机器学习之路：Caffe、Keras、scikit-learn实战 PDF 全书超清版

《机器学习之路：Caffe、Keras、scikit-learn实战》是由电子工业出版社出版的一本关于机器学习方面的书籍，作者是阿布、胥嘉幸，主要介绍了关于机器学习、Caffe、Keras、scikit-learn方面的知识内容，目前在机器学习类书籍综合评分为：8.4分。

书籍介绍

都说这年代不容易点机器学习过意不去外出，但深奥的数学课基础理论，繁杂的优化算法又让许多人忘而却步，不知道如何下手，《机器学习篇》绕开基础理论阻碍，连通了这条循序渐进的机器学习之途。

丰富多彩的实战演练实例解读，详细介绍如何把机器学习技术性应用到个股量化投资、照片3D渲染、识别图片等行业。

机器学习必须这条摆脱过高基础理论门坎的新手入门之途。这书《机器学习篇》从小红帽采蘑菇的经典故事开场，详细介绍了基本的机器学习归类实体模型的训炼（第1章）。怎样评定、调节实体模型？怎样有效地挖掘事情的特点？怎样运用好多个实体模型相互充分发挥？事后章节目录一步步叙述了怎样提升实体模型，尽快进行归类预测分析每日任务（第2章），而且基本试着将这种技术性应用到金融业股票买卖中（第3章）。大自然*好的离散系统实体模型莫过人们的人的大脑。《深度学习篇》从详细介绍并比照某些普遍的深度学习架构刚开始（第4章），解读了DNN实体模型的形象化基本原理，试着得出某些简易的分子生物学表述，进行简单的图片鉴别每日任务（第5章）。事后章节目录在这个基础上，进行更加繁杂的识别图片CNN实体模型（第6章）。然后，这书展现了应用Caffe进行1个详细的识别图片新项目，从提前准备uci数据集，到进行鉴别每日任务（第7章）。后边简易叙述了RNN实体模型（第8章），然后展现了1个将深度学习技术性落地式到图片编辑行业的新项目（第9章）。

目录

• 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
• VI ?O 机器学习之路——Caffe、Keras、scikit-learn 实战
• 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
• 目录 ?O VII
• 2.6.3 Boosting：GBDT ................................................................................................................... 83
• 2.6.4 Stacking ......................................................................................