深度學習——高級大數據人纔培養叢書 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

劉鵬 著

圖書標籤:

• 深度學習
• 機器學習
• 大數據
• 人工智能
• 神經網絡
• TensorFlow
• PyTorch
• 數據挖掘
• 模式識彆
• 算法

齣版社： 電子工業齣版社

ISBN：9787121335211

版次：1

商品編碼：12316898

包裝：平裝

叢書名： 高級大數據人纔培養叢書

開本：16開

齣版時間：2018-01-01

用紙：膠版紙

頁數：268

字數：408000

正文語種：中文

産品特色

內容簡介

本書是深度學習的入門教材，係統地介紹瞭深度學習的基本概念與實戰應用，包括深度學習在圖像、語音、文本方嚮的應用，以及前沿發展等。本書分為10章，大緻為3個部分：第1部分（1-3章）介紹深度學習的基礎知識。第2部分（4-6章）介紹深度學習的各個方麵，從算法設計到模型實現。第3部分（8-10章）介紹深度學習的實戰應用以及前沿發展。每章都附有相應的習題和參考文獻，以便感興趣的讀者進一步深入思考。"讓學習變得輕鬆”是本書的基本編寫理念。本書適閤作為相關專業本科和研究生教材，也適閤作為深度學習研究與開發人員的入門書籍。

作者簡介

清華大學博士，解放軍理工大學教授、學科帶頭人，中國雲計算專傢委員會委員。主要研究方嚮為信息網格和雲計算，完成科研課題18項，發錶論文70餘篇，獲部級科技進步奬6項。曾奪得國際計算機排序比賽冠軍，並二次奪得全國高校科技比賽*高奬，獲“全軍十大學習成纔標兵”、“南京十大傑齣青年”和“清華大學學術新秀”等稱號。2002年首倡的“網格計算池”和2003年研發的“反垃圾郵件網格”分彆為雲計算和雲安全的前身。創辦瞭知名的中國網格和中國雲計算網站。

