思维导图备注

机器学习之路——Caffe、Keras、scikit-learn实战 - 阿布，胥嘉幸
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

附录C　随书代码运行环境部署

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2024-04-30 09:46:47
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 封面
  • 版权信息
  • 内容简介
  • 前言
  • 第一篇　机器学习篇
    • 第1章　初识机器学习
      • 1.1　机器学习——赋予机器“学习”的灵魂
        • 1.1.2　三种机器学习问题
        • 1.1.3　常用符号
        • 1.1.4　回顾
      • 1.2　KNN——相似的邻居请投票
        • 1.2.2　鸢尾花卉数据集（IRIS）
        • 1.2.3　训练模型
        • 1.2.4　评估模型
        • 1.2.5　关于KNN
        • 1.2.6　运用KNN模型
        • 1.2.7　回顾
      • 1.3　逻辑分类I：线性分类模型
        • 1.3.2　逻辑分类：预测
        • 1.3.3　逻辑分类：评估
        • 1.3.4　逻辑分类：训练
        • 1.3.5　回顾
      • 1.4　逻辑分类II：线性分类模型
        • 1.4.2　去均值和归一化
        • 1.4.3　实现
        • 1.4.4　回顾
    • 第2章　机器学习进阶
      • 2.1　特征工程
        • 2.1.2　两类特征
        • 2.1.3　构造非线性特征
        • 2.1.4　回顾
      • 2.2　调试模型
        • 2.2.2　调试模型
        • 2.2.3　回顾
      • 2.3　分类模型评估指标
        • 2.3.2　评估曲线
        • 2.3.3　回顾
      • 2.4　回归模型
        • 2.4.2　线性回归
        • 2.4.3　波士顿房价预测
        • 2.4.4　泰坦尼克号生存预测：回归预测特征年龄Age
        • 2.4.5　线性模型与非线性模型
        • 2.4.6　回顾
      • 2.5　决策树模型
        • 2.5.2　决策树
        • 2.5.3　对比线性模型和决策树模型的表现
        • 2.5.4　回顾
      • 2.6　模型融合
        • 2.6.2　Bagging：随机森林（Random Forest）
        • 2.6.3　Boosting：GBDT
        • 2.6.4　Stacking
        • 2.6.5　泰坦尼克号生存预测：小结
        • 2.6.6　回顾
    • 第3章　实战：股票量化
      • 3.1　第一步：构造童话世界
        • 3.1.2　当机器学习与量化交易走在一起
        • 3.1.3　构造一个童话世界
        • 3.1.4　回顾
      • 3.2　第二步：应用机器学习
        • 3.2.2　回归预测股票价格
        • 3.2.3　分类预测股票涨跌
        • 3.2.4　通过决策树分类，绘制决策图
        • 3.2.5　回顾
      • 3.3　第三步：在真实世界应用机器学习
        • 3.3.2　基于特征的交易预测
        • 3.3.3　破灭的童话——真实世界的机器学习
  • 第二篇　深度学习篇
    • 第4章　深度学习：背景和工具
      • 4.1　背景
        • 4.1.2　图灵测试
        • 4.1.3　强人工智能 vs 弱人工智能
        • 4.1.4　机器学习和深度学习
        • 4.1.5　过度的幻想
        • 4.1.6　回顾
      • 4.2　深度学习框架简介
        • 4.2.2　评测对象
        • 4.2.3　深度学习框架评测
        • 4.2.4　小结
      • 4.3　深度学习框架快速上手
        • 4.3.2　MNIST
        • 4.3.3　Keras完成逻辑分类
        • 4.3.4　回顾
      • 4.4　Caffe实现逻辑分类模型
        • 4.4.2　Caffe简介
        • 4.4.3　准备数据集
        • 4.4.4　准备模型
        • 4.4.5　模型训练流程
        • 4.4.6　使用模型
        • 4.4.7　Caffe的Python接口
        • 4.4.8　回顾
    • 第5章　深层学习模型
      • 5.1　解密生物智能
        • 5.1.2　实验二：探索脑皮层的功能区域
