| 作者 |
| 高扬 卫峥 等 |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782112291183 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------6241653 - 白话深度学习与TensorFlow--------------------------- 基础篇(1-3章)：介绍深度学习的基本概念和Tensorflow的基本介绍。原理与实践篇（4-8章）：大量的关于深度学习中BP、CNN以及RNN网络等概念的数学知识解析，加以更朴素的语言与类比，使得非数学专业的程序员还是能够比较容易看懂。扩展篇（9-13章）：介绍新增的深度学习网络变种与较新的深度学习特性，并给出有趣的深度学习应用。读完本书，基本具备了搭建全套Tensorflow应用环境的能力，掌握深度学习算法和思路，以及进行一般性的文章分类、音频分类或视频分类的能力。 ---------------------------4963637 - 白话大数据与机器学习--------------------------- 本书通俗易懂，有高中数学基础即可看懂，同时结合大量案例与漫画，将高度抽象的数学、算法与应用，与现实生活中的案例和事件一一做了关联，将源自生活的抽象还原出来，帮助读者理解后，又带领大家将这些抽象的规律与算法应用于实践，贴合读者需求。同时，本书不是割裂讲解大数据与机器学习的算法和应用，还讲解了其生态环境与关联内容，让读者更全面地知晓渊源与未来，是系统学习大数据与机器学习的不二之选： ·大数据产业解读一一剖析产业情况，人才供需、职业选择与相应“武器”库； ·步入大数据之门一一解读数据、信息、算法，以及与大数据应用的关系； ·大数据基石一一结合大量示例和漫画，趣味讲解大数据算法应掌握的数学知识，无障碍学习； . ·大数据算法奥义——信息论、向量空间、回归、聚类、分类等最为核心的算法的释义与应用，举重若轻； ·大数据热门应用——关联分析、用户画像、推荐算法、文本挖掘、人工神经网络等最实用、最需要了解的应用的原理与实现； ·大数据主流框架一一介绍了主流的大数据框架(Hadoop、Spark和Cassandra)； ·系统架构与调优一一从速度与稳定性方面给出调优的一般性“内功心法”； ·大数据价值与变现一一从运营指标、AB测试、大数据价值与变现场景多维度解读。 |
| 目录 |
| [套装书具体书目] 4963637 - 白话大数据与机器学习 - 9787111538479 - 机械工业出版社 - 定价 69 6241653 - 白话深度学习与TensorFlow - 9787111574576 - 机械工业出版社 - 定价 69 ---------------------------6241653 - 白话深度学习与TensorFlow--------------------------- 本书赞誉 序 前 言 基 础 篇 第1章 机器学习是什么 2 1.1 聚类 4 1.2 回归 5 1.3 分类 8 1.4 综合应用 10 1.5 小结 14 第2章 深度学习是什么 15 2.1 神经网络是什么 15 2.1.1 神经元 16 2.1.2 激励函数 19 2.1.3 神经网络 24 2.2 深度神经网络 25 2.3 深度学习为什么这么强 28 2.3.1 不用再提取特征 28 2.3.2 处理线性不可分 29 2.4 深度学习应用 30 2.4.1 围棋机器人——AlphaGo 30 2.4.2 被教坏的少女——Tai.ai 32 2.4.3 本田公司的大宝贝—— ASIMO 33 2.5 小结 37 第3章 TensorFlow框架特性与安装 38 3.1 简介 38 3.2 与其他框架的对比 39 3.3 其他特点 40 3.4 如何选择好的框架 44 3.5 安装TensorFlow 45 3.6 小结 46 原理与实践篇 第4章 前馈神经网络 50 4.1 网络结构 50 4.2 线性回归的训练 51 4.3 神经网络的训练 75 4.4 小结 79 第5章 手写板功能 81 5.1 MNIST介绍 81 5.2 使用TensorFlow完成实验 86 5.3 神经网络为什么那么强 92 5.3.1 处理线性不可分 93 5.3.2 挑战“与或非” 95 5.3.3 丰富的VC——强大的空间 划分能力 98 5.4 验证集、测试集与防止过拟合 99 5.5 小结 102 第6章 卷积神经网络 103 6.1 与全连接网络的对比 103 6.2 卷积是什么 104 6.3 卷积核 106 6.4 卷积层其他参数 108 6.5 池化层 109 6.6 典型CNN网络 110 6.7 图片识别 114 6.8 输出层激励函数——SOFTMAX 116 6.8.1 SOFTMAX 116 6.8.2 交叉熵 117 6.9 小试牛刀——卷积网络做图片分类 124 6.10 小结 138 第7章 综合问题 139 7.1 并行计算 139 7.2 随机梯度下降 142 7.3 梯度消失问题 144 7.4 归一化 147 7.5 参数初始化问题 149 7.6 正则化 151 7.7 其他超参数 155 7.8 不唯一的模型 156 7.9 DropOut 157 7.10 小结 158 第8章 循环神经网络 159 8.1 隐马尔可夫模型 159 8.2 RNN和BPTT算法 163 8.2.1 