目錄

第1章 深度學習的來源與應用 1
1．1 人工智能的思想、流派與發展起落 1
1．1．1 人工智能的思潮流派和主要研究與應用領域 2
1．1．2 人工智能的三起三落 4
1．2 什麼是深度學習 6
1．2．1 我們不分離――數據和算法 6
1．2．2 深度學習基礎 9
1．3 機器學習與深度學習 10
1．3．1 機器學習的定義與種類 10
1．3．2 機器學習的任務與方法 13
1．3．3 深度學習的提齣 16
1．4 深度學習的應用場景 18
1．4．1 應用場閤和概念層次 18
1．4．2 主要開發工具和框架 20
1．4．3 人工智能、深度學習有關學術會議和賽事 22
習題 24
參考文獻 24
第2章 深度學習的數學基礎 26
2．1 綫性代數 26
2．1．1 嚮量空間 26
2．1．2 矩陣分析 28
2．2 概率與統計 30
2．2．1 概率與條件概率 30
2．2．2 貝葉斯理論 33
2．2．3 信息論基礎 35
2．3 多元微積分 39
2．3．1 導數和偏導數 39
2．3．2 梯度和海森矩陣 42
2．3．3 最速下降法 44
2．3．4 隨機梯度下降算法 45
習題 48
參考文獻 50
第3章 人工神經網絡與深度學習 51
3．1 探秘大腦的工作原理 52
3．1．1 人類活動抽象與深度學習模型 53
3．1．2 人腦神經元的結構 54
3．1．3 人腦神經元功能 55
3．1．4 人腦視覺機理 57
3．2 人腦神經元模型 59
3．2．1 人腦神經元模型介紹 60
3．2．2 激活函數 62
3．3 M-P模型 64
3．3．1 標準M-P模型 65
3．3．2 改進的M-P模型 66
3．4 人腦神經網絡的互連結構 66
3．4．1 前饋神經網絡 67
3．4．2 反饋網絡 67
3．5 人工神經網絡的學習 68
3．5．1 人工神經網絡的學習方式 68
3．5．2 神經網絡的學習規則 71
3．5．3 人工神經網絡算法基本要求 73
3．5．4 神經網絡計算特點 74
3．6 人工神經網絡的特點 75
3．7 神經網絡基本概念與功能 76
3．7．1 幾個基本概念 76
3．7．2 基本功能 78
3．7．3 感知機的局限性 83
3．8 深度學習其他網絡結構 84
3．8．1 捲積神經網絡 88
3．8．2 循環（遞歸）神經網絡 94
習題 97
參考文獻 98
第4章 深度學習基本過程 99
4．1 正嚮學習過程 99
4．1．1 正嚮學習概述 99
4．1．2 正嚮傳播的流程 100
4．1．3 正嚮傳播的詳細原理 100
4．2 反嚮調整過程 102
4．2．1 反嚮調整概述 102
4．2．2 反嚮傳播過程詳解 103
4．2．3 深層模型反嚮調整的問題與對策 106
4．3 手寫體數字識彆實例 107
4．3．1 數據準備 107
4．3．2 網絡設計 109
4．3．3 模型訓練 115
4．3．4 模型測試 116
習題 121
參考文獻 121
第5章 深度學習主流模型 122
5．1 捲積神經網絡 123
5．1．1 CNN概念 123
5．1．2 CNN常用算法 127
5．1．3 CNN訓練技巧 131
5．2 循環神經網絡 132
5．2．1 RNN結構 132
5．2．2 RNN訓練 133
5．2．3 RNN訓練技巧 135
習題 136
參考文獻 136
第6章 深度學習的主流開源框架 138
6．1 Caffe 138
6．1．1 Caffe框架 138
6．1．2 安裝Caffe 139
6．1．3 案例：基於Caffe的目標識彆 145
6．2 TensorFlow 146
6．2．1 TensorFlow框架 146
6．2．2 安裝TensorFlow 147
6．2．3 案例：基於TensorFlow的目標識彆 149
6．3 其他開源框架 150
6．3．1 CNTK 150
6．3．2 MXNet 151
6．3．3 Theano 151
6．3．4 Torch 151
6．3．5 Deeplearning4j 152
習題 153
參考文獻 153
第7章 深度學習在圖像中的應用 154
7．1 圖像識彆基礎 154
7．2 基於深度學習的大規模圖像識彆 155
7．2．1 大規模圖像數據庫：ImageNet 155
7．2．2 AlexNet網絡結構 156
7．2．3 非綫性激活函數ReLU 157
7．2．4 在多GPU上進行實現 158
7．2．5 增加訓練樣本 158
7．2．6 dropout技術 159
7．3 應用舉例：人臉識彆 160
7．3．1 人臉識彆的經典流程 160
7．3．2 人臉圖像數據庫 161
7．3．3 基於深度學習的人臉識彆方法 162
7．4 應用舉例：圖像風格化 163
7．4．1 內容重構 164
7．4．2 風格重構 165
7．4．3 內容與風格的重組 166
7．5 應用舉例：圖像標注 167
7．5．1 基於深度網絡的圖像標注方法概述 168
7．5．2 視覺語義對齊 169
7．5．3 為新圖像生成對應文本描述 171
習題 172
參考文獻 172
第8章 深度學習在語音中的應用 174
8．1 語音識彆基礎 174
8．1．1 人類之間的交流 175
8．1．2 人機交流 175
8．1．3 語音識彆係統的基本結構 176
8．1．4 特徵提取 176
8．1．5 聲學模型 177
8．1．6 語言模型 177
8．1．7 解碼器 178
8．1．8 用於語音識彆的GMM-HMM模型 178
8．2 基於深度學習的連續語音識彆 181
8．2．1 DNN-HMM混閤係統 181
8．2．2 CD-DNN-HMM的關鍵模塊及分析 185
8．3 應用舉例：語音輸入法 190
8．3．1 案例背景 190
8．3．2 語音輸入法設計 191
8．3．3 語音中心SpeechCenter的設計 192
8．3．4 輸入法FreeVoice的設計 194
8．3．5 FreeVoice和SpeechCenter之間的通信設計 196
習題 198
參考文獻 198
第9章 深度學習在文本中的應用 201
9．1 自然語言處理基礎 201
9．1．1 正則錶達式和自動機 202
9．1．2 句法處理 203
9．1．3 詞的分類和詞性標注 203
9．1．4 上下文無關語法 205
9．1．5 淺層語法分析 205
9．1．6 語義分析 206
9．1．7 語義網絡 206
9．1．8 詞匯關係信息庫 206
9．2 基於深度學習的文本處理 207
9．2．1 詞匯嚮量化錶示 207
9．2．2 句法分析 209
9．2．3 神經機器翻譯 209
9．2．4 情感分析 210
9．3 應用舉例：機器翻譯 211
9．4 應用舉例：聊天機器人 215
9．4．1　聊天機器人的主要功能模塊 216
9．4．2　主要的技術挑戰 217
9．4．3　深度學習構建智能聊天機器人 218
習題 220
參考文獻 220
第10章 深度學習前沿發展 222
10．1 增強學習 222
10．1．1 增強學習的基本概念 222
10．1．2 增強學習的過程 224
10．1．3 增強學習的應用 225
10．2 遷移學習 225
10．2．1 遷移學習的定義 226
10．2．2 遷移學習的分類 226
10．2．3 遷移學習的應用場景 226
10．3 記憶網絡 228
10．3．1 循環神經網絡 228
10．3．2 長短期記憶網絡 228
10．3．3 長短期記憶變體 231
10．4 深度學習的硬件實現 232
10．4．1 FPGA 232
10．4．2 ASIC 233
10．4．3 TPU 234
10．4．4 寒武紀 235
10．4．5 TrueNorth 237
習題 238
參考文獻 238
附錄A 人工智能和大數據實驗環境 240

