Python迁移学习

图书标准信息

• 作者 迪潘简·撒卡尔（Dipanjan Sarkar） 著；张浩然 译
• 出版社 人民邮电出版社
• 出版时间 2020-10
• 版次 1
• ISBN 9787115543561
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 页数 351页
• 字数 456千字

【内容简介】

迁移学习是机器学习技术的一种，它可以从一系列机器学习问题的训练中获得知识，并将这些知识用于训练其他相似类型的问题。
本书分为3个部分：第1部分是深度学习基础，介绍了机器学习的基础知识、深度学习的基础知识和深度学习的架构；第2部分是迁移学习精要，介绍了迁移学习的基础知识和迁移学习的威力；第3部分是迁移学习案例研究，介绍了图像识别和分类、文本文档分类、音频事件识别和分类、DeepDream算法、风格迁移、自动图像扫描生成器、图像着色等内容。
本书适合数据科学家、机器学习工程师和数据分析师阅读，也适合对机器学习和迁移学习感兴趣的读者阅读。在阅读本书之前，希望读者对机器学习和Python编程有基本的掌握。

【作者简介】

迪潘简・撒卡尔（Dipanjan Sarkar）是英特尔公司的一名数据科学家，他利用数据科学、机器学习和深度学习来构建大规模的智能系统。他拥有数据科学和软件工程专业的硕士学位。
他从事分析工作多年，专攻机器学习、自然语言处理（Natural Language Processing，NLP）、统计方法和深度学习。他对教育充满热情，同时还在Springboard等组织中担任数据科学导师，帮助人们学习数据科学。他还是人工智能和数据科学领域的领先在线期刊《面向数据科学》的主要编著者和编辑，他还编写了几本关于R、Python、机器学习、NLP和深度学习的书。
拉格哈夫・巴利（Raghav Bali）是Optum的数据科学家。他的工作涉及研究和开发基于机器学习、深度学习和NLP的企业级解决方案，用于医疗和保险领域的相关用例。之前在英特尔公司的工作中，他参与了数据主动驱动IT的提案。他还曾在企业资源计划（Enterprise Resource Planning，ERP）和金融领域的一些****的组织工作。他已经和一些优秀的出版社合作出版了多本书籍。
Raghav在班加罗尔国际信息技术学院作为优秀毕业生获得了信息技术硕士学位。他热爱阅读，在工作不忙时，他是一个热衷于捕捉生活瞬间的摄影爱好者。
塔莫格纳・戈什（Tamoghna Ghosh）是英特尔公司的机器学习工程师。他共有11年的工作经验，其中包括4年在微软印度研究院的核心研究经验。在微软研究院期间，他曾担任分组密码的密码分析的研究助理。
他的技术专长包括大数据、机器学习、NLP、信息检索、数据可视化和软件开发。他在加尔各答印度统计研究所获得了工学硕士（计算机科学）学位，在加尔各答大学获得了理学硕士（数学）学位。他的专业研究领域为功能性分析、数学建模以及动态系统。他对教学工作充满热情，并为英特尔公司开展了不同级别的数据科学内部培训。

【目录】

第 1部分 深度学习基础

第 1章 机器学习基础2
1．1 什么是机器学习3
1．1．1 机器学习的正式定义4
1．1．2 浅层学习和深度学习4
1．2 机器学习算法5
1．2．1 监督学习6
1．2．2 无监督学习9
1．3 CRISP-DM11
1．3．1 业务理解12
1．3．2 数据理解12
1．3．3 数据准备13
1．3．4 建模13
1．3．5 评估13
1．3．6 部署14
1．4 标准机器学习工作流14
1．4．1 数据检索15
1．4．2 数据准备15
1．4．3 建模16
1．4．4 模型评估和调优17
1．4．5 部署和监控21
1．5 探索性数据分析22
1．6 特征提取和特征工程29
1．7 特征选择33
1．8 总结34
第 2章 深度学习精要35
2．1 什么是深度学习35
2．2 深度学习框架37
2．3 创建一个支持GPU的云端深度学习环境40
2．3．1 选择一个云供应商41
2．3．2 设置虚拟服务器41
2．3．3 配置虚拟服务器45
2．3．4 安装和升级深度学习依赖项47
2．3．5 访问深度学习云环境52
2．3．6 在深度学习环境中验证启用GPU53
2．4 创建一个支持GPU的、健壮的内部深度学习环境55
2．5 神经网络基础55
2．5．1 一个简单的线性神经元55
2．5．2 基于梯度的最优化问题56
2．5．3 雅可比矩阵和海森矩阵60
2．5．4 导数的链式法则61
2．5．5 随机梯度下降法61
2．5．6 非线性神经单元64
2．5．7 学习一个简单的非线性单元――逻辑单元66
2．5．8 损失函数67
2．5．9 数据表示68
2．5．10 多层神经网络71
2．5．11 反向传播――训练深度神经网络73
2．5．12 神经网络学习中的挑战75
2．5．13 模型参数初始化78
2．5．14 提升SGD80
2．5．15 神经网络的过拟合和欠拟合81
2．5．16 神经网络的超参数84
2．6 总结85
第3章 理解深度学习架构86
3．1 神经网络架构86
3．2 各种神经网络架构88
3．2．1 多层感知机和深度神经网络88
3．2．2 自编码神经网络88
3．2．3 变分自编码器89
3．2．4 生成式对抗网络91
3．2．5 卷积神经网络93
3．2．6 胶囊网络103
3．2．7 递归神经网络107
3．2．8 记忆神经网络114
3．2．9 神经图灵机117
3．2．10 基于注意力的神经网络模型121
3．3 总结122
第 2部分 迁移学习精要

