Python深度学习

本书是使用Python 进行深度学习实践的一本初学指南。本书并未罗列大量的公式，而是通过一些实用的实际案例，以简单直白的方式介绍深度神经网络的两项任务——分类和回归，解析深度学习模型中的一些核心问题，以期让读者对深度学习的全貌有一个清晰的认识。
　　本书共9 章，分别介绍了深度学习基础理论、神经网络基础知识、构建定制化深度预测模型、性能提升技术、二元分类的神经网络应用等内容，并借助Python 语言对基本算法和实现模型进行了探索。
　　本书适合期望用较短时间在深度神经网络领域初试牛刀的读者，也适合深度学习的初学者以及业内人士参考。

尼格尔·刘易斯（N.D. Lewis）是一位数据科学和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年，编著了统计、数据科学和量化模型方面的数本图书，并且在大学里开设深度学习、机器学习和数据分析应用等方面的课程。

适读人群 ：本书面向有以下需求的读者： ★ 希望学习原理而不是进行数学推导； ★ 想看到有意义的现实世界应用； ★ 想要可用的Python示例，以容易理解并能快速上手； ★ 希望得一些到可用的想法，并能用自己的数据进行试验。
　　本书是使用Python 进行深度学习实践的一本初学指南，将带领读者学习使用Python构建深度神经网络模型。
　　本书不要求读者具有深度神经网络的相关经验，也没有罗列大量的公式，而是通过一些实际案例，以简单直白的方式介绍深度神经网络的两项任务——分类和回归，解析深度学习模型中的一些核心问题，以期让读者对深度学习的全貌有一个清晰的认识。
　　通过简单易学的步骤，读者将学会如何使用Python构建深度神经网络模型。一旦掌握了这些步骤，读者就能够把这些知识转换为强大的数据科学应用程序。
　　本书包括以下精彩内容：
　　★ 释放深度神经网络的有效预测能力；
　　★ 动手开发二元分类的解决方案；
　　★ 为多元问题设计成功的应用；
　　★ 掌握有效模型构建的技术；
　　★ 调节深度神经网络，以改善其性能。

