Python與神經網絡實戰 Python与神经网络实战

何宇健，廣受讀者好評的《Python與機器學習實戰》一書作者，
來自北京大學數學系，有多年Python開發經驗，
在GitHub上擁有並維護著一個純Python編寫的機器學習算法庫（386個stars ，264個forks）。
對機器學習、神經網絡及它們在量化投資方面的應用有深入研究。
曾在創新工場AI工程院負責研發適用於結構化數據的新型神經網絡、
序列預測算法的抽象框架以及基於模型的自動特徵工程。

第1章緒論........................ 1 
1.1機器學習簡介................ ......... 2 
1.1.1什麼是機器學習........ 2 
1.1.2機器學習常用術語.... 3 
1.2 Python簡介......... .................... 9 
1.2.1 Python的優勢.......... 10 
1.2.2 scikit-learn和TensorFlow.... ................................... 11 
1.3前期準備........... .................... 13 
1.3.1訓練、交叉驗證與測試.................... ...................... 13 
1.3.2簡易數據預處理...... 14 
1.4本章小結.......... ..................... 15 

第2章經典傳統機器學習算法簡介................... .............. 17 
2.1樸素貝葉斯........................... 17 
2.1. 1條件獨立性假設...... 18 
2.1.2貝葉斯思維.............. 19 
2.1.3模型算法........... ....... 20
2.1.4實例演示.................. 23 
2.1.5*參數估計.................. 25 
2.1 .6*樸素貝葉斯的改進.. 28 
2.2決策樹................................... 33 
2.2.1決策的方法.............. 33 
2.2.2決策樹的生成.......... 34 
2.2.3決策樹的剪枝.. ........ 39 
2.2.4實例演示.................. 40 
2.2.5*決策樹的三大算法.. 40 
2.2.6*數據集的劃分.......... 45 
2.2.7*決策樹與回歸.......... 48 
2.3支持向量機............ ............... 50 
2.3.1分離超平面與幾何間隔......................... ................. 50 
2.3.2*感知機與SVM的原始形式..................... .............. 58 
2.3.3梯度下降法.............. 62 
2.3.4*核技巧........ .............. 70 
2.3.5實例演示.................. 75
2.4 Logistic回歸......................... 75 
2.5本章小結.................. ............. 76 

第3章神經網絡入門........ 77 
3.1神經網絡的結構................ ... 78 
3.2前向傳導算法....................... 80 
3.2.1算法概述............ ...... 81 
3.2.2算法內涵.................. 83 
3.2.3激活函數.............. .... 85 
3.2.4損失函數.................. 90 
3.3*反向傳播算法............... ........ 92 
3.3.1算法概述.................. 92 
3.3.2損失函數的選擇...... 94 
3.4參數的更新........................... 98 
3.4.1 Vanilla Update........... 99 
3.4.2 Momentum Update ... 99 
3.4.3 Nesterov Momentum Update ................................. 100 
3.4.4 AdaGrad . ................. 100
3.4.5 RMSProp ................ 101 
3.4.6 Adam....................... 101 
3.5 TensorFlow模型的基本框架............................................ 101 
3.5.1 TensorFlow的組成單元與基本思想.................... 102 
3.5.2 TensorFlow模型的基本元素........... ..................... 104 
3.5.3 TensorFlow元素的整合方法.................... ............ 114 
3.5.4 TensorFlow模型的save ＆ load ........................... 125 
3.6樸素神經網絡的實現與評估.......................................... .. 130 
3.7本章小結............................. 138 

