[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+移动平台深度神经网络实战：原理、架构与优化（2册）

作者
卢誉声
丛书名
“工业和信息化领域急需紧缺人才（大数据和人工智能）培养工程”系列丛书
出版社
机械工业出版社
ISBN
9782001101555
简要
简介
内容简介书籍计算机书籍 ---------------------------机器学习实战：基于Sophon平台的机器学习理论与实践--------------------------- 在机器学习大行其道的今天，机器学习平台也有着突飞猛进的发展。本书的立意，就是使用机器学习平台积累、沉淀下来的模块、组件去解决一个又一个业务难题和探索隐藏在其中的数据之美。Sophon机器学习平台的丰富算子能力和优秀的建模上线功能提供正是这样的能力。本书针对每种类型的机器学习问题，结合实际案例依照数据、分析、建模、总结的演进历程进行系统化阐述并进行实战讲解。 ---------------------------移动平台深度神经网络实战：原理、架构与优化--------------------------- 整体思路是： 1、最初介绍深度学习必备的知识点，做好基础知识铺垫 2、讲解数据收集、清洗和预处理过程 3、讲解深度学习训练 4、移动端实践：性能优化、指令集优化、移动端预测框架开发（基于caffe2、mxnet或ncnn，还未定），开发App使用预测。
目录



---------------------------机器学习实战：基于Sophon平台的机器学习理论与实践---------------------------


前言
丛书前言
本书编委会
前言
第1章机器学习导论
1.1 什么是机器学习
1.1.1 机器学习的背景
1.1.2 机器学习的定义
1.1.3 机器学习的任务类型
1.1.4 构建机器学习应用的步骤
1.2 开发机器学习工作流的方式
第2章数据预处理与特征工程
2.1 特征提取
2.1.1 探索性数据分析
2.1.2 数值特征
2.1.3 类别特征
2.1.4 时间特征
2.1.5 文本特征
2.1.6 过滤方法
2.1.7 封装方法
2.1.8 嵌入方法
2.1.9 自动化特征工程
2.2 交互式数据预处理
2.3 本章小结
第3章回归模型
3.1 回归任务概述
3.2 回归算法原理
3.2.1 线性回归
3.2.2 决策树回归
3.2.3 生存回归
3.3 Sophon案例
3.4 本章小结
第4章分类
4.1 分类任务概述
4.2 分类算法原理
4.2.1 逻辑回归
4.2.2 因子分解机
4.2.3 XGBoost
4.3 使用Sophon建立分类模型
4.3.1 场景介绍
4.3.2 建模过程
4.3.3 结果分析
4.4 本章小结
第5章模型融合
5.1 集成学习理论
5.1.1 集成学习基本概念
5.1.2 个体学习器
5.1.3 基学习器集成
5.1.4 常用的集成学习方法
5.2 常用融合方法
5.2.1 平均法
5.2.2 学习法（Stacking 方法）
5.3 使用Sophon进行模型融合
5.3.1 场景与数据集介绍
5.3.2 建模过程
5.3.3 结果分析
5.4 本章小结
第6章聚类 78
6.1 聚类任务概述
6.2 聚类算法原理
6.2.1 K-Means
6.2.2 Fuzzy C-Means
6.2.3 Canopy
6.2.4 高斯混合
6.3 聚类模型实例
6.3.1 场景介绍
6.3.2 建模过程
6.3.3 结果分析
6.4 本章小结
第7章图计算
7.1 背景和问题描述
7.2 常用算法介绍
7.2.1 PageRank
7.2.2 标签传播
7.2.3 中心性检测
7.2.4 图嵌入
7.3 落地案例
7.3.1 场景介绍
7.3.2 建模过程
7.3.3 结果分析
7.4 本章小结
第8章自动机器学习
8.1 场景介绍
8.2 自动化特征工程
8.2.1 自动多表特征扩展
8.2.2 自动特征构建
8.3 建模过程
8.4 结果分析
8.5 真实测试案例
8.5.1 数据集
8.5.2 前置设置
8.5.3 测试结果分析
8.5.4 Abalone 和 Airfoil Self-Noise 数据集的增强测试
8.5.5 小结
8.6 本章小结
第9章自然语言处理
9.1 自然语言处理算法原理
9.1.1 词向量
9.1.2 序列标注
9.1.3 关键词抽取
9.1.4 文本自动摘要
9.1.5 文本情感分析
9.2 使用Sophon建立自然语言处理模型
9.2.1 场景介绍
9.2.2 建模流程
9.2.3 模型评估
9.3 落地案例
9.4 本章小结
第10章计算机视觉
10.1 计算机视觉概述
10.2 计算机视觉算法原理
10.2.1 图像分类
10.2.2 目标检测
10.3 计算机视觉模型示例
10.3.1 图像预处理
10.3.2 图像分类算法建模
10.3.3 目标检测算法建模
10.4 落地案例
10.5 本章小结
附录A 企业级人工智能应用平台Sophon
A.1 产品架构
A.2 技术特点
A.3 组件介绍能
A.4 Sophon Edge 边缘计算
A.5 Sophon EP 实体画像
A.6 Sophon KG 知识图谱
A.7 Sophon CV 图像分析
A.8 Sophon NLP 自然语言处理
A.9 Sophon Cloud 服务管理



