机器学习编程：从编码到深度学习

图书标准信息

• 作者 [意]保罗·佩罗塔（Paolo Perrotta）
• 出版社 机械工业出版社
• 出版时间 2021-05
• 版次 1
• ISBN 9787111680918
• 定价 99.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 277页
• 字数 284千字

【内容简介】

使用监督学习从头构建一个图像识别应用程序。用线性回归预测未来。深入研究梯度下降，这是一种驱动大部分机器学习的基本算法。创建感知器来分类数据。建立神经网络来处理更复杂和复杂的数据集。通过反向传播和批处理来训练和细化这些网络。分层神经网络，消除过度拟合，并添加卷积将您的神经网络转换为一个真正的深度学习系统。

【作者简介】

【目录】

译者序

前言

致谢

第一部分　从零开始的

图像识别

第1章　机器学习的原理2

1.1　编程与机器学习2

1.2　监督学习4

1.3　魔法背后的数学原理6

1.4　设置系统8

第2章　首个机器学习程序12

2.1　了解问题12

2.1.1　监督比萨13

2.1.2　理解数据13

2.2　编写线性回归代码15

2.2.1　定义模型16

2.2.2　进行预测18

2.2.3　进行训练18

2.2.4　计算误差19

2.2.5　越来越接近20

2.2.6　运行代码21

2.3　添加偏置23

2.4　小结25

2.5　动手研究：设置超参数26

第3章　梯度28

3.1　算法的缺陷28

3.2　梯度下降法30

3.2.1　少量数学知识32

3.2.2　陡坡速降33

3.2.3　脱离平面34

3.2.4　偏导数35

3.2.5　测试梯度下降法37

3.2.6　何时梯度下降法不适用38

3.3　小结40

3.4　动手研究：露营地问题40

第4章　超空间41

4.1　添加更多维度42

4.2　矩阵代数44

4.2.1　矩阵乘法45

4.2.2　矩阵转置47

4.3　升级学习程序47

4.3.1　数据准备48

4.3.2　升级预测函数50

4.3.3　升级损失函数51

4.3.4　升级梯度公式52

4.3.5　整合函数53

4.4　告别偏置54

4.5　最后一次试运行55

4.6　小结56

4.7　动手研究：统计学家56

第5章　能辨识的机器58

5.1　线性回归的不足58

5.2　S型函数61

5.2.1　信心与疑虑62

5.2.2　平滑过程63

5.2.3　升级梯度65

5.2.4　模型函数受到的影响66

5.3　操作中的分类函数67

5.4　小结69

5.5　动手研究：权重的影响70

第6章　计算机视觉初探71

6.1　处理数据72

6.1.1　MNIST入门72

6.1.2　训练与测试73

6.2　我们自己的MNIST库74

6.2.1　准备输入矩阵74

6.2.2　处理数据76

6.3　实际运行79

6.4　小结80

6.5　动手研究：难以识别的数字80

第7章　最后的挑战81

7.1　多元分类81

7.1.1　独热编码83

7.1.2　独热编码实践84

7.1.3　解码分类器的答案85

7.1.4　需要更多的权重85

7.1.5　回顾矩阵维数86

7.2　验证与结果87

7.3　小结89

7.4　动手研究：扫雷舰89

第8章　感知机91

8.1　认识感知机91

8.2　组装感知机92

8.3　感知机的不足93

8.3.1　线性可分数据94

8.3.2　线性不可分数据95

8.4　感知机史话97

8.4.1　终极之战98

8.4.2　论战余波98

第二部分　神经网络

第9章　设计神经网络100

9.1　用感知机组装神经网络101

9.1.1　链式感知机102

9.1.2　节点数量103

9.2　加入softmax函数105

9.3　构建方案106

9.4　小结106

9.5　动手研究：网络冒险107

第10章　构建神经网络108

10.1　编写正向传播代码108

10.1.1　编写softmax函数110

10.1.2　编写分类函数112

10.2　交叉熵112

10.3　小结114

10.4　动手研究：时间旅行的测试115

第11章　训练神经网络116

11.1　反向传播的使用场合116

11.2　从链式法则到反向传播118

11.2.1　简单网络结构的链式法则118

11.2.2　复杂网络的链式法则119

11.3　使用反向传播算法121

11.3.1　开始之前123

11.3.2　计算w2的梯度123

11.3.3　计算w1的梯度124

11.3.4　提炼反向函数125

11.4　初始化权重126

11.4.1　可怕的对称性126

11.4.2　死亡神经元127

11.4.3　正确的权重初始化129

11.5　完成网络模型130

11.6　小结132

11.7　动手研究：错误的开始133

第12章　分类器的工作原理134

12.1　寻找边界134

12.1.1　感知机的主场135

12.1.2　理解分类136

12.1.3　线性不可分138

12.2　弯曲的边界139

12.3　小结141

12.4　动手研究：高难数据141

第13章　小批量处理142

13.1　训练过程的可视化143

13.2　分批处理145

13.2.1　小批量样本集的构造145

13.2.2　批量样本的训练147

13.3　理解小批量148

13.3.1　扭曲的路径148

13.3.2　大型和小型批处理150

13.3.3　批处理的优缺点151

13.4　小结152

13.5　动手研究：最小的批量153

第14章　测试的禅意154

14.1　过度拟合的威胁154

14.2　测试的难题156

14.3　小结158

14.4　动手研究：思考测试159

第15章　来做开发吧160

15.1　准备样本数据161

15.1.1　检查输入变量的范围161

15.1.2　标准化输入变量162

15.1.3　标准化的实践163

15.2　调优超参数164

15.2.1　选择历元的数量164

15.2.2　调优隐藏节点数量165

15.2.3　调优学习率168

15.2.4　调优批量大小170

15.3　最终测试171

15.4　动手研究：实现99%17