前言/序言

總序

短短幾年間，大數據就以一日韆裏的發展速度，快速實現瞭從概念到落地，直接帶動瞭相關産業井噴式發展。全球多傢研究機構統計數據顯示，大數據産業將迎來發展黃金期：IDC預計，大數據和分析市場將從2016年的1300億美元增長到2020年的2030億美元以上；中國報告大廳發布的大數據行業報告數據也說明，自2017年起,我國大數據産業將迎來發展黃金期，未來2~3年的市場規模增長率將保持在35%左右。

數據采集、數據存儲、數據挖掘、數據分析等大數據技術在越來越多的行業中得到應用，隨之而來的就是大數據人纔問題的凸顯。麥肯锡預測，每年數據科學專業的應屆畢業生將增加7%，然而僅高質量項目對於專業數據科學傢的需求每年就會增加12%，完全供不應求。根據《人民日報》的報道，未來3~5年，中國需要180萬數據人纔，但目前隻有約30萬人，人纔缺口達到150萬之多。

以貴州大學為例，其首屆大數據專業研究生就業率就達到100%，可以說“一搶而空”。急切的人纔需求直接催熱瞭大數據專業，國傢教育部正式設立“數據科學與大數據技術”本科新專業。目前已經有兩批共計35所大學獲批，包括北京大學、中南大學、對外經濟貿易大學、中國人民大學、北京郵電大學、復旦大學等。估計2018年會有幾百所高校獲批。

不過，就目前而言，在大數據人纔培養和大數據課程建設方麵，大部分高校仍然處於起步階段，需要探索的還有很多。首先，大數據是個新生事物，懂大數據的老師少之又少，院校缺“人”；其次，尚未形成完善的大數據人纔培養和課程體係，院校缺“機製”；再次，大數據實驗需要為每位學生提供集群計算機，院校缺“機器”；最後，院校沒有海量數據，開展大數據教學科研工作缺“原材料”。

其實，早在網格計算和雲計算興起時，我國科技工作者就曾遇到過類似的挑戰，我有幸參與瞭這些問題的解決過程。為瞭解決網格計算問題，我在清華大學讀博期間，於2001年創辦瞭中國網格信息中轉站網站，每天花幾個小時收集和分享有價值的資料給學術界，此後我也多次籌辦和主持全國性的網格計算學術會議，進行信息傳遞與知識分享。2002年，我與其他專傢閤作的《網格計算》教材也正式麵世。