---------------------------移动平台深度神经网络实战：原理、架构与优化---------------------------


序一
序二
前言
第一篇　深度学习基础
第1章　向未来问好 2
1.1　机器学习即正义 2
1.1.1　照本宣科 3
1.1.2　关键概念概述 4
1.1.3　数学之美 5
1.2　机器学习的场景和任务 6
1.3　机器学习算法 8
1.3.1　分类算法 8
1.3.2　回归算法 8
1.3.3　聚类算法 8
1.3.4　关联分析算法 9
1.3.5　集成算法 9
1.3.6　强化算法 10
1.4　如何掌握机器学习 10
1.4.1　学习曲线 10
1.4.2　技术栈 11
1.5　深度学习 12
1.5.1　深度学习的贡献 12
1.5.2　深度学习框架简介 13
1.5.3　安装使用深度学习框架 16
1.5.4　深度学习进展 22
1.6　走进移动世界的深度学习 25
1.6.1　移动平台机器学习概述 25
1.6.2　难度和挑战 26
1.7　本书框架 26
1.8　本章小结 27
第2章　机器学习基础 28
2.1　机器学习的主要任务 28
2.2　贝叶斯模型 29
2.3　Logistic回归 33
2.3.1　线性回归 33
2.3.2　几率与Logit 35
2.3.3　Logistic回归 38
2.3.4　背景溯源 39
2.3.5　实现Logistic回归 42
2.4　本章小结 44
第3章　人工神经网络 45
3.1　人工神经网络简介 45
3.2　基本结构与前向传播 46
3.2.1　神经元 46
3.2.2　连接与网络 47
3.2.3　神经网络向量化 48
3.2.4　前向传播 50
3.3　反向传播算法 50
3.4　实现前向神经网络 53
3.4.1　神经网络与前向传播实现 53
3.4.2　Softmax回归 60
3.5　稀疏自编码器 61
3.5.1　引子 61
3.5.2　自编码器简介 61
3.5.3　稀疏自编码算法 63
3.6　神经网络数据预处理 64
3.6.1　去均值 64
3.6.2　归一化 65
3.7　本章小结 65
第4章　深度网络与卷积神经网络 66
4.1　深度网络 66
4.1.1　自我学习 66
4.1.2　特征学习 67
4.1.3　深度神经网络 68
4.1.4　逐层贪婪训练方法 69
4.2　卷积神经网络 70
4.2.1　全连接与部分连接网络 70
4.2.2　卷积 70
4.2.3　池化 72
4.2.4　卷积神经网络 73
4.3　卷积神经网络实现 73
4.3.1　Layer实现 74
4.3.2　Net实现 79
4.3.3　InnerProduct实现 92
4.3.4　Convolution实现 95
4.3.5　Pooling实现 101
4.3.6　定义注册头文件 109
4.4　本章小结 110
第二篇　移动平台深度学习基础
第5章　移动平台深度学习框架设计与实现 112
5.1　移动平台深度学习系统开发简介 112
5.2　ARM Linux基础开发环境 113
5.2.1　通用ARM工具链安装 114
5.2.2　Android NDK安装 114
5.2.3　树莓派工具链安装 115
5.3　TensorFlow Lite介绍 115
5.3.1　TensorFlow Lite特性 115
5.3.2　TensorFlow Lite架构 116
5.3.3　TensorFlow Lite代码结构 117
5.4　移动平台性能优化基础 118
5.4.1　ARM v8体系结构 119
5.4.2　ARM v8数据类型与寄存器 120
5.4.3　Neon指令集介绍 122
5.4.4　ARM v8内存模型 124
5.4.5　Neon指令集加速实例 127
5.5　本章小结 140
第6章　移动平台轻量级网络实战 141
6.1　适用于移动平台的轻量级网络 141
6.2　SqueezeNet 142
6.2.1　微观结构 142
6.2.2　宏观结构 142
6.2.3　核心思路 143
6.2.4　实战：用PyTorch实现SqueezeNet 144
6.3　MobileNet 153
6.4　ShuffleNet 154
6.5　MobileNet V2 155
6.5.1　MobileNet的缺陷 155
6.5.2　MobileNet V2的改进 155
6.5.3　网络结构 156
6.5.4　实战：用PyTorch实现MobileNet V2 157
6.6　本章小结 161
第三篇　深入理解深度学习
第7章　高性能数据预处理实战 164
7.1　数据预处理任务 164
7.1.1　数据清理 165
7.1.2　数据集成 165
7.1.3　数据归约 165
7.1.4　数据变换 166
