机器学习之路——Caffe、Keras、scikit-learn实战
2020-04-21 09:56:53 0 举报AI智能生成
机器学习之路——Caffe、Keras、scikit-learn实战
作者其他创作
大纲/内容
机器学习之路——Caffe、Keras、scikit-learn实战
第二篇 深度学习篇
4深度学习：背景和工具
4.1 背景
4.1.1 人工智能——为机器赋予人的智能
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
4.2.1 评测方式
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
4.3.1 符号主义
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
4.4.1 Caffe训练MNIST概览
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
5深层学习模型
5.1 解密生物智能
5.1.1 实验一：大脑的材料
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
5.2.1 线性内核和非线性激活
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
5.3.1 问题：更宽 or 更深
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
5.4.1 优化梯度下降
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
5.5.1 搭建MLP
5.5.2 训练模型
5.5.3 回顾
6学习空间特征
6.1 预处理空间数据
6.1.1 像素排列展开的特征向量带来的问题
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
6.2.1 图片的卷积运算
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
6.3.1 卷积神经元
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
6.4.1 连接分类模型
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
6.5.1 ImageNet简介
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）
6.6.1 二次训练一个成熟的模型
6.6.2 微训练在ImageNet训练好的模型
6.6.3 回顾
7Caffe实例：狗狗品种辨别
7.1 准备图片数据
7.1.1 搜集狗狗图片
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
7.2.1 生成样本集
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
7.3.1 更改deploy.prototxt
7.3.2 加载模型
7.3.3 回顾
8漫谈时间序列模型
8.1 Embedding
8.1.1 简单的文本识别
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
8.2.1 RNN
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
8.3.1 原理小结
8.3.2 使用建议
9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
9.1.1 艺术作画概念基础
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
9.2.1 主要实现思路分解讲解
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
A.1 Anaconda环境部署
A.2 使用Anaconda
A.3 pip环境部署
A.4 安装abupy
附录B深度学习环境部署
B.1 部署Keras
B.2 部署Caffe
附录C随书代码运行环境部署
第一篇 机器学习篇
1初识机器学习
1.1 机器学习——赋予机器“学习”的灵魂
1.1.1 小红帽识别毒蘑菇
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
1.2.1 模型原理
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
1.3.1 参数化的模型
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
1.4.1 寻找模型的权重
1.4.2 去均值和归一化
1.4.3 实现
1.4.4 回顾
2机器学习进阶
2.1 特征工程
2.1.1 泰坦尼克号生存预测
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
2.2.1 模型调试的目标
2.2.2 调试模型
2.2.3 回顾
2.3 分类模型评估指标
2.3.1 混淆矩阵系指标
2.3.2 评估曲线
2.3.3 回顾
2.4 回归模型
2.4.1 回归与分类
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
2.5.1 信息与编码
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
2.6.1 融合成群体（Ensamble）
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
3实战：股票量化
3.1 第一步：构造童话世界
3.1.1 股票是什么
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
3.2.1 构建特征数据
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
3.3.1 回测
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
0 条评论
回复 删除
下一页