结构 163 8.2.2 训练过程 163 8.2.3 艰难的误差传递 165 8.3 LSTM算法 167 8.4 应用场景 171 8.5 实践案例——自动文本生成 174 8.5.1 RNN工程代码解读 174 8.5.2 利用RNN学习莎士比亚剧本 183 8.5.3 利用RNN学习维基百科 184 8.6 实践案例——聊天机器人 185 8.7 小结 196 扩 展 篇 第9章 深度残差网络 198 9.1 应用场景 198 9.2 结构解释与数学推导 200 9.3 拓扑解释 205 9.4 Github示例 207 9.5 小结 207 第10章 受限玻尔兹曼机 209 10.1 结构 209 10.2 逻辑回归 210 10.3 最大似然度 212 10.4 最大似然度示例 214 10.5 损失函数 215 10.6 应用场景 216 10.7 小结 216 第11章 强化学习 217 11.1 模型核心 218 11.2 马尔可夫决策过程 219 11.2.1 用游戏开刀 221 11.2.2 准备工作 223 11.2.3 训练过程 224 11.2.4 问题 226 11.2.5 Q-Learning算法 228 11.3 深度学习中的Q-Learning——DQN 231 11.3.1 OpenAI Gym 234 11.3.2 Atari游戏 237 11.4 小结 238 第12章 对抗学习 239 12.1 目的 239 12.2 训练模式 240 12.2.1 二元极小极大博弈 240 12.2.2 训练 242 12.3 CGAN 244 12.4 DCGAN 247 12.5 小结 252 第13章 有趣的深度学习应用 254 13.1 人脸识别 254 13.2 作诗姬 259 13.3 梵高附体 264 13.3.1 网络结构 265 13.3.2 内容损失 268 13.3.3 风格损失 270 13.3.4 系数比例 271 13.3.5 代码分析 272 13.4 小结 279 附录A VMware Workstation的安装 280 附录B Ubuntu虚拟机的安装 284 附录C Python语言简介 290 附录D 安装Theano 296 附录E 安装Keras 297 附录F 安装CUDA 298 参考文献 303 ---------------------------4963637 - 白话大数据与机器学习--------------------------- 前言 第1章 大数据产业 1 1.1 大数据产业现状 1 1.2 对大数据产业的理解 2 1.3 大数据人才 3 1.3.1 供需失衡 3 1.3.2 人才方向 3 1.3.3 环节和工具 5 1.3.4 门槛障碍 6 1.4 小结 8 第2章 步入数据之门 9 2.1 什么是数据 9 2.2 什么是信息 10 2.3 什么是算法 12 2.4 统计、概率和数据挖掘 13 2.5 什么是商业智能 13 2.6 小结 14 第3章 排列组合与古典概型 15 3.1 排列组合的概念 16 3.1.1 公平的决断——扔硬币 16 3.1.2 非古典概型 17 3.2 排列组合的应用示例 18 3.2.1 双色球彩票 18 3.2.2 购车摇号 20 3.2.3 德州扑克 21 3.3 小结 25 第4章 统计与分布 27 4.1 加和值、平均值和标准差 27 4.1.1 加和值 28 4.1.2 平均值 29 4.1.3 标准差 30 4.2 加权均值 32 4.2.1 混合物定价 32 4.2.2 决策权衡 34 4.3 众数、中位数 35 4.3.1 众数 36 4.3.2 中位数 37 4.4 欧氏距离 37 4.5 曼哈顿距离 39 4.6 同比和环比 41 4.7 抽样 43 4.8 高斯分布 45 4.9 泊松分布 49 4.10 伯努利分布 52 4.11 小结 54 第5章 指标 55 5.1 什么是指标 55 5.2 指标化运营 58 5.2.1 指标的选择 58 5.2.2 指标体系的构建 62 5.3 小结 63 第6章 信息论 64 6.1 信息的定义 64 6.2 信息量 65 6.2.1 信息量的计算 65 6.2.2 信息量的理解 66 6.3 香农公式 68 6.4 熵 70 6.4.1 热力熵 70 6.4.2 信息熵 72 6.5 小结 75 第7章 多维向量空间 76 7.1 向量和维度 76 7.1.1 信息冗余 77 7.1.2 维度 79 7.2 矩阵和矩阵计算 80 7.3 数据立方体 83 7.4 上卷和下钻 85 7.5 小结 86 第8章 回归 87 8.1 线性回归 87 8.2 拟合 88 8.3 残差分析 94 8.4 过拟合 99 8.5 欠拟合 100 8.6 曲线拟合转化为线性拟合 101 8.7 小结 104 第9章 聚类 105 9.1 K-Means算法 106 9.2 有趣模式 109 9.3 孤立点 110 9.4 层次聚类 110 9.5 密度聚类 113 9.6 聚类评估 116 9.6.1 聚类趋势 117 9.6.2 簇数确定 119 9.6.3 测定聚类质量 121 9.7 小结 124 第10章 分类 125 10.1 朴素贝叶斯 126 10.1.1 天气的预测 128 10.1.2 疾病的预测 130 10.1.3 小结 132 10.2 决策树归纳 133 10.2.1 样本收集 135 