2008年，當雲計算開始萌芽之時，我創辦瞭中國雲計算網站（chinacloud.cn）（在各大搜索引擎“雲計算”關鍵詞中排名第一），2010年齣版瞭《雲計算（第一版）》、2011年齣版瞭《雲計算（第二版）》、2015年齣版瞭《雲計算（第三版）》，每一版都花費瞭大量成本製作並免費分享對應的幾十個教學PPT。目前，這些PPT的下載總量達到瞭幾百萬次之多。同時，《雲計算》教材也成為國內高校的首選教材，在CNKI公布的高被引圖書名單中，對於2010年以來齣版的所有圖書，《雲計算(第一版)》在自動化和計算機領域排名全國第一。除瞭資料分享，在2010年，我在南京組織瞭全國高校雲計算師資培訓班，培養瞭國內第一批雲計算老師，並通過與華為、中興、360等知名企業閤作，輸齣雲計算技術，培養雲計算研發人纔。這些工作獲得瞭大傢的認可與好評，此後我接連擔任瞭工信部雲計算研究中心專傢、中國雲計算專傢委員會雲存儲組組長等職位。

近幾年，麵對日益突齣的大數據發展難題，我也正在嘗試使用此前類似的辦法去應對這些挑戰。為瞭解決大數據技術資料缺乏和交流不夠通透的問題，我於2013年創辦瞭中國大數據網站（thebigdata.cn），投入大量的人力進行日常維護，該網站目前已經在各大搜索引擎的“大數據”關鍵詞排名中位居第一；為瞭解決大數據師資匱乏的問題，我麵嚮全國院校陸續舉辦多期大數據師資培訓班。2016年年末至今，在南京多次舉辦全國高校/高職/中職大數據免費培訓班，基於《大數據》《大數據實驗手冊》以及雲創大數據提供的大數據實驗平颱，幫助到場老師們跑通瞭Hadoop、Spark等多個大數據實驗，使他們跨過瞭“從理論到實踐，從知道到用過”的門檻。2017年5月，還舉辦瞭全國韆所高校大數據師資免費講習班，盛況空前。

其中，為瞭解決大數據實驗難的問題而開發的大數據實驗平颱，正在為越來越多高校的教學科研帶去方便：2016年，我帶領雲創大數據（www.cstor.cn，股票代碼：835305）的科研人員，應用Docker容器技術，成功開發瞭BDRack大數據實驗一體機，它打破虛擬化技術的性能瓶頸，可以為每一位參加實驗的人員虛擬齣Hadoop集群、Spark集群、Storm集群等，自帶實驗所需數據，並準備瞭詳細的實驗手冊（包含42個大數據實驗）、PPT和實驗過程視頻，可以開展大數據管理、大數據挖掘等各類實驗，並可進行精確營銷、信用分析等多種實戰演練。目前，大數據實驗平颱已經在鄭州大學、西京學院、鄭州升達經貿管理學院、鎮江高等職業技術學校等多所院校成功應用，並廣受校方好評。該平颱也以雲服務的方式在綫提供（大數據實驗平颱，https://bd.cstor.cn），幫助師生通過自學，用一個月左右的時間成為大數據動手的高手。

同時，為瞭解決缺乏權威大數據教材的問題，我所負責的南京大數據研究院，聯閤金陵科技學院、河南大學、雲創大數據、中國地震局等多傢單位，曆時兩年，編著齣版瞭適閤本科教學的《大數據》《大數據庫》《大數據實驗手冊》等教材。另外，《數據挖掘》《虛擬化與容器》《大數據可視化》《深度學習》等本科教材也將於近期齣版。在大數據教學中，本科院校的實踐教學應更加係統性，偏嚮新技術的應用，且對工程實踐能力要求更高。而高職、高專院校則更偏嚮於技術性和技能訓練，理論以夠用為主，學生將主要從事數據清洗和運維方麵的工作。基於此，我們還聯閤多傢高職院校專傢準備瞭《雲計算基礎》《大數據基礎》《數據挖掘基礎》《R語言》《數據清洗》《大數據係統運維》《大數據實踐》係列教材，目前也已經陸續進入定稿齣版階段。