第4章從傳統算法走向神經網絡..... ............................. 139 
4.1樸素貝葉斯的線性形式..... 139 
4.2決策樹生成算法的本質..... 145 
4.2.1第1隱藏層→決策超平面................................ .... 147
4.2.2第2隱藏層→決策路徑........................................ 148 
4.2.3輸出層→葉節點..... 150 
4.2.4具體實現................ 151 
4.3模型轉換的實際意義....... .. 158 
4.3.1利用Softmax來賦予概率意義............................ 159 
4.3.2利用Tanh+Softmax來“軟化”模型................. 160 
4.3.3通過微調來緩解“條件獨立性假設” ................ 165 
4.3.4通過微調來豐富超平面的選擇............................ 165 
4.3.5模型逆轉換的可能性............................................ 171 
4.4模型轉換的局限性............. 172 
4.5本章小結............................. 172 

第5章神經網絡進階...... 174 
5.1層結構內部的額外工作..... 175 
5.1.1 Dropout ................... 175 
5.1 .2 Batch Normalization .............................................. 176
5.1.3具體實現................ 180 
5.2 “淺”與“深”的結合..... 181 
5.2.1離散型特徵的處理方式... ..................................... 181 
5.2.2 Wide and Deep模型概述.... .................................. 183 
5.2.3 Wide and Deep的具體實現...... ............................ 185 
5.2.4 WnD的重要思想與優缺點........... ....................... 194 
5.3神經網絡中的“決策樹” . 195 
5.3.1 DNDF結構概述..... 195 
5.3.2 * DNDF的具體實現. 199 
5.3.3 DNDF的應用場景. 210 
5.3.4* DNDF的結構內涵. 213 
5.4神經網絡中的剪枝............. 216 
5.4.1 Surgery算法概述... 216 
5.4.2 Surgery算法改進... 218 
5.4.3軟剪枝的具體實現221 
5.4.4*軟剪枝的算法內涵223 
5.5 AdvancedNN的結構設計.. 237
5.5.1 AdvancedNN的實現補足..................................... 237 
5.5.2 WnD與DNDF ....... 239 
5.5.3 DNDF與剪枝......... 241 
5.5.4剪枝與Dropout ...... 242 
5.5.5沒有免費的午餐... . 242 
5.6 AdvancedNN的實際性能.. 243 
5.7本章小結............................. 251 

第6章半自動化機器學習框架...................................... 253 
6.1數據的準備...... ................... 254 
6.1.1數據預處理的流程254 
6.1.2數據準備的流程.... 256 
6.2數據的轉換..... .................... 264 
6.2.1數據的數值化........ 264 
6.2.2冗餘特徵的去除.... 266 
6.2.3缺失值處理............ 269 
6.2.4連續型特徵的數據預處理..................... ............... 272 
6.2.5特殊類型數據的處理.......................... .................. 274
6.3 AutoBase的實現補足........ 277 
6.4 AutoMeta的實現................ 281 
6.5訓練過程的監控.......... ....... 288 
6.5.1監控訓練過程的原理.................................. .......... 288 
6.5.2監控訓練的實現思路............................... ............. 292 
6.5.3監控訓練的具體代碼............................ ................ 293 
6.6本章小結............................. 299 

第7章工程化機器學習框架.......................................... 301 
7.1輸出信息的管理................. 301 
7.2多次實驗的管理................. 309 
7.2. 1多次實驗的框架.... 312 
7.2.2多次實驗的初始化314 
7.2.3多次實驗中的數據劃分.................... .................... 316 
7.2.4多次實驗中的模型評估................... ..................... 318
7.2.5多次實驗的收尾工作......................................... ... 321 
7.3參數搜索的管理................. 321 
7.3.1參數搜索的框架.... 322 
7.3.2*隨機搜索與網格搜索. ........................................... 329 
7.3.3參數的選取............ 334 
7.3.4參數搜索的收尾工作............................. ............... 335 
7.3.5具體的搜索方案.... 335 
7.4 DistAdvanced的性能......... 337 
7.5本章小結..... ........................ 344 

附錄A SVM的TensorFlow實現................... ............... 345 
附錄B numba的基本應用............................ ................ 352 
附錄C裝飾器的基本應用.......................... ................... 359 
附錄D可視化................ 363 
附錄E模型的評估指標.. 370 
附錄F實現補足............. 377