10.2.2 信息增益 136 10.2.3 连续型变量 137 10.3 随机森林 140 10.4 隐马尔可夫模型 141 10.4.1 维特比算法 144 10.4.2 前向算法 151 10.5 支持向量机SVM 154 10.5.1 年龄和好坏 154 10.5.2 “下刀”不容易 157 10.5.3 距离有多远 158 10.5.4 N维度空间中的距离 159 10.5.5 超平面怎么画 160 10.5.6 分不开怎么办 160 10.5.7 示例 163 10.5.8 小结 164 10.6 遗传算法 164 10.6.1 进化过程 164 10.6.2 算法过程 165 10.6.3 背包问题 165 10.6.4 极大值问题 173 10.7 小结 181 第11章 关联分析 183 11.1 频繁模式和Apriori算法 184 11.1.1 频繁模式 184 11.1.2 支持度和置信度 185 11.1.3 经典的Apriori算法 187 11.1.4 求出所有频繁模式 190 11.2 关联分析与相关性分析 192 11.3 稀有模式和负模式 193 11.4 小结 194 第12章 用户画像 195 12.1 标签 195 12.2 画像的方法 196 12.2.1 结构化标签 196 12.2.2 非结构化标签 198 12.3 利用用户画像 203 12.3.1 割裂型用户画像 203 12.3.2 紧密型用户画像 204 12.3.3 到底“像不像” 204 12.4 小结 205 第13章 推荐算法 206 13.1 推荐思路 206 13.1.1 贝叶斯分类 206 13.1.2 利用搜索记录 207 13.2 User-based CF 209 13.3 Item-based CF 211 13.4 优化问题 215 13.5 小结 217 第14章 文本挖掘 218 14.1 文本挖掘的领域 218 14.2 文本分类 219 14.2.1 Rocchio算法 220 14.2.2 朴素贝叶斯算法 223 14.2.3 K-近邻算法 225 14.2.4 支持向量机SVM算法 226 14.3 小结 227 第15章 人工神经网络 228 15.1 人的神经网络 228 15.1.1 神经网络结构 229 15.1.2 结构模拟 230 15.1.3 训练与工作 231 15.2 FANN库简介 233 15.3 常见的神经网络 235 15.4 BP神经网络 235 15.4.1 结构和原理 236 15.4.2 训练过程 237 15.4.3 过程解释 240 15.4.4 示例 240 15.5 玻尔兹曼机 244 15.5.1 退火模型 244 15.5.2 玻尔兹曼机 245 15.6 卷积神经网络 247 15.6.1 卷积 248 15.6.2 图像识别 249 15.7 深度学习 255 15.8 小结 256 第16章 大数据框架简介 257 16.1 著名的大数据框架 257 16.2 Hadoop框架 258 16.2.1 MapReduce原理 259 16.2.2 安装Hadoop 261 16.2.3 经典的WordCount 264 16.3 Spark 框架 269 16.3.1 安装Spark 270 16.3.2 使用Scala计算WordCount 271 16.4 分布式列存储框架 272 16.5 PrestoDB——神奇的CLI 273 16.5.1 Presto为什么那么快 273 16.5.2 安装Presto 274 16.6 小结 277 第17章 系统架构和调优 278 17.1 速度——资源的配置 278 17.1.1 思路一：逻辑层面的优化 279 17.1.2 思路二：容器层面的优化 279 17.1.3 思路三：存储结构层面的优化 280 17.1.4 思路四：环节层面的优化 280 17.1.5 资源不足 281 17.2 稳定——资源的可用 282 17.2.1 借助云服务 282 17.2.2 锁分散 282 17.2.3 排队 283 17.2.4 谨防“雪崩” 283 17.3 小结 285 第18章 数据解读与数据的价值 286 18.1 运营指标 286 18.1.1 互联网类型公司常用指标 287 18.1.2 注意事项 288 18.2 AB测试 289 18.2.1 网页测试 290 18.2.2 方案测试 290 18.2.3 灰度发布 292 18.2.4 注意事项 293 18.3 数据可视化 295 18.3.1 图表 295 18.3.2 表格 299 18.4 多维度——大数据的灵魂 299 18.4.1 多大算大 299 18.4.2 大数据网络 300 18.4.3 去中心化才能活跃 301 18.4.4 数据会过剩吗 302 18.5 数据变现的场景 303 18.5.1 数据价值的衡量的讨论 303 18.5.2 场景1：征信数据 307 18.5.3 场景2：宏观数据 308 18.5.4 场景3：画像数据 309 18.6 小结 310 附录A VMware Workstation的安装 311 附录B CentOS虚拟机的安装方法 314 附录C Python语言简介 318 附录D Scikit-learn库简介 323 附录E FANN for Python安装 324 附录F 群众眼中的大数据 325 写作花絮 327 参考文献 329 |