        • 5.1.3　实验三：不同的皮层组织——区别在于函数算法
        • 5.1.4　实验四：可替换的皮层模块——神经元组成的学习模型
        • 5.1.5　模拟神经元
        • 5.1.6　生物结构带来的启发
        • 5.1.7　回顾
      • 5.2　DNN神经网络模型
        • 5.2.2　DNN、CNN、RNN
        • 5.2.3　逻辑分类：一层神经网络
        • 5.2.4　更多的神经元
        • 5.2.5　增加Hidden Layer（隐层）
        • 5.2.6　ReLu激活函数
        • 5.2.7　理解隐层
        • 5.2.8　回顾
      • 5.3　神经元的深层网络结构
        • 5.3.2　链式法则：深层模型训练更快
        • 5.3.3　生物：深层模型匹配生物的层级识别模式
        • 5.3.4　深层网络结构
        • 5.3.5　回顾
      • 5.4　典型的DNN深层网络模型：MLP
        • 5.4.2　处理过拟合：Dropout
        • 5.4.3　MLP模型
        • 5.4.4　回顾
      • 5.5　Caffe实现MLP
        • 5.5.2　训练模型
        • 5.5.3　回顾
    • 第6章　学习空间特征
      • 6.1　预处理空间数据
        • 6.1.2　过滤冗余
        • 6.1.3　生成数据
        • 6.1.4　回顾
      • 6.2　描述图片的空间特征：特征图
        • 6.2.2　卷积指令和特征图
        • 6.2.3　回顾
      • 6.3　CNN模型I：卷积神经网络原理
        • 6.3.2　卷积层
        • 6.3.3　多层卷积
        • 6.3.4　回顾
      • 6.4　CNN模型II：图片识别
        • 6.4.2　猫狗分类
        • 6.4.3　反思CNN与DNN的结合：融合训练
        • 6.4.4　深度学习与生物视觉
        • 6.4.5　回顾
      • 6.5　CNN的实现模型
        • 6.5.2　Googlenet模型和Inception结构
        • 6.5.3　VGG模型
        • 6.5.4　其他模型
        • 6.5.5　回顾
      • 6.6　微训练模型（Fine-Tuning）
        • 6.6.2　微训练在ImageNet训练好的模型
        • 6.6.3　回顾
    • 第7章　Caffe实例：狗狗品种辨别
      • 7.1　准备图片数据
        • 7.1.2　清洗数据
        • 7.1.3　标准化数据
        • 7.1.4　回顾
      • 7.2　训练模型
        • 7.2.2　生成训练、测试数据集
        • 7.2.3　生成lmdb
        • 7.2.4　生成去均值文件
        • 7.2.5　更改prototxt文件
        • 7.2.6　训练模型
        • 7.2.7　回顾
      • 7.3　使用生成的模型进行分类
        • 7.3.2　加载模型
        • 7.3.3　回顾
    • 第8章　漫谈时间序列模型
      • 8.1　Embedding
        • 8.1.2　深度学习从读懂词义开始
        • 8.1.3　游戏：词义运算
        • 8.1.4　回顾
      • 8.2　输出序列的模型
        • 8.2.2　LSTM
        • 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
        • 8.2.4　反思：让模型拥有不同的能力
        • 8.2.5　回顾
      • 8.3　深度学习：原理篇总结
        • 8.3.2　使用建议
    • 第9章　用深度学习做个艺术画家——模仿实现prisma
      • 9.1　机器学习初探艺术作画
        • 9.1.2　直观感受一下机器艺术家
        • 9.1.3　一个有意思的实验
        • 9.1.4　机器艺术作画的愿景
        • 9.1.5　回顾
      • 9.2　实现秒级艺术作画
        • 9.2.2　使用统计参数期望与标准差寻找mask
        • 9.2.3　工程代码封装结构及使用示例
        • 9.2.4　回顾和后记
  • 附录A　机器学习环境部署
  • 附录B　深度学习环境部署
  • 附录C　随书代码运行环境部署
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《机器学习之路——Caffe、Keras、scikit-learn实战 - 阿布，胥嘉幸》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度