7.2　数据标准化 166
7.3　PCA 167
7.3.1　PCA的现实问题 167
7.3.2　PCA的计算方法 167
7.3.3　PCA的数学理论基础 169
7.4　在Hurricane之上实现PCA 170
7.4.1　Hurricane实时处理系统 171
7.4.2　实现Hurricane Topology 172
7.4.3　实现PCA 178
7.5　本章小结 192
第8章　基于深度神经网络的物体检测与识别 193
8.1　模式识别与物体识别 193
8.1.1　模式识别 193
8.1.2　模式识别系统 194
8.1.3　传统模式识别方法 194
8.1.4　深度学习模式识别方法 197
8.2　图像分类 197
8.2.1　LeNet 197
8.2.2　AlexNet 200
8.2.3　数据抓取整理 203
8.2.4　数据预处理 204
8.2.5　数据训练 206
8.3　目标识别与物体检测 207
8.3.1　目标识别简介 207
8.3.2　R-CNN 208
8.3.3　SPP-Net 209
8.3.4　Fast R-CNN 211
8.3.5　Faster R-CNN 211
8.3.6　RetinaNet 213
8.4　检测识别实战 213
8.4.1　Faster R-CNN 214
8.4.2　RetinaNet 230
8.5　移动平台检测识别实战 237
8.5.1　移动平台系统开发思路 237
8.5.2　基于RetinaNet的检测定位实现 237
8.5.3　基于AlexNet的识别分类实现 244
8.5.4　接口设计封装 247
8.6　本章小结 258
第四篇　深入理解移动平台深度学习
第9章　深入移动平台性能优化 260
9.1　模型压缩 260
9.2　权重稀疏化 262
9.2.1　Structured Sparsity Learning 262
9.2.2　Dynamic Network Surgery 262
9.2.3　Dynamic Network Surgery实现 264
9.3　模型加速 275
9.3.1　半精度与权重量化 275
9.3.2　深度压缩 276
9.3.3　二值化网络 278
9.3.4　三值化网络 280
9.3.5　DoReFa-Net 282
9.3.6　编程实战 283
9.4　嵌入式优化 287
9.4.1　算法局限与改进 287
9.4.2　理论改进 287
9.4.3　编程实战 288
9.5　嵌入式优化代码实现 290
9.5.1　量化分析实现 290
9.5.2　层实现 302
9.5.3　量化矩阵计算 309
9.6　本章小结 313
第10章　数据采集与模型训练实战 314
10.1　收集海量数据 314
10.1.1　搜索引擎工作原理 315
10.1.2　HTTP会话 316
10.1.3　解决JavaScript渲染问题 316
10.2　图片数据爬虫实现 317
10.2.1　获取任务 318
10.2.2　解析图片 320
10.2.3　图片存储 326
10.2.4　图片去重 327
10.2.5　完成Topology 328
10.3　训练与测试 330
10.3.1　模型定义 330
10.3.2　训练 334
10.3.3　测试 342
10.3.4　封装 344
10.4　本章小结 345
第11章　移动和嵌入式平台引擎与工具实战 346
11.1　TensorFlow Lite构建 346
11.2　集成TensorFlow Lite 357
11.3　核心实现分析 358
11.3.1　解释器代码分析 358
11.3.2　图代码分析 373
11.3.3　操作符注册 381
11.3.4　操作符扩展实现 384
11.3.5　计算与优化模块 399
11.4　模型处理工具 407
11.5　本章小结 425
第12章　移动平台框架与接口实战 426
12.1　Core ML 426
12.1.1　准备数据和生成模型 427
12.1.2　App实战：引入Core ML实现 430
12.2　Android Neural Networks API 437
12.2.1　等等，Google还有一个ML Kit 437
12.2.2　NNAPI编程模型 437
12.2.3　创建网络与计算 439
12.2.4　JNI封装与调用 451
12.2.5　App实战：集成NNAPI 454
12.3　实战：实现Android图像分类器App 459
12.3.1　JNI封装 459
12.3.2　Java调用 474
12.4　未来之路 479
12.5　本章小结 480



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4