机器学习之路――Caffe、Keras、scikit-learn实战

　　第一篇 机器学习篇
　　第1 章 初识机器学习 .................................................................................... 2
　　1.1 机器学习——赋予机器“学习”的灵魂 ..................................................................... 2
　　1.1.1 小红帽识别毒蘑菇 ............................................................................................................…
　查看完整　　

　　阿布：多年互联网金融技术从业经验，曾就职于奇虎360、百度互联网证券、百度金融等互联网型金融公司，现自由职业，个人量化交易者，擅长个人中小资金量化交易领域系统开发，以及为中小型量化私募资金提供技术解决方案、技术支持、量化培训等工作。
　　胥嘉幸：北京大学硕士，先后就职于百度金融证券、百度糯米搜索部门。多年致力于大数据机器学习方面的研究，有深厚的数学功底和理论支撑。在将机器学习技术融于传统金融量化领域方面颇有研究。

　　机器学习需要一条脱离过高理论门槛的入门之路。本书《机器学习篇》从小红帽采蘑菇的故事开篇，介绍了基础的机器学习分类模型的训练（第1章）。如何评估、调试模型？如何合理地发掘事物的特征？如何利用几个模型共同发挥作用？后续章节一步一步讲述了如何优化模型，更好地完成分类预测任务（第2章），并且初步尝试将这些技术运用到金融股票交易中（第3章）。自然界*好的非线性模型莫过于人类的大脑。《深度学习篇》从介绍并对比一些常见的深度学习框架开始（第4章），讲解了DNN模型的直观原理，尝试给出一些简单的生物学解释，完成简单的图片识别任务（第5章）。后续章节在此基础上，完成更为复杂的图片识别CNN模型（第6章）。接着，本书展示了使用Caffe完成一个完整的图片识别项目，从准备数据集，到完成识别任务（第7章）。后面简单描述了RNN模型（第8章），接着展示了一个将深度学习技术落地到图片处理领域的项目（第9章）。

　　第一篇 机器学习篇
　　第1 章 初识机器学习 .................................................................................... 2
　　1.1 机器学习——赋予机器“学习”的灵魂 ..................................................................... 2
　　1.1.1 小红帽识别毒蘑菇 ................................................................................................................... 2
　　1.1.2 三种机器学习问题 ................................................................................................................... 6
　　1.1.3 常用符号 .................................................................................................................................. 6
　　1.1.4 回顾 .......................................................................................................................................... 7
　　1.2 KNN——相似的邻居请投票 ........................................................................................ 7
　　1.2.1 模型原理 .................................................................................................................................. 7
　　1.2.2 鸢尾花卉数据集（IRIS） ....................................................................................................... 9
　　1.2.3 训练模型 .................................................................................................................................. 9
　　1.2.4 评估模型 ................................................................................................................................ 12
　　1.2.5 关于KNN ............................................................................................................................... 14
　　1.2.6 运用KNN 模型 ...................................................................................................................... 15
　　1.2.7 回顾 ........................................................................................................................................ 16
　　1.3 逻辑分类I：线性分类模型 ........................................................................................ 16
　　1.3.1 参数化的模型 ........................................................................................................................ 16
　　1.3.2 逻辑分类：预测..................................................................................................................... 18
　　1.3.3 逻辑分类：评估..................................................................................................................... 22
　　1.3.4 逻辑分类：训练..................................................................................................................... 23
　　1.3.5 回顾 ........................................................................................................................................ 24
　　1.4 逻辑分类II：线性分类模型 ....................................................................................... 24
　　1.4.1 寻找模型的权重..................................................................................................................... 24
　　VI ∣ 机器学习之路——Caffe、Keras、scikit-learn 实战
　　1.4.2 去均值和归一化..................................................................................................................... 31
　　1.4.3 实现 ........................................................................................................................................ 33
　　1.4.4 回顾 ........................................................................................................................................ 34
　　第2 章 机器学习进阶 .................................................................................. 35
　　2.1 特征工程 ...................................................................................................................... 35
　　2.1.1 泰坦尼克号生存预测 ............................................................................................................. 35
　　2.1.2 两类特征 ................................................................................................................................ 38
　　2.1.3 构造非线性特征..................................................................................................................... 41
　　2.1.4 回顾 .................................................................................
^ 收 起　　

　　阿布：多年互联网金融技术从业经验，曾就职于奇虎360、百度互联网证券、百度金融等互联网型金融公司，现自由职业，个人量化交易者，擅长个人中小资金量化交易领域系统开发，以及为中小型量化私募资金提供技术解决方案、技术支持、量化培训等工作。
　　胥嘉幸：北京大学硕士，先后就职于百度金融证券、百度糯米搜索部门。多年致力于大数据机器学习方面的研究，有深厚的数学功底和理论支撑。在将机器学习技术融于传统金融量化领域方面颇有研究。

　　机器学习需要一条脱离过高理论门槛的入门之路。本书《机器学习篇》从小红帽采蘑菇的故事开篇，介绍了基础的机器学习分类模型的训练（第1章）。如何评估、调试模型？如何合理地发掘事物的特征？如何利用几个模型共同发挥作用？后续章节一步一步讲述了如何优化模型，更好地完成分类预测任务（第2章），并且初步尝试将这些技术运用到金融股票交易中（第3章）。自然界*好的非线性模型莫过于人类的大脑。《深度学习篇》从介绍并对比一些常见的深度学习框架开始（第4章），讲解了DNN模型的直观原理，尝试给出一些简单的生物学解释，完成简单的图片识别任务（第5章）。后续章节在此基础上，完成更为复杂的图片识别CNN模型（第6章）。接着，本书展示了使用Caffe完成一个完整的图片识别项目，从准备数据集，到完成识别任务（第7章）。后面简单描述了RNN模型（第8章），接着展示了一个将深度学习技术落地到图片处理领域的项目（第9章）。