PYTHON深度学习实践

简要目录

第1章 开篇 001

第2章 使用Python 008

第3章 使用NumPy 021

第4章 使用数据工作 038

第5章 构建数据集 060

第6章 经典机器学习 077

第7章 经典模型实验 091

第8章 神经网络介绍 120

第9章 训练神经网络 132

第10章 神经网络实验 154

第11章 评价模型 174

第12章 卷积神经网络介绍 197

第13章 基于Keras和MNIST的实验 214

第14章 基于CIFAR-10的实验 235

第15章 实例研究：音频数据分类 258

第16章 走向未来 282

详细目录

第1章 开篇 001

1.1 操作环境 001

1.1.1 NumPy 001

1.1.2 scikit学习 001

1.1.3 基于TensorFlow的Keras 001

1.2 安装工具包 002

1.3 线性代数基础 003

1.3.1 向量 003

1.3.2 矩阵 003

1.3.3 向量和矩阵相乘 004

1.4 统计和概率 005

1.4.1 描述性统计 005

1.4.2 概率分布 005

1.4.3 统计检验 006

1.5 图形处理单元 006

第2章 使用Python 008

2.1 Python解释器 008

2.2 语句与空格 008

2.3 变量与基本数据结构 009

2.3.1 数字表示 009

2.3.2 变量 010

2.3.3 字符串 010

2.3.4 列表 011

2.3.5 字典 013

2.4 控制结构 014

2.4.1 if-elif-else 语句 014

2.4.2 for循环 014

2.4.3 while循环 016

2.4.4 break与continue语句 016

2.4.5 with语句 017

2.4.6 使用try-except块处理错误 017

2.5 函数 018

2.6 模块 019

第3章 使用NumPy 021

3.1 为什么是NumPy? 021

3.1.1 数组对列表 021

3.1.2 测试数组与列表的速度 022

3.2 基本数组 024

3.2.1 使用np.array定义数组 024

3.2.2 用0和1定义数组 026

3.3 访问数组中的元素 027

3.3.1 数组索引 027

3.3.2 数组切片 028

3.3.3 省略号 030

3.4 算子和广播 031

3.5 数组的输入与输出 033

3.6 随机数 035

3.7 NumPy和图像 036

第4章 使用数据工作 038

4.1 分类与标签 038

4.2 特征与特征向量 039

4.2.1 特征的类型 039

4.2.2 特征选择与维数灾难 040

4.3 优秀数据集的特征 042

4.3.1 插值与外推 042

4.3.2 父分布 043

4.3.3 先验类概率 044

4.3.4 混淆 044

4.3.5 数据集规模 045

4.4 数据准备 045

4.4.1 特征缩放 046

4.4.2 特征缺失 049

4.5 训练、验证和测试数据 050

4.5.1 三个子集 050

4.5.2 数据集划区 050

4.5.3 k折交叉验证 054

4.6 看看你的数据 055

4.6.1 从数据中寻找问题 056

4.6.2 警示案例 058

第5章 构建数据集 060

5.1 鸢尾花（irises）数据集 060

5.2 乳腺癌数据集 062

5.3 MNIST数据集 063

5.4 CIFAR-10数据集 065

5.5 数据增强 067

5.5.1 为什么要增强训练数据？ 067

5.5.2 增强训练数据的方法 068

5.5.3 鸢尾花数据集的增强 069

5.5.4 CIFAR-10数据集的增强 073

第6章 经典机器学习 077

6.1 最近质心 077

6.2 k-最近邻 080

6.3 朴素贝叶斯 081

6.4 决策树与随机森林 084

6.4.1 递归初步 085

6.4.2 构建决策树 086

6.4.3 随机森林 087

6.5 支持向量机 088

6.5.1 边距 088

6.5.2 支持向量 089

6.5.3 优化 089

6.5.4 核 090

第7章 经典模型实验 091

7.1 鸢尾花数据集实验 091

7.1.1 测试经典模型 091

7.1.2 实现最近质心分类器 094

7.2 乳腺癌数据集实验 095

7.2.1 两次初始测试运行 096

7.2.2 随机拆分的影响 098

7.2.3 加入k折验证 099

7.2.4 搜索超参数 103

7.3 MNIST数据集实验 107

7.3.1 测试经典模型 107

7.3.2 分析运行时间 112

7.3.3 PCA主元的实验 113

7.3.4 扰动我们的数据集 115

7.4 经典模型小结 116

7.4.1 最近质心 116

7.4.2 k-最近邻（k-NN） 116

7.4.3 朴素贝叶斯 116

7.4.4 决策树 117

7.4.5 随机森林 117

7.4.6 支持向量机 117

7.5 使用经典模型的时机 118

7.5.1 处理小数据集 118

7.5.2 处理计算要求不高的任务 118

7.5.3 可解释的模型 118

7.5.4 以向量作为输入的任务 118

第8章 神经网络介绍 120

8.1 神经网络剖析 120

8.1.1 神经元 121

8.1.2 激活函数 122

