2目 录 第3章神经网络入门…43 3.6预测房价：回归问题…66 3.1神经网络剖析 …43 3.6.1波士频房价数据集 67 3.11层：深度学习的基础组件…44 3.6.2准备数据 …67 3.1.2模型：层构成的网络…45 3.6.3构建网络…68 3.1.3损失函数与优化器：配置学习 3.64利用K折验证来验证你的 过程的关键…45 方法…68 3.2 Keras简介 …46 3.6.5小结…72 3.2.1 Keras、TensorFlow、Theano和 本章小结… 73 CNTK…47 第4章机器学习基础 …74 3.2.2使用Keras开发：概述…48 4.1 机器学习的四个分支…74 3.3建立深度学习工作站…49 4.1.1监骨学习…74 3.3.I Jupyter笔记本：运行深度学习 4.1.2无监督学习…75 实验的首选方法…49 4.13自监督学习… 3.3.2运行Keras:两种选择…50 …75 4.1.4强化学习… 3.3.3在云端运行深度学习任务： …75 4.2评估机器学习模型 .76 优点和缺点…50 4.2.1训练集、验证集和测试集 3.34深度学习的最佳GPU…50 …77 4.2.2评估模型的注意事项 …80 3.4电影评论分类：二分类问题…51 3.4.】MDB数据集…51 4.3数据预处理、特征工程和特征学习…80 4.3.1神经网络的数据预处理…80 3.4.2准备数据…52 3.4.3构建网络…52 4.32特征工程…81 4.4过拟合与欠拟合… 83 3.4.4验证你的方法…56 4.4.1减小网络大小… …83 3.4.5使用调练好的网络在新数据上 4.4.2添加权重正则化 …85 生成预测结果…59 3.4.6。进一步的实验…59 4.4.3添加dropout正则化 …87 3.4.7小结 59 4.5机器学习的通用工作流程… -89 3.5新闻分类：多分类问题 …59 4.5.1定义问题，收集数据集 89 4.52选择衡量成功的指标 89 3.5.1路透社数据集…60 4.5.3确定评估方法 …90 3.5.2准备数据…61 4.5.4准备数据 …90 3.5.3构建网络…61 3.5.4验证你的方法…62 4.5.5开发比基准更好的模型…90 3.5.5在新数据上生成预测结果…65 4.5.6扩大模型规模：开发过拟合的 模型 …91 3.5.6处理标签和损失的另一种方法…65 4.5.7模型正则化与调节超参数…92 3.5.7中间层维度足够大的重要性…65 本章小结92 3.5.8进一步的实验…66 3.5.9小结-662 目 录 第 3 章 神经网络入门 ...............................43 3.1 神经网络剖析 .............................................43 3.1.1 层：深度学习的基础组件 .............44 3.1.2 模型：层构成的网络 .....................45 3.1.3 损失函数与优化器：配置学习 过程的关键 ....................................45 3.2 Keras 简介 ...................................................46 3.2.1 Keras、TensorFlow、Theano 和 CNTK ..............................................47 3.2.2 使用 Keras 开发：概述 .................48 3.3 建立深度学习工作站 .................................49 3.3.1 Jupyter 笔记本：运行深度学习 实验的首选方法 ............................49 3.3.2 运行 Keras：两种选择 ..................50 3.3.3 在云端运行深度学习任务： 优点和缺点 ....................................50 3.3.4 深度学习的最佳 GPU ....................50 3.4 电影评论分类：二分类问题 .....................51 3.4.1 IMDB 数据集 .................................51 3.4.2 准备数据 .........................................52 3.4.3 构建网络 .........................................52 3.4.4 验证你的方法 .................................56 3.4.5 使用训练好的网络在新数据上 生成预测结果 ................................59 3.4.6 进一步的实验 .................................59 3.4.7 小结 .................................................59 3.5 新闻分类：多分类问题 .............................59 3.5.1 路透社数据集 .................................60 3.5.2 准备数据 .........................................61 3.5.3 构建网络 .........................................61 3.5.4 验证你的方法 .................................62 3.5.5 在新数据上生成预测结果 .............65 3.5.6 处理标签和损失的另一种方法 .....65 3.5.7 中间层维度足够大的重要性 .........65 3.5.8 进一步的实验 .................................66 3.5.9 小结 .................................................66 3.6 预测房价：回归问题 .................................66 3.6.1 波士顿房价数据集 .........................67 3.6.2 准备数据 .........................................67 3.6.3 构建网络 .........................................68 3.6.4 利用 K 折验证来验证你的 方法 ................................................68 3.6.5 小结 .................................................72 本章小结 ..............................................................73 第 4 章 机器学习基础 ...............................74 4.1 机器学习的四个分支 .................................74 4.1.1 监督学习 .........................................74 4.1.2 无监督学习 .....................................75 4.1.3 自监督学习 .....................................75 4.1.4 强化学习 .........................................75 4.2 评估机器学习模型 .....................................76 4.2.1 训练集、验证集和测试集 .............77 4.2.2 评估模型的注意事项 .....................80 4.3 数据预处理、特征工程和特征学习 .........80 4.3.1 神经网络的数据预处理 .................80 4.3.2 特征工程 .........................................81 4.4 过拟合与欠拟合 .........................................83 4.4.1 减小网络大小 .................................83 4.4.2 添加权重正则化 .............................85 4.4.3 添加 dropout 正则化 ......................87 4.5 机器学习的通用工作流程 .........................89 4.5.1 定义问题，收集数据集 .................89 4.5.2 选择衡量成功的指标 .....................89 4.5.3 确定评估方法 .................................90 4.5.4 准备数据 .........................................90 4.5.5 开发比基准更好的模型 .................90 4.5.6 扩大模型规模：开发过拟合的 模型 ................................................91 4.5.7 模型正则化与调节超参数 .............92 本章小结 ..............................................................92