《Python与神经网络实战》内容简介

人工智能已成发展趋势，而深度学习则是其中最有用的工具之一。虽然科技发展速度迅猛，现在实用技术更新换代的频率已经迅速到以周来计算，但是其背后最为基础的知识却是共通的。本书较为全面地介绍了神经网络的诸多基础与进阶的技术，同时还介绍了如何利用神经网络来解决真实世界中的现实任务。本书各章的内容不仅包括经典的传统机器学习算法与神经网络的方方面面，还对它们进行了对比与创新。如果能够掌握本书所讲述的知识，相信即使具体的技术更新得再快，读者也能根据本书所介绍的知识来快速理解、上手与改进它们。
本书兼顾了理论与实践，不仅从公式上推导出神经网络的各种性质，也从实验上对它们进行了验证，比较适合初学者进行学习。同时，本书所给出的框架更能直接、简单、快速地应用在实际任务中，适合相关从业人员使用。
何宇健，广受读者好评的《Python与机器学习实战》一书作者，来自北京大学数学系，有多年Python开发经验，在GitHub上拥有并维护着一个纯Python编写的机器学习算法库（386个stars，264个forks）。对机器学习、神经网络及它们在量化投资方面的应用有深入研究。曾在创新工场AI工程院负责研发适用于结构化数据的新型神经网络、序列预测算法的抽象框架以及基于模型的自动特征工程。

作品目录

关于作者
前言
第1章：绪论
1.1、机器学习简介
1.2、Python简介
1.3、前期准备
1.4、本章小结
第2章：经典传统机器学习算法简介
2.1、朴素贝叶斯
2.2、决策树
2.3、支持向量机
2.4、Logistic回归
2.5、本章小结
第3章：神经网络入门
3.1、神经网络的结构
3.2、前向传导算法
3.4、参数的更新
3.5、TensorFlow模型的基本框架
3.6、朴素神经网络的实现与评估
3.7、本章小结
第4章：从传统算法走向神经网络
4.1、朴素贝叶斯的线性形式
4.2、决策树生成算法的本质
4.3、模型转换的实际意义
4.4、模型转换的局限性
4.5、本章小结
第5章：神经网络进阶
5.1、层结构内部的额外工作
5.2、“浅”与“深”的结合
5.3、神经网络中的“决策树”
5.4、神经网络中的剪枝
5.5、AdvancedNN的结构设计
5.6、AdvancedNN的实际性能
5.7、本章小结
第6章：半自动化机器学习框架
6.1、数据的准备
6.2、数据的转换
6.3、AutoBase的实现补足
6.4、AutoMeta的实现
6.5、训练过程的监控
6.6、本章小结
第7章：工程化机器学习框架
7.1、输出信息的管理
7.2、多次实验的管理
7.3、参数搜索的管理
7.4、DistAdvanced的性能
7.5、本章小结
附录A
SVM的TensorFlow实现
附录B
numba的基本应用
附录C
装饰器的基本应用
附录D
可视化
附录E
模型的评估指标
附录F
实现补足