第4章 迁移学习基础124
4．1 迁移学习简介124
4．2 迁移学习策略127
4．3 迁移学习和深度学习129
4．3．1 迁移学习方法论130
4．3．2 预训练模型131
4．3．3 应用131
4．4 深度迁移学习类型132
4．4．1 领域适应132
4．4．2 领域混淆132
4．4．3 多任务学习133
4．4．4 一次性学习133
4．4．5 零样本学习134
4．5 迁移学习的挑战134
4．5．1 负向迁移134
4．5．2 迁移边界135
4．6 总结135
第5章 释放迁移学习的威力136
5．1 迁移学习的必要性137
5．1．1 阐述现实世界问题137
5．1．2 构建数据集138
5．1．3 描述方法140
5．2 从零开始构建CNN模型140
5．2．1 基本CNN模型143
5．2．2 正则化的CNN模型146
5．2．3 图像增强的CNN模型148
5．3 使用预训练的CNN模型利用迁移学习153
5．3．1 理解VGG-16模型154
5．3．2 作为特征提取器的预训练CNN模型156
5．3．3 作为特征提取器并使用图像增强的预训练CNN模型162
5．3．4 使用微调和图像增强的预训练CNN模型164
5．4 评估我们的深度学习模型168
5．4．1 模型在一个样本测试图像上进行预测168
5．4．2 将CNN模型的感知可视化170
5．4．3 在测试数据上评估模型性能174
5．5 总结177
第3部分 迁移学习案例研究

第6章 图像识别和分类180
6．1 基于深度学习的图像分类180
6．2 基准数据集181
6．3 最先进的深度图像分类模型182
6．4 图像分类和迁移学习183
6．4．1 CIFAR-10数据集183
6．4．2 犬种鉴定数据集189
6．5 总结199
第7章 文本文档分类200
7．1 文本分类201
7．1．1 传统文本分类201
7．1．2 BoW模型的缺点202
7．1．3 基准数据集203
7．2 单词表示形式204
7．2．1 Word2vec模型204
7．2．2 使用gensim框架的Word2vec模型205
7．2．3 GloVe模型208
7．3 CNN文档模型210
7．3．1 构建一个评论情感分类器216
7．3．2 哪些单词嵌入变化最大220
7．3．3 迁移学习在IMDB数据集中的应用220
7．3．4 使用Wordvec嵌入在完整的IMDB数据集上进行训练223
7．3．5 使用CNN模型创建文档摘要224
7．3．6 使用CNN模型进行多类别分类228
7．3．7 文档嵌入可视化231
7．4 总结233
第8章 音频事件识别和分类234
8．1 理解音频事件分类235
8．2 音频事件的探索性分析236
8．3 音频事件的特征工程和表示方法245
8．4 使用迁移学习进行音频事件分类249
8．4．1 根据基本特征构建数据集250
8．4．2 利用迁移学习进行特征提取251
8．4．3 构建分类模型253
8．4．4 评估分类器的性能257
8．5 构建一个深度学习音频事件识别器260
8．6 总结263
第9章 DeepDream264
9．1 介绍264
9．1．1 计算机视觉中的算法幻想性视错觉265
9．1．2 可视化特征图267
9．2 DeepDream算法273
9．3 总结277
第 10章 风格迁移278
10．1 理解神经风格迁移279
10．2 图像预处理方法280
10．3 构建损失函数282
10．3．1 内容损失282
10．3．2 风格损失283
10．3．3 总变差损失283
10．3．4 总体损失函数284
10．4 创建一个自定义优化器285
10．5 风格迁移实战286
10．6 总结290
第 11章 自动图像扫描生成器291
11．1 理解图像描述292
11．2 明确目标293
11．3 理解数据294
11．4 构建自动图像描述系统的方法295
11．4．1 概念方法295
11．4．2 实际动手的方法299
11．5 使用迁移学习的图像特征提取301
11．6 为描述构建一个词汇表306
11．7 构建一个图像描述数据集生成器308
11．8 构建图像语言编码器-解码器深度学习模型314
11．9 训练图像描述深度学习模型316
11．10 评估图像描述深度学习模型320
11．10．1 加载数据和模型320
11．10．2 理解贪婪搜索和集束搜索321
11．10．3 实现一个基于集束搜索的描述生成器321
11．10．4 理解并实现BLEU分数323
11．10．5 在测试数据上评估模型性能324
11．11 自动图像描述实战327
11．11．1 户外场景样本图像描述329
11．11．2 流行运动样本图像描述332
11．11．3 未来的改进空间334
11．12 总结334
第 12章 图像着色335
12．1 问题陈述336
12．2 彩色图像336
12．2．1 颜色理论337
12．2．2 颜色模型和颜色
空间337
12．2．3 重审问题陈述339
12．3 构建一个着色深度神经网络341
12．3．1 预处理341
12．3．2 损失函数342
12．3．3 编码器343
12．3．4 迁移学习――特征提取344
12．3．5 融合层344
12．3．6 解码器345
12．3．7 后处理347
12．3．8 训练和结果348
12．4 挑战350
12．5 进一步改进350
12．6 总结350