Python与神经网络实战

出版者:电子工业出版社

作者:何宇健

出品人:博文视点

页数:400

出版时间:2018-7

价格:79.00元

装帧:平装

isbn号码:9787121342387

丛书系列:博文视点AI系列

具体描述

人工智能已成趋势，而深度学习则是其中最有用的工具之一。虽然由于科技发展的迅猛，现在实用技术更新换代的频率已经几乎达到了一周，但是其背后最为基础的知识却是共通的。《Python与神经网络实战》的目的就是较为全面地介绍神经网络的诸多基础与进阶的技术，同时也会介绍如何利用神经网络来解决真实世界中的现实任务。各章节的内容不仅包括了经典的传统机器学习算法与神经网络的方方面面，也对它们进行了对比与创新。如果能够掌握好本书所叙述的知识的话，相信即使具体的技术迭代得再快，读者也能根据本书所打好的基础来快速理解、上手与改进它们吧。

《Python与神经网络实战》兼顾了理论与实践，不仅会从公式上推导出各种性质，也会从实验上去验证它们，比较适合初学者进行学习。同时，《Python与神经网络实战》所给出的框架更是能直接、简单、快速地应用在实际任务中，比较适合相关从业人员使用。

作者简介

何宇健，广受读者好评的《Python与机器学习实战》一书作者，来自北京大学数学系，有多年Python开发经验，在GitHub上拥有并维护着一个纯Python编写的机器学习算法库（386个stars，264个forks）。对机器学习、神经网络及它们在量化投资方面的应用有深入研究。曾在创新工场AI工程院负责研发适用于结构化数据的新型神经网络、序列预测算法的抽象框架以及基于模型的自动特征工程。

目录信息

第1章 绪论 1
1.1 机器学习简介 2
1.1.1 什么是机器学习 2
1.1.2 机器学习常用术语 3
1.2 Python简介 9
1.2.1 Python的优势 10
1.2.2 scikit-learn和TensorFlow 11
1.3 前期准备 13
1.3.1 训练、交叉验证与测试 13
1.3.2 简易数据预处理 14
1.4 本章小结 15
第2章 经典传统机器学习算法简介 17
2.1 朴素贝叶斯 17
2.1.1 条件独立性假设 18
2.1.2 贝叶斯思维 19
2.1.3 模型算法 20
2.1.4 实例演示 23
2.1.5* 参数估计 25
2.1.6* 朴素贝叶斯的改进 28
2.2 决策树 33
2.2.1 决策的方法 33
2.2.2 决策树的生成 34
2.2.3 决策树的剪枝 39
2.2.4 实例演示 40
2.2.5* 决策树的三大算法 40
2.2.6* 数据集的划分 45
2.2.7* 决策树与回归 48
2.3 支持向量机 50
2.3.1 分离超平面与几何间隔 50
2.3.2* 感知机与SVM的原始形式 58
2.3.3 梯度下降法 62
2.3.4* 核技巧 70
2.3.5 实例演示 75
2.4 Logistic回归 75
2.5 本章小结 76
第3章 神经网络入门 77
3.1 神经网络的结构 78
3.2 前向传导算法 80
3.2.1 算法概述 81
3.2.2 算法内涵 83
3.2.3 激活函数 85
3.2.4 损失函数 90
3.3* 反向传播算法 92
3.3.1 算法概述 92
3.3.2 损失函数的选择 94
3.4 参数的更新 98
3.4.1 Vanilla Update 99
3.4.2 Momentum Update 99
3.4.3 Nesterov Momentum Update 100
3.4.4 AdaGrad 100
3.4.5 RMSProp 101
3.4.6 Adam 101
3.5 TensorFlow模型的基本框架 101
3.5.1 TensorFlow的组成单元与基本思想 102
3.5.2 TensorFlow模型的基本元素 104
3.5.3 TensorFlow元素的整合方法 114
3.5.4 TensorFlow模型的save & load 125
3.6 朴素神经网络的实现与评估 130
3.7 本章小结 138
第4章 从传统算法走向神经网络 139
4.1 朴素贝叶斯的线性形式 139
4.2 决策树生成算法的本质 145
4.2.1 第1隐藏层→决策超平面 147
4.2.2 第2隐藏层→决策路径 148
4.2.3 输出层→叶节点 150
4.2.4 具体实现 151
4.3 模型转换的实际意义 158
4.3.1 利用Softmax来赋予概率意义 159
4.3.2 利用Tanh+Softmax来“软化”模型 160
4.3.3 通过微调来缓解“条件独立性假设” 165
4.3.4 通过微调来丰富超平面的选择 165
4.3.5 模型逆转换的可能性 171
4.4 模型转换的局限性 172
4.5 本章小结 172
第5章 神经网络进阶 174
5.1 层结构内部的额外工作 175
5.1.1 Dropout 175
5.1.2 Batch Normalization 176
5.1.3 具体实现 180
5.2 “浅”与“深”的结合 181
5.2.1 离散型特征的处理方式 181
5.2.2 Wide and Deep模型概述 183
5.2.3 Wide and Deep的具体实现 185
5.2.4 WnD的重要思想与优缺点 194
5.3 神经网络中的“决策树” 195
5.3.1 DNDF结构概述 195
5.3.2* DNDF的具体实现 199
5.3.3 DNDF的应用场景 210
5.3.4* DNDF的结构内涵 213
5.4 神经网络中的剪枝 216
5.4.1 Surgery算法概述 216
5.4.2 Surgery算法改进 218
5.4.3 软剪枝的具体实现 221
5.4.4* 软剪枝的算法内涵 223
5.5 AdvancedNN的结构设计 237
5.5.1 AdvancedNN的实现补足 237
5.5.2 WnD与DNDF 239
5.5.3 DNDF与剪枝 241
5.5.4 剪枝与Dropout 242
5.5.5 没有免费的午餐 242
5.6 AdvancedNN的实际性能 243
5.7 本章小结 251
第6章 半自动化机器学习框架 253
6.1 数据的准备 254
6.1.1 数据预处理的流程 254
6.1.2 数据准备的流程 256
6.2 数据的转换 264
6.2.1 数据的数值化 264
6.2.2 冗余特征的去除 266
6.2.3 缺失值处理 269
6.2.4 连续型特征的数据预处理 272
6.2.5 特殊类型数据的处理 274
6.3 AutoBase的实现补足 277
6.4 AutoMeta的实现 281
6.5 训练过程的监控 288
6.5.1 监控训练过程的原理 288
6.5.2 监控训练的实现思路 292
6.5.3 监控训练的具体代码 293
6.6 本章小结 299
第7章 工程化机器学习框架 301
7.1 输出信息的管理 301
7.2 多次实验的管理 309
7.2.1 多次实验的框架 312
7.2.2 多次实验的初始化 314
7.2.3 多次实验中的数据划分 316
7.2.4 多次实验中的模型评估 318
7.2.5 多次实验的收尾工作 321
7.3 参数搜索的管理 321
7.3.1 参数搜索的框架 322
7.3.2* 随机搜索与网格搜索 329
7.3.3 参数的选取 334
7.3.4 参数搜索的收尾工作 335
7.3.5 具体的搜索方案 335
7.4 DistAdvanced的性能 337
7.5 本章小结 344
附录A SVM的TensorFlow实现 345
附录B numba的基本应用 352
附录C 装饰器的基本应用 359
附录D 可视化 363
附录E 模型的评估指标 370
附录F 实现补足 377
· · · · · · (收起)

