Mastering_Machine_Learning_With_scikit－learn（中文、英文）资源-CSDN文库

共24个文件

pdf：24个

scikitlearn

3星 · 超过75%的资源需积分: 10 55 浏览量 2017-05-24 14:47:42 上传评论收藏 45.94MB RAR 举报

资源推荐

资源详情

资源评论

收起资源包目录

Mastering_Machine_Learning_With_scikit－learn（中文、英文）.rar （24个子文件）

Mastering Machine Learning With scikit-learn（中文、英文）

原版

Gavin Hackeling-Mastering Machine Learning with scikit-learn-Packt Publishing (2014).pdf 3.59MB

中文

3-feature-extraction-and-preprocessing.pdf 2.72MB

6-clustering-with-k-means.pdf 2.45MB

5-nonlinear-classification-and-regression-with-decision-trees.pdf 2.15MB

10-from-the-perceptron-to-artificial-neural-networks.pdf 4.26MB

1-the-fundamentals-of-machine-learning.pdf 1.43MB

4-from-linear-regression-to-logistic-regression.pdf 2.19MB

0-perface.pdf 732KB

7-dimensionality-reduction-with-pca.pdf 2.34MB

9-from-the-perceptron-to-support-vector-machines.pdf 2.14MB

2-linear-regression.pdf 2.21MB

8-the-perceptron.pdf 2.08MB

Mastering_Machine_Learning_With_scikit－learn（中文、英文）

Mastering Machine Learning With scikit-learn（中文、英文）

原版

Gavin Hackeling-Mastering Machine Learning with scikit-learn-Packt Publishing (2014).pdf 3.59MB

中文

3-feature-extraction-and-preprocessing.pdf 2.72MB

6-clustering-with-k-means.pdf 2.45MB

5-nonlinear-classification-and-regression-with-decision-trees.pdf 2.15MB

10-from-the-perceptron-to-artificial-neural-networks.pdf 4.26MB

1-the-fundamentals-of-machine-learning.pdf 1.43MB

4-from-linear-regression-to-logistic-regression.pdf 2.19MB

0-perface.pdf 732KB

7-dimensionality-reduction-with-pca.pdf 2.34MB

9-from-the-perceptron-to-support-vector-machines.pdf 2.14MB

2-linear-regression.pdf 2.21MB

8-the-perceptron.pdf 2.08MB

从感知器到人工神经网络

在

第

章，感知器

里，我们介绍了感知器，一种线性模型用来做二元分类。感知器不是一个通用函数

近似器；它的决策边界必须是一个超平面。上一章里面介绍的支持向量机，用核函数修正了感知器的

不足，将特征向量有效的映射到更高维的空间使得样本成为线性可分的数据集。本章，我们将介绍人

工神经网络（artificial neural networks，ANN），一种用于强大的非线性回归和分类模型，用新的策

略来克服感知器的缺点。

如果把感知器比喻成一个神经元，那么人工神经网络，即神经网，就是一个大脑。人脑就是由十几亿

的神经元和上千亿的突触组成，人工神经网络是一种感知器或其他人工神经的有向图。这个图的边带

有权重，这些权重是模型需要学习的参数。

有许多著作整本书描述人工神经网络；本章主要是对它的结构和训练方法进行介绍。目前scikit-learn

的版本是0.16.1，在2014年Google Summer的项目中，多层感知器已经被作者实现，并提交在scikit-

learn 0.15.1版本中，只是还没有被合并到scikit-learn。在未来的scikit-learn新版本中可能会原封不动

的合并多层感知器的实现。也有一些神经网络模型的Python库，比如PyBrain

(https://github.com/pybrain/pybrain)，Pylearn2 (https://github.com/lisa-lab/pylearn2)和scikit-

