TensorFlow之外的好選擇：Keras、Caffe SK-Learn機器學習實作

機器學習需要一條脫離過高理論門檻的入門之路。本書繞過理論障礙，打通了一條由淺入深的機器學習之路。豐富的實戰案例講解，介紹如何將機器學習技術運用到股票量化交易、圖片渲染、圖片識別等領域。
本書包含兩部分：機器學習篇和深度學習篇。
機器學習篇，主要從零開始，介紹什麼是資料特徵、機器學習模型，如何訓練模型、偵錯模型，以及如何評估模型的成績。透過一些簡單的工作實例，說明在使用模型時如何分析並處理工作資料的特徵，如何組合多個模型共同完成工作，並嘗試將機器學習技術運用到股票交易中，重複熟悉這些技術的同時，感受機器學習技術在落實到專業領域時常犯的錯誤。
深度學習篇，則主要介紹一些很基礎的深度學習模型，如DNN、CNN 等，簡單涵蓋一些RNN 的概念描述。我們更關注模型的直觀原理和背後的生物學設計理念，希望讀者能夠帶著這些了解，直接上手應用深度學習架構。
本書適合有Python程式設計能力的讀者。如果讀者有簡單的數學基礎，了解機率、矩陣則更佳。使用過Numpy、pandas 等資料處理工具的讀者讀起來也會更輕鬆，但這些都不是必需的。
 

阿布：多年互聯網金融技術經驗，曾就職於奇虎360、百度互聯網證券、百度金融等互聯網型金融公司，現為自由職，個人量化交易者，擅長個人中小資金量化交易領域系統開發，以及為中小型量化私募資金提供技術解決方案、技術支援、量化培訓等工作。|
胥嘉幸：北京大學碩士，先後任職百度金融證券、百度糯米搜索部門。致力於大數據機器學習方面的研究，有深厚的數學功底和理論支撐。將機器學習技術融於傳統金融量化領域方面頗有研究。

前 言
越來越多的人期待能擠進機器學習這一領域，這些人常常有一些程式設計
和自學能力，但數學等基礎理論能力不足。對於這些人群，從頭開始學習
機率統計等基礎學科是痛苦的，如果直接上手使用機器學習工具常常又感
到了解不足，缺少點什麼。本書就是針對這一人群，避過數學推導等複雜
的理論推衍，介紹模型背後的一些簡單直觀的了解，以及如何上手使用。
本書希望能夠獲得這些人的喜愛。
全書包含兩部分：機器學習篇和深度學習篇。
機器學習篇（1 ∼ 3章）主要從零開始，介紹什麼是資料特徵、機器學習模型，如何訓練模型、偵錯模型，以及如何評估模型的成績。透過一些簡單的工作實例，說明在使用模型時如何分析並處理工作資料的特徵，如何組合多個模型共同完成工作，並在第3章初步嘗試將機器學習技術運用到股票交易中，重複熟悉這些技術的同時，感受機器學習技術在落實到專業領域時常犯的錯誤。
深度學習篇（4 ∼ 9章）主要介紹一些很基礎的深度學習模型，如DNN、CNN等，簡單涵蓋一些RNN的概念描述。我們更關注模型的直觀原理和背後的生物學設計理念，希望讀者能夠帶著這些了解，直接上手應用深度學習架構。
說一點關於閱讀本書的建議。本書在撰寫時不關注模型技術的數學推導及
嚴謹表述，轉而關注其背後的直觀原理了解。建議讀者以互動執行程式的
方式學習，所有範例使用IPython Notebook撰寫。讀者可在Git找到對應章節的內容，一步步執行書中說明的基礎知識，直觀感受每一步的執行效果。本書官網所附程式在http://www.topteam.cc下載，為繁體中文版，作者簡體中文程式下載網址則為：https://github.com/bbfamily/abu。簡體中文程式會不時更新，讀者們可以隨時去github查看。
本書適合有Python程式設計能力的讀者。如果讀者有簡單的數學基礎，了解機率、矩陣則更佳。使用過Numpy、pandas等資料處理工具的讀者讀起來也會更輕鬆，但這些都不是必需的。如果讀者缺乏Python程式設計能力，或希望進一步獲得Numpy、pandas等工具使用相關的知識，可以關注公眾號：abu_quant，獲得一些技術資料及文章。
感謝出版社提供機會讓我們撰寫本書，感謝編輯不辭辛苦地和我溝通排版
等細節問題。
本書的完成同樣需要感謝我的幾位朋友：吳汶（老虎美股）、劉兆丹（百度金融），感謝你們在本書撰寫作過程中提供的有力支援。感謝本書的試讀人員：蔡志威、李寅龍。

前言
第一篇 機器學習篇
第1章 初識機器學習
1.1 機器學習――指定機器「學習」的靈魂
1.2 KNN――相似的鄰居請投票
1.3 邏輯分類I：線性分類模型
1.4 邏輯分類II：線性分類模型
第2章 機器學習進階
2.1 特徵工程
2.2 偵錯模型
2.3 分類模型評估指標
2.4 回歸模型
2.5 決策樹模型
2.6 模型融合
第3章 實戰：股票量化
3.1 第一步：建置童話世界
3.2 第二步：應用機器學習
3.3 第三步：在真實世界應用機器學習
第二篇 深度學習篇
第4章 深度學習：背景和工具
4.1 背景
4.2 深度學習架構簡介
4.3 深度學習架構快速上手
4.4 Caffe 實現邏輯分類模型
第5章 深層學習模型
5.1 解密生物智慧
5.2 DNN神經網路模型
5.3 神經元的深層網路結構
5.4 典型的DNN 深層網路模型：MLP
5.5 Caffe 實現MLP
第6章 學習空間特徵
6.1 前置處理空間資料
6.2 描述圖片的空間特徵：特徵圖
6.3 CNN 模型I：旋積神經網路原理
6.4 CNN 模型II：圖片識別
6.5 CNN 的實現模型
6.6 微訓練模型（Fine-Tuning）
第7章 Caffe 實例：狗狗品種辨別
7.1 準備圖片資料
7.2 訓練模型
7.3 使用產生的模型進行分類
第8章 漫談時間序列模型
8.1 Embedding
8.2 輸出序列的模型
8.3 深度學習：原理篇歸納
第9章 用深度學習做個藝術畫家：模仿實現prisma
9.1 機器學習初探藝術作畫
9.2 實現秒級藝術作畫
附錄A 機器學習環境部署
附錄B 深度學習環境部署
附錄C 隨書程式執行環境部署