8.1.3 网络结构 124

8.1.4 输出层 125

8.1.5 权重和偏置的表示 126

8.2 一个简单神经网络的实现 127

8.2.1 建立数据集 127

8.2.2 实现神经网络 128

8.2.3 训练和测试神经网络 130

第9章 训练神经网络 132

9.1 高层次的概述 132

9.2 梯度下降 133

9.2.1 找出最小值 134

9.2.2 更新权重 134

9.3 随机梯度下降法 135

9.3.1 批次和小批次 135

9.3.2 凸函数与非凸函数 137

9.3.3 终止训练 138

9.3.4 更新学习率 138

9.3.5 动量 139

9.4 反向传播 139

9.4.1 反推第一步 140

9.4.2 反推第二步 142

9.5 损失函数 144

9.5.1 绝对损失和均方误差损失 145

9.5.2 交叉熵损失 145

9.6 权重初始化 146

9.7 过拟合与正则化 147

9.7.1 理解过拟合 148

9.7.2 理解正则化 149

9.7.3 L2正则化 150

9.7.4 丢弃 151

第10章 神经网络实验 154

10.1 我们的数据集 154

10.2 多层感知机分类器 154

10.3 架构和激活函数 155

10.3.1 代码 155

10.3.2 结果 158

10.4 批次大小 161

10.5 基础学习率 164

10.6 训练集大小 165

10.7 L2正则化 166

10.8 动量 168

10.9 权重初始化 169

10.10 特征排序 172

第11章 评价模型 174

11.1 定义与假设 174

11.2 为什么仅有准确性是不够的 175

11.3 2×2混淆矩阵 176

11.4 从2×2混淆矩阵中导出度量指标 178

11.4.1 从2×2表中导出度量指标 178

11.4.2 使用我们的指标来解释模型 180

11.5 更多高级度量指标 181

11.5.1 知情度与标记度 182

11.5.2 F1得分 182

11.5.3 Cohen系数κ 182

11.5.4 马修斯相关系数 183

11.5.5 实现我们的指标 183

11.6 接收者操作特征曲线 184

11.6.1 集成我们的模型 184

11.6.2 绘制我们的指标 186

11.6.3 探索ROC曲线 187

11.6.4 采用ROC分析对比模型 188

11.6.5 生成一条ROC曲线 190

11.6.6 精确度-召回率曲线 191

11.7 处理多个类 191

11.7.1 扩展混淆矩阵 192

11.7.2 计算加权准确率 194

11.7.3 多类马修斯相关系数 195

第12章 卷积神经网络介绍 197

12.1 为什么是卷积神经网络？ 197

12.2 卷积 198

12.2.1 用核进行扫描 198

12.2.2 图像处理中的卷积 200

12.3 卷积神经网络的剖析 200

12.3.1 不同类型的层 201

12.3.2 通过CNN传递数据 202

12.4 卷积层 203

12.4.1 卷积层如何工作 203

12.4.2 使用卷积层 205

12.4.3 多卷积层 207

12.4.4 初始化卷积层 207

12.5 池化层 208

12.6 全连接层 209

12.7 全卷积层 209

12.8 运行情况分析 211

第13章 基于Keras和MNIST的实验 214

13.1 在Keras中构建CNN 214

13.1.1 加载MNIST数据 214

13.1.2 建立我们的模型 216

13.1.3 训练和评价模型 217

13.1.4 绘制误差 219

13.2 基础实验 220

13.2.1 架构实验 221

13.2.2 训练集尺寸、小批次和历时 223

13.2.3 优化器 225

13.3 全卷积网络 226

13.3.1 构建和训练模型 226

13.3.2 制作测试图像 228

13.3.3 测试模型 229

13.4 加扰动的MNIST数字 233

第14章 基于CIFAR-10的实验 235

14.1 CIFAR-10的复习 235

14.2 使用全部CIFAR-10数据集 236

14.2.1 构建模型 236

14.2.2 分析模型 239

14.3 动物还是车辆？ 240

14.4 二元还是多分类？ 244

14.5 迁移学习 247

14.6 微调模型 251

14.6.1 建立数据集 252

14.6.2 微调以适应模型 254

14.6.3 测试我们的模型 256

第15章 实例研究：音频数据分类 258

15.1 建立数据集 258

15.1.1 增强数据集 259

15.1.2 数据预处理 262

15.2 音频特征分类 264

15.2.1 使用经典模型 264

15.2.2 使用传统神经网络 266

15.2.3 使用卷积神经网络 267

15.3 频谱图 271

15.4 频谱图分类 273

15.4.1 初始化、正则化、批次归一化 275

15.4.2 检查混淆矩阵 276

15.5 集成 277

第16章 走向未来 282

16.1 携手卷积神经网络走向未来 282

16.2 强化学习与无监督学习 283

16.3 生成对抗式网络 283

16.4 循环神经网络 284

16.5 在线资源 284

16.6 会议 284

16.7 推荐书籍 285

16.8 再会，谢谢 285