産品特色

編輯推薦

都說這年頭不會點機器學習不好意思齣門，但高深的數學理論，復雜的算法又讓很多人忘而卻步，不知從何下手，《機器學習篇》繞過理論障礙，打通瞭一條由淺入深的機器學習之路。

豐富的實戰案例講解，介紹如何將機器學習技術運用到股票量化交易、圖片渲染、圖片識彆等領域。

內容簡介

機器學習需要一條脫離過高理論門檻的入門之路。本書《機器學習篇》從小紅帽采蘑菇的故事開篇，介紹瞭基礎的機器學習分類模型的訓練（第1章）。如何評估、調試模型？如何閤理地發掘事物的特徵？如何利用幾個模型共同發揮作用？後續章節一步一步講述瞭如何優化模型，更好地完成分類預測任務（第2章），並且初步嘗試將這些技術運用到金融股票交易中（第3章）。自然界*好的非綫性模型莫過於人類的大腦。《深度學習篇》從介紹並對比一些常見的深度學習框架開始（第4章），講解瞭DNN模型的直觀原理，嘗試給齣一些簡單的生物學解釋，完成簡單的圖片識彆任務（第5章）。後續章節在此基礎上，完成更為復雜的圖片識彆CNN模型（第6章）。接著，本書展示瞭使用Caffe完成一個完整的圖片識彆項目，從準備數據集，到完成識彆任務（第7章）。後麵簡單描述瞭RNN模型（第8章），接著展示瞭一個將深度學習技術落地到圖片處理領域的項目（第9章）。

作者簡介

阿布：多年互聯網金融技術從業經驗，曾就職於奇虎360、百度互聯網證券、百度金融等互聯網型金融公司，現自由職業，個人量化交易者，擅長個人中小資金量化交易領域係統開發，以及為中小型量化私募資金提供技術解決方案、技術支持、量化培訓等工作。

胥嘉幸：北京大學碩士，先後就職於百度金融證券、百度糯米搜索部門。多年緻力於大數據機器學習方麵的研究，有深厚的數學功底和理論支撐。在將機器學習技術融於傳統金融量化領域方麵頗有研究。

目錄

第一篇 機器學習篇

第1 章 初識機器學習 .................................................................................... 2

1.1 機器學習——賦予機器“學習”的靈魂 ..................................................................... 2

1.1.1 小紅帽識彆毒蘑菇 ................................................................................................................... 2

1.1.2 三種機器學習問題 ................................................................................................................... 6

1.1.3 常用符號 .................................................................................................................................. 6

1.1.4 迴顧 .......................................................................................................................................... 7

1.2 KNN——相似的鄰居請投票 ........................................................................................ 7

1.2.1 模型原理 .................................................................................................................................. 7

1.2.2 鳶尾花卉數據集（IRIS） ....................................................................................................... 9

1.2.3 訓練模型 .................................................................................................................................. 9

1.2.4 評估模型 ................................................................................................................................ 12

1.2.5 關於KNN ............................................................................................................................... 14

1.2.6 運用KNN 模型 ...................................................................................................................... 15

1.2.7 迴顧 ........................................................................................................................................ 16

1.3 邏輯分類I：綫性分類模型 ........................................................................................ 16

1.3.1 參數化的模型 ........................................................................................................................ 16

1.3.2 邏輯分類：預測..................................................................................................................... 18

1.3.3 邏輯分類：評估..................................................................................................................... 22

1.3.4 邏輯分類：訓練..................................................................................................................... 23

1.3.5 迴顧 ........................................................................................................................................ 24

1.4 邏輯分類II：綫性分類模型 ....................................................................................... 24

1.4.1 尋找模型的權重..................................................................................................................... 24

VI ∣ 機器學習之路——Caffe、Keras、scikit-learn 實戰

1.4.2 去均值和歸一化..................................................................................................................... 31

1.4.3 實現 ........................................................................................................................................ 33

1.4.4 迴顧 ........................................................................................................................................ 34

第2 章 機器學習進階 .................................................................................. 35

2.1 特徵工程 ...................................................................................................................... 35

2.1.1 泰坦尼剋號生存預測 ............................................................................................................. 35

2.1.2 兩類特徵 ................................................................................................................................ 38

2.1.3 構造非綫性特徵..................................................................................................................... 41

2.1.4 迴顧 .................................................................................

前言/序言

　　前言

　　越來越多的人期待能擠進機器學習這一行業，這些人往往有一些編程和自學能力，但數學等基礎理論能力不足。對於這些人群，從頭開始學習概率統計等基礎學科是痛苦的，如果直接上手使用機器學習工具往往又感到理解不足，缺少點什麼。本書就是麵嚮這一人群，避過數學推導等復雜的理論推衍，介紹模型背後的一些簡單直觀的理解，以及如何上手使用。本書希望能夠得到這些人的喜愛。

　　本書包含兩部分：機器學習篇和深度學習篇。

　　機器學習篇（1～3 章）主要從零開始，介紹什麼是數據特徵，什麼是機器學習模型，如何訓練模型、調試模型，以及如何評估模型的成績。通過一些簡單的任務例子，講解在使用模型時如何分析並處理任務數據的特徵，如何組閤多個模型共同完成任務，並在第3章初步嘗試將機器學習技術運用到股票交易中，重復熟悉這些技術的同時，感受機器學習技術在落地到專業領域時常犯的錯誤。

　　深度學習篇（4～9 章）則主要介紹瞭一些很基礎的深度學習模型，如DNN、CNN等，簡單涵蓋瞭一些RNN 的概念描述。我們更關注模型的直觀原理和背後的生物學設計理念，希望讀者能夠帶著這些理解，直接上手應用深度學習框架。說一點關於閱讀本書的建議。本書在編寫時不關注模型技術的數學推導及嚴謹錶述，轉而關注其背後的直觀原理理解。建議讀者以互動執行代碼的方式學習，所有示例使用IPython Notebook 編寫。讀者可在Git 上找到對應章節的內容，一步一步運行書中講解的知識點，直觀感受每一步的執行效果。具體代碼下載地址：https://github.com/bbfamily/abu。

　　本書適閤有Python 編程能力的讀者。如果讀者有簡單的數學基礎，瞭解概率、矩陣則更佳。使用過Numpy、pandas 等數據處理工具的讀者讀起來也會更輕鬆，但這些都不是必需的。如果讀者缺乏Python 編程能力，或者希望進一步獲得Numpy、pandas 等工具使用相關的知識，可以關注公眾號：abu_quant，獲得一些技術資料及文章。

　　感謝齣版社提供機會讓我們編寫本書，感謝編輯不辭辛苦地和我溝通排版等細節問題。

　　本書的完成同樣需要感謝我們的幾位朋友：吳汶（老虎美股）、劉兆丹（百度金融），感謝你們在本書編寫作過程中提供的有力支持。感謝本書的試讀人員：蔡誌威、李寅龍。

還沒看，以後再評

不錯，很滿意，十分滿意，非常滿意，非常非常滿意！

實用，不錯，好好好好好好好好好好好！

適閤動手練習，現在都是pytorch瞭。需要一颱PC

很好很實用，就是想要的。

末流我OK路我都不知道

好真好非常好，真的好好好好

還不錯吧還不錯吧還不錯吧還不錯吧

1、既然是麵嚮零基礎的，為什麼是linux係統的。