neuralnetwork (https://github.com/aigamedev/scikit-neuralnetwork)等。

非线性决策边界

在

第

章，感知器

里，我们介绍过布尔函数如AND（与），OR（或）和NAND（与非）可以用感知器

近似，而XOR（异或）作为线性不可分函数不能被近似，如下图所示：

让我们深入研究XOR来感受一下人工神经网络的强大。AND是两个输入均为1结果才为1，OR是两个

输入至少有1个1结果即为1。XOR与它们不同，XOR是当两个输入中有且仅有1个1结果才为1。我们

把XOR输出为1的两个输入看出是两个条件均为真。第一个条件是至少有1个输入为1，这与OR的条件

相同。第二个条件是两个输入不都为1，这与NAND的条件相同。我们可以通过处理OR和NAND的输

入，生成同样输出的XOR，然后用AND验证两个函数的输出是否均为1。也就是说，OR，NAND和

AND可以组合生成同样结果的XOR。

下面是XOR，OR，NAND和AND四种函数有两个输入A和B时的输出真值表。从这个表我们可以检验

OR，NAND和AND组合函数的输出，与同样输入的XOR输出相同:

A B A AND B A NAND B A OR B A XOR B

0 0 0 1 0 0

0 1 0 1 1 1

1 0 0 1 1 1

1 1 1 0 1 0

A B A OR B A NAND B (A OR B) AND (A NAND B)

0 0 0 1 0

0 1 1 1 1

1 0 1 1 1

1 1 1 0 0

我们不使用单个感知器来表示XOR，而将建立一个具有多人工神经元的人工神经网络，每个神经元都

近似一个线性函数。每个样本的特征表述都被输入到两个神经元：一个NAND神经元和一个OR神经

元。这些神经元的输出将连接到第三个AND神经元上，测试XOR的条件是否为真。

前馈与反馈人工神经网络

人工神经网络由三个组成部分。第一个组成部分是架构（architecture），或称为拓扑结构

（topology），描述神经元的层次与连接神经元的结构。第二个组成部分是神经网络使用的激励函

数。第三个组成部分是找出最优权重值的学习算法。

人工神经网络主要分为两种类型。前馈人工神经网络（Feedforward neural networks）是最常用的神

经网络类型，一般定义为有向无环图。信号只能沿着最终输入的那个方向传播。另一种类型是反馈人

工神经网络（feedback neural networks），也称递归神经网络（recurrent neural networks），网络

图中有环。反馈环表示网络的一种内部状态，随着不同时间内输入条件的改变，网络的行为也会发生

变化。反馈人工神经网络的临时状态让它们适合处理涉及连续输入的问题。因为目前scikit-learn没有

实现反馈人工神经网络，本文只介绍前馈人工神经网络。

多层感知器

多层感知器（multilayer perceptron，MLP）是最流行的人工神经网络之一。它的名称不太恰当，多

层感知器并非指单个带有多个层次的感知器，而是指可以是感知器的人工神经元组成的多个层次。

MPL的层次结构是一个有向无环图。通常，每一层都全连接到下一层，某一层上的每个人工神经元的

输出成为下一层若干人工神经元的输入。MLP至少有三层人工神经元。

输入层（input layer）由简单的输入人工神经元构成。每个输入神经元至少连接一个隐藏层（hidden

layer）的人工神经元。隐藏层表示潜在的变量；层的输入和输出都不会出现在训练集中。隐藏层后面

连接的是输出层（output layer）。下图所示的三层架构的多层感知器。带有+1标签的是常误差项神

经元，大多数结构图中都不会画出来。

隐藏层中的人工神经元，也称单元（units）通常用非线性激励函数，如双曲正切函数（hyperbolic

tangent function）和逻辑函数（logistic function），公式如下所示：

和其他的监督模型一样，我们的目标是找到成本函数最小化的权重值。通常，MLP的成本函数是残差

平方和的均值，计算公式如下所示，其中的表示训练样本的数量：

成本函数最小化

反向传播（backpropagation）算法经常用来连接优化算法求解成本函数最小化问题，比如梯度下降

(

) =

tanh

(

)

(

) =

1 +

−

MSE

= (

−

( )

∑

)