第 1 章　如何阅读本书 1
1.1　获取Python 　2
1.1.1　学习Python 　3
1.1.2　软件包 　3
1.2　不需要等待 　3
1.3　小结 　4
附注　 　5
第　2 章 深度学习入门 　6
2.1　为什么要学习深度学习 　7
2.1.1　最后一子 　8
2.1.2　一件怪事 　8
2.1.3　两类人 　9
2.2　什么是深度学习 10
2.2.1　成功的蓝图 10
2.2.2　有监督学习和无监督学习 　11
2.2.3　深度学习的流程 　11
2.3　深度学习能解决什么问题 　12
2.4　哪些领域使用深度学习 14
2.4.1　深度学习能揭开永葆青春的秘密吗 　15
2.4.2　衰老的挑战 　15
2.4.3　众多的理论 　16
2.4.4　数据科学家的答案 　16
2.5　想使用深度学习——却不知如何开始 　17
2.6　小结 18
附注　 18
第3　章 神经网络基础 27
3.1　历史备忘录 28
3.2　神经网络的拓扑结构 29
3.3　神经元的作用 30
人工神经元　 31
3.4　理解激活函数 31
3.4.1　数学计算 32
3.4.2　sigmoid 函数 34
3.4.3　运算成本 34
3.5　神经网络如何进行学习 35
基本算法　 36
3.6　解释梯度下降算法 37
3.6.1　误差曲面 38
3.6.2　随机梯度下降 　39
3.7　小结 　39
附注　 　40
第4　章 深度神经网络简介 42
4.1　深度神经网络简析 43
4.2　怎样在一分钟内解释深度神经网络 　44
4.2.1　如何看待DNN 　44
4.2.2　统计学家的视角 45
4.2.3　一个关键的观点 45
4.3　深度神经网络的3 种使用方式 45
4.3.1　增强雾天的可视性 46
4.3.2　打击黑客犯罪 50
4.3.3　不可思议的缩略图 　51
4.4　如何快速地近似任何函数 54
4.4.1　一个用Python 构建深度神经网络的极简方法 55
4.4.2　生成示例 56
4.4.3　检查样本 57
4.4.4　格式化数据 58
4.4.5　拟合模型 60
4.4.6　性能表现评估 　61
4.5　有监督学习概述 62
4.5.1　有监督学习的目标 63
4.5.2　无监督学习 63
4.5.3　半监督学习 64
4.6　小结 65
附注　 65
第5　章 如何构建可定制的深度预测模型 70
5.1　一个深度神经网络预测的实际应用 　71
5.1.1　样本数据和神经网络 　71
5.1.2　可靠的性能表现 72
5.2　明确预测目标 72
5.3　获取数据的拷贝 74
5.4　标准化的重要性 75
5.5　使用训练样本和测试样本 76
5.6　创建深度神经网络回归模型的极简方式 78
5.7　学习速率详解 79
5.7.1　选择最佳值 　80
5.7.2　如果将模型拟合到数据 81
5.8　评估模型在训练集性能表现的几种方式 81
5.8.1　均方差 82
5.8.2　获取预测和度量性能 83
5.9　小结 83
附注　 　84
第6　章 提高性能的一些技巧 　85
6.1　sigmoid 激活函数的局限 86
6.2　选择最佳层数的原则 　89
6.3　如何快速改进模型 92
6.4　避免过度拟合 　93
6.5　应该包含多少个神经元 95
6.6　评估测试数据集上的性能 96
6.7　冻结网络权重 97
6.8　保存网络以供将来使用 　98
6.9　小结 　99
附注　 　99
第7　章 二元分类神经网络的奥秘 101
7.1　感人至深——创造奇迹 　102
7.1.1　一项二元分类任务 　103
7.1.2　有用的结果 　103
7.2　了解分类目标 　104
7.3　使用Python 从网络下载数据 　105
7.4　处理缺失的观测值 　107
7.5　保存数据 　111
7.6　冲量简单入门 　112
7.7　留出法的秘密 　113
7.8　如何用Python 快速构建一个深度神经网络二元分类器 　115
7.8.1　生成训练集和测试集 　117
7.8.2　指定模型 　117
7.8.3　拟合模型 　118
7.8.4　混淆矩阵 　119
7.9　小结 　120
附注　 　120
第8　章 构建优秀模型之道 123
8.1　尝试最简单的想法提高成功率 　124
8.2　辍学的威力 　124
8.3　相似性 　126
8.4　共适应 　126
8.5　一个教训 　127
8.6　双曲正切激活函数的威力以及如何有效地使用 　127
8.7　如何从小批量方法中获益 　128
8.8　重建模型 　129
8.9　关于不平衡样本你应该知道的事 　131
8.9.1　核心问题 　131
8.9.2　查看测试集上的表现 　133
8.10　小结 　134
附注　 　134
第9　章 深度神经网络在多元分类问题的简单应用 136
9.1　分类问题描述 　138
9.1.1　查看样本 　139
9.1.2　检查目标对象 　140
9.2　关于softmax 激活函数的说明 　140
9.3　使用rmsprop 算法构建多项式模型 　141
9.3.1　关于rmsprop 算法的说明 　143
9.3.2　模型性能表现 　144
9.4　Adagrad 学习算法概述 　144
9.5　如何尝试其他学习算法 　146
9.5.1　Nesterov 的加速梯度下降算法 　146
9.5.2　尝试冲量法 　147
9.5.3　常规随机梯度下降法 　148
9.5.4　在模型中使用Adadelta 算法 　149
9.5.5　测试集性能表现 　150
9.6　小结 　152
9.7　结束语 　152
附注　 　152