用户评价

坦白讲，我原本对这类“实战”书籍抱有一丝怀疑，总觉得它们在深度上会有所欠缺，但《Python与神经网络实战》成功地打破了我的刻板印象。这本书的亮点在于它对“实战”二字的深度诠释。它不满足于仅仅停留在经典的MNIST手写数字识别上，而是将大量的篇幅投入到了更具挑战性的应用场景中，比如自然语言处理中的文本向量化和简单的序列模型构建，以及计算机视觉中的卷积神经网络（CNN）在图像识别任务上的应用。书中对于如何优化模型性能的部分讲解得尤为精彩，比如正则化技术、Dropout的应用时机、学习率调度策略的选择，这些都是面试和实际工作中经常被问到的“硬骨头”问题。作者在阐述这些优化技巧时，总是能结合实际模型训练中出现的过拟合或欠拟合现象，用图表和结果对比来佐证观点，使得理论不再是空泛的建议，而是有数据支撑的可靠方法。这种由浅入深、覆盖面广而不失深度的内容组织方式，让这本书的价值远超出了初学者的入门指南范畴。

这本《Python与神经网络实战》真是一本让人眼前一亮的佳作，尤其对于我这种编程基础尚可，但对深度学习理论望而却步的实践派来说，简直是雪中送炭。全书的章节编排极其合理，从最基础的Python环境搭建和数据预处理讲起，循序渐进地引入了神经网络的核心概念，例如前馈网络、反向传播算法的数学原理，但它绝没有将读者困在枯燥的公式推导中。作者非常注重实战操作，每一个理论点都紧跟着一个清晰的代码示例，使用的库和框架都是业界最主流的，这保证了我们学到的知识可以直接应用于真实的项目。我尤其欣赏它在代码注释上的用心，很多关键步骤的解释都深入到细节层面，对于初次接触TensorFlow或PyTorch的读者来说，减少了大量的试错成本。读完前几章，我感觉自己已经能独立搭建并训练一个简单的分类模型了，这种“学以致用”的成就感，是很多纯理论书籍无法给予的。它没有过多纠结于复杂的数学证明，而是用直观的Python代码展示了“为什么这样做有效”，这种工程思维的培养，比死记硬背公式重要得多。