法。这个算法名称是反向（back）和传播（propagation）的合成词，是指误差在网络层的流向。理

论上，反向传播可以用于训练具有任意层、任意数量隐藏单元的前馈人工神经网络，但是计算能力的

实际限制会约束反向传播的能力。

反向传播与梯度下降法类似，根据成本函数的梯度变化不断更新模型参数。与我们前面介绍过的线性

模型不同，神经网络包含不可见的隐藏单元；我们不能从训练集中找到它们。如果我们找不到这些隐

藏单元，我们也就不能计算它们的误差，不能计算成本函数的梯度，进而无法求出权重值。如果一个

随机变化是某个权重降低了成本函数值，那么我们保留这个变化，就可能同时改变另一个权重的值。

这种做法有个明显的问题，就是其计算成本过高。而反向传播算法提供了一种有效的解决方法。

我们将用反向传播逐步来训练一个前馈人工神经网络。这个网络与两个输入单元，两个隐藏层分别有

三个隐藏单元，两个输出单元。输入单元与第一个隐藏层的三个隐藏单元Hidden1，Hidden2和

Hidden3全连接。单元之间连接的边开始用很小的随机数表示权重。

前向传播

在前向传播（forward propagation）阶段，特征变量被输入到网络，然后传播到下一层产生输出激励

（activation）。首先，我们计算Hidden1单元的激励。我们找到Hidden1单元的的加权和，然后用

激励函数处理输入的加权和。注意Hidden1单元会收到一个常误差项输入单元，并没有在下图中画

出。其中是一个激励函数：

然后，我们计算第二个隐藏单元Hidden2。和Hidden1类似，它也会收到一个常误差项输入单元。

我们计算输入单元的加权和，或成为预激励，经过激励函数处理的激励如下图所示：

(

)

同理，我们计算第三个隐藏单元Hidden3的激励：

第一个隐藏层三个隐藏单元的激励计算完之后，我们再处理第二个隐藏层。本例中，第一个隐藏层第

一个隐藏层到第二个隐藏层。与第一个隐藏层三个隐藏单元计算过程类似，都有一个常误差项输入单

元，并没有在图中画出，我们计算Hidden4的激励如下图所示：

评论收藏

内容反馈

守护生命的绿荷

2017-12-08

不错感谢分享
hnujunma

2020-01-10

不是最新版的，且没有代码，差评

华北小白

粉丝: 0
资源: 3

Mastering_Machine_Learning_With_scikit－learn（中文、英文）

Mastering_Machine_Learning_With_scikit－learn中文、英文

mastering machine learning with scikit learn中文和英文两个版本

Mastering Machine Learning With scikit-learn.pdf 中文版

Mastering-Machine-Learning-with-scikit-learn-Second-Edition

Mastering Machine Learning with scikit-learn [2017,第二版]

Mastering Machine Learning With scikit-learn 中文版

（中文翻译）Mastering Machine Learning with scikit-learn

中文Mastering Machine Learning With scikit-learn

Mastering Machine Learning with scikit-learn

Mastering Machine Learning With scikit-learn

Mastering_Machine_Learning_with_scikit－learn.pdf.pdf

Mastering Machine Learning with scikit-learn代码

mastering machine learning with scikit-learn 源代码

Mastering Machine Learning With scikit-learn.pdf

Mastering Machine Learning with scikit-learn(中英文版加源代码)

Mastering Machine Learning with scikit-learn 英文第二版(PDF)

Mastering Machine Learning with scikit-learn 2013版

Mastering Machine Learning With scikit learn pdf

[免积分]Mastering Machine Learning with scikit-learn.pdf

(英文第二版)Mastering Machine Learning with scikit-learn, 2nd Edition

Scikit-learn学习资料荟萃

mastering machine learning with scikit-learn

《Mastering Machine Learning with scikit-learn》源代码

《点燃我温暖你》中李峋的同款爱心代码

122版本Chrome最新驱动-122.0.6261.58

第十五届蓝桥杯大赛软件赛省赛-PythonB组题目

Python入门基础教程全套.ppt

Stable Diffusion WebUI linux部署问题

最新资源