设计也值得称赞，它们不是那种枯燥的流程图，而是充满了信息密度和美感的视觉辅助工具，即便是最复杂的网络结构，也能被清晰地解构和呈现出来，让人一目了然，有效避免了技术文档常见的“阅读疲劳”。

这本书的结构安排，简直是一场精心策划的战术部署，每一步都走得恰到好处，没有丝毫的拖泥带水，却又保证了知识的完备性。我最欣赏的是它没有陷入那种纯粹的理论堆砌中，而是非常巧妙地将理论与实际操作的“接口”设计得极其平滑。当我读到某个算法的数学推导时，紧接着就是一组精心挑选的、能够立刻在本地环境中跑起来的代码示例。这种即时反馈的学习机制，极大地满足了我作为一个实践派学习者的胃口。我试着修改了几个参数，观察结果的变化，那种“掌控一切”的成就感，是单纯看PPT或者听讲座完全无法比拟的。而且，作者对于不同工具链之间的权衡和取舍，也进行了非常深入的探讨，不像有些教材那样只推崇某一家技术栈，而是客观地分析了每种工具的适用场景和局限性，这种成熟、平衡的视角，让我对自己未来的技术选型有了一个更为清醒的认识。可以说，这本书不仅教我“如何做”，更教我“为何这样做”，这才是真正有价值的知识。

我是一个对阅读速度有较高要求的人，通常在技术书籍上会不断地遇到需要停下来查阅大量背景资料的情况，但这本书在这方面表现出色。它的索引系统设计得极为科学，我可以在需要回顾某个早期概念时，迅速定位到相关章节，而不会被当前讨论的主题带偏。更令人惊喜的是，书中穿插了一些作者的“踩坑实录”，这些片段通常以小框或脚注的形式出现，记录了他在实际项目中遇到的那些让人抓狂的边缘案例，比如特定的硬件兼容性问题，或者某个库版本更新导致的细微行为差异。这些“非主流”的经验分享，其价值往往超过了主干内容的讲解，因为它直接指向了工业界应用中最头疼的“最后一公里”问题。这种坦诚和务实的态度，极大地增强了书籍的可信度和实用性，让人感到作者是真心地想帮助读者少走弯路，而不是简单地完成一本教材的撰写任务。

阅读完前三分之二的内容后，我最大的感受是，这本书成功地建立了一个“渐进式复杂”的学习路径。它没有一开始就用复杂的模型压垮新手，而是先用最直观、最容易理解的模型作为“教学载体”，让读者先建立起对整个流程的直觉判断和操作熟练度。随后，作者才慢慢引入那些更深层次、更需要数学基础才能完全掌握的复杂架构。这种循序渐进的设计，极大地保护了读者的学习兴趣和自信心。而且，书中对不同阶段的自我检测和知识巩固环节也设计得非常到位，很多小测验或者“思考题”都巧妙地隐藏在案例分析之中，让你在不知不觉中完成了知识的内化。总的来说，这本书不仅仅是一本工具书，它更像是一个精心打磨的“训练营”，它提供的不仅仅是知识点，更是一套完整的、可以迁移到其他领域的解决问题的工具箱和心智模型。

对于工程入门还好，解释的很清楚，不过有点浅显，时间序列只是“漫谈”，强化学习啊gan啊更加提都没提。ensemble一直拼错也是逼死强迫症了。

看到目前为止学到的，一个是该列是否有特征也可以作为特征，另一个就是caffe的格式。

看到目前为止学到的，一个是该列是否有特征也可以作为特征，另一个就是caffe的格式。

看到目前为止学到的，一个是该列是否有特征也可以作为特征，另一个就是caffe的格式。

https://github.com/greatabel/MachineLearning/tree/master/06Path_of_ML