与其他一些侧重于理论推导或仅停留在库函数调用的书籍相比，《Python与神经网络实战》在构建读者对“神经网络为何有效”的直觉理解方面做得尤为出色。它巧妙地将高深的理论知识“封装”在了易于理解的工程实践之中。例如，在讲解损失函数（Loss Function）的选择时，它没有仅仅罗列MSE和交叉熵的公式，而是通过对比它们在回归和分类任务中对错误预测的“惩罚”程度差异，让读者直观地感受到选择正确损失函数的重要性。此外，书中对于如何处理真实世界数据中的噪声和缺失值的部分处理经验也非常实用，这部分内容往往是教科书所忽略的。总的来说，这本书的价值在于它成功地架起了理论与工程实践之间的桥梁，让复杂的人工智能技术变得触手可及，是希望系统性掌握Python端神经网络开发技能的工程师和数据科学家不可多得的优秀参考书。

我必须强调一下这本书在语言风格上的独特魅力。很多技术书籍读起来就像是在啃一本冰冷的说明书，枯燥乏味，让人昏昏欲睡。然而，这本书的作者似乎深谙如何与读者进行“对话”。他的叙事节奏把握得极好，时而严谨细致，剖析算法的每一步执行路径；时而又会插入一些行业内的趣闻或者对未来趋势的个人见解，这极大地提升了阅读的趣味性和代入感。比如，在讲解激活函数选择时，作者会用一个非常生动的比喻来解释Sigmoid函数的梯度消失问题，而不是生硬地抛出导数公式。这种人性化的讲解方式，让原本抽象的数学概念变得立体而易于理解。更令人称赞的是，全书的排版设计也相当考究，代码块的颜色区分、重要概念的粗体强调，都让阅读体验非常流畅，即使是长时间阅读也不会产生强烈的视觉疲劳。

对于那些渴望快速建立完整知识体系的工程师来说，这本书提供的“全流程视角”是其核心竞争力之一。它不仅仅教会你如何调用API，更重要的是，它构建了一个从数据采集、清洗、特征工程、模型选择、训练、验证到最终部署的完整机器学习生命周期视图。尤其是在讲解模型评估指标时，作者清晰地区分了准确率、精确率、召回率和F1分数在不同业务场景下的适用性，这体现了作者深厚的工程经验，而非仅仅停留在学术层面。书中甚至触及了GPU加速的基础知识配置，对于希望提升训练效率的读者来说，这是非常宝贵的补充信息。这本书真正做到了“授人以渔”，它没有直接给你一个现成的“黑箱”解决方案，而是让你清楚地知道，当你修改某一个超参数时，对网络内部权重和输出结果到底产生了怎样的连锁反应。这种对系统底层逻辑的把握，是成为高级AI工程师的必经之路。

双十一购买的书籍，目前已经基本上看完了，也进行了相关的实操，对小白来说很有借鉴意义，能够引领小白入门人工智能。是一本不可多得的好书。本书先从机器学习常用术语、到scikit-learn和TensorFlow的介绍，先向小白的我介绍了相关的属于与概念，是我对神经网络与机器学习有了初步的认识。然后介绍了经典的机器学习常用算法，例如：朴素贝叶斯、决策树、梯度下降法等，是我对机器学习有了进一步的认。识。也为后面的学习铺垫了基础。最后，就开始机器学习的入门与进阶了。这里也就不赘述那么多了。整本书，从逻辑上来说是循序渐进的，推荐购买这本书籍。不过购买了之后，关键是要多练习，多打代码。光看是没有用的。在写代码的同时，也可以对知识点有进一步的理解。所以实操是关键。当然，要购买不同的书籍，交替学习才是最好的。

双十一购买的书籍，目前已经基本上看完了，也进行了相关的实操，对小白来说很有借鉴意义，能够引领小白入门人工智能。是一本不可多得的好书。本书先从机器学习常用术语、到scikit-learn和TensorFlow的介绍，先向小白的我介绍了相关的属于与概念，是我对神经网络与机器学习有了初步的认识。然后介绍了经典的机器学习常用算法，例如：朴素贝叶斯、决策树、梯度下降法等，是我对机器学习有了进一步的认。识。也为后面的学习铺垫了基础。最后，就开始机器学习的入门与进阶了。这里也就不赘述那么多了。整本书，从逻辑上来说是循序渐进的，推荐购买这本书籍。不过购买了之后，关键是要多练习，多打代码。光看是没有用的。在写代码的同时，也可以对知识点有进一步的理解。所以实操是关键。当然，要购买不同的书籍，交替学习才是最好的。

不错

我刚刚看完，感觉这本书非常不错，适合神经网络入门的同学。这本书对于神经网络的介绍非常的全面，不拖泥带水，对于公式的推导和使用范围都有详尽的解释，特别是cnn和rcnn那张，内容很丰富，代码的实现也很精妙，兼顾了理论与实践，不仅从公式上推导出神经网络的各种性质，也从实验上对它们进行了验证，比较适合初学者进行学习。同时，本书所给出的框架更能直接、简单、快速地应用在实际任务中，适合相关从业人员使用。而且这本书的代码写的很好，代码框架是可以直接复用的，和机器学习实战这本书有的一比，事实上我觉得要比机器学习实战这本书要好，没有白买，就适合我这种初学者看，很利于入门。

不错