此外，我們也將繼續在中國大數據（thebigdata.cn）和中國雲計算（chinacloud.cn）等網站免費提供配套PPT和其他資料。同時，持續開放大數據實驗平颱（https://bd.cstor.cn）、免費的物聯網大數據托管平颱萬物雲（wanwuyun.com）和環境大數據免費分享平颱環境雲（envicloud.cn），使資源與數據隨手可得，讓大數據學習變得更加輕鬆。

在此，特彆感謝我的碩士導師謝希仁教授和博士導師李三立院士。謝希仁教授所著的《計算機網絡》已經更新到第7版，與時俱進且日臻完美，時時提醒學生要以這樣的標準來寫書。李三立院士是留蘇博士，為我國計算機事業做齣瞭傑齣貢獻，曾任國傢攀登計劃項目首席科學傢。他嚴謹治學的態度帶齣瞭一大批傑齣的學生。

本叢書是集體智慧的結晶，在此謹嚮付齣辛勤勞動的各位作者緻敬！書中難免會有不當之處，請讀者不吝賜教。我的郵箱：gloud@126.com，微信公眾號：劉鵬看未來（lpoutlook）。

劉鵬

於南京大數據研究院

前言

自2012年以來，深度學習在圖像識彆上取得瞭重大突破，使得深度學習技術得到瞭前所未有的關注。越來越多的科研人員與工程技術人員投入到深度學習的研究中，湧現齣瞭大量的深度學習開源框架和成功應用，各種基於深度學習的技術和應用也層齣不窮。有關深度學習的文章、評論、文檔也非常多。然而尚缺乏針對本科生入門的係統性深度學習教材，以使讀者可以瞭解深度學習的來龍去脈，為以後進一步使用深度學習做相關應用或者深入研究深度學習技術奠定基礎。

南京大數據研究院劉鵬教授順勢而為，周密思考，在高級大數據人纔培養課程體係中，專門設立深度學習課程，並邀請全國上百傢高校中從事一綫教學科研任務的教師一起，編撰高級大數據人纔培養叢書。本書即該套叢書之一。

本書的定位是深度學習。以“讓學習變得輕鬆”為根本齣發點，介紹深度學習的入門知識，通過淺顯易懂的語言，將深度學習的發展過程說清楚，以便將來對深度學習進行進一步深入研究或應用。本書特彆注重動手能力，因此對於書中所有的例子和實驗，都可以使用深度學習一體機進行練習。讀者在讀完本書之後，不僅僅瞭解瞭深度學習的原理，更重要的是，可以自己搭建深度學習的環境，訓練自己的深度學習模型，甚至構建深度學習的原型係統。

本書以教育部“十三五”規劃和學校的相關規劃發展為依據，響應國傢有關大力發展人工智能的號召，遵循本科教育的規律，順應學生身心發展的特點，緻力於構建開放而有力的教材體係，促進學生學習方式的改變，全麵提高學生的知識素養，為他們的終身學習、生活和工作奠定堅實的理論和實踐基礎。作為深度學習的入門教材，本書分彆從基本概念、基礎與應用（包括深度學習在圖像、語音、文本方嚮的應用），以及前沿發展等方麵係統介紹瞭深度學習。本書大緻分3個部分：第1部分介紹深度學習的基礎知識。第2部分介紹深度學習模型與算法。第3部分介紹深度學習的應用，最後附上人工智能和大數據實驗環境的介紹供讀者參考。

本書得到瞭南京大數據研究院院長劉鵬教授，金陵科技學院副校長張燕教授的大力支持。2015年度江蘇高校優秀科技創新團隊“大數據智能挖掘信息技術研究”在書稿提綱和內容組織上提齣瞭諸多建設性意見。編寫過程得到瞭金陵科技學院高層次人纔科研啓動基金（40610186）、國傢自然科學基金（61472005）、江蘇高校軟件工程品牌專業建設工程（PPZY2015B140）的資助。同時，南京大學吳建鑫教授和南京信息工程大學袁曉彤教授評閱瞭本書的稿件，對本書給予瞭全麵指導和幫助。在此一並緻謝。

當前，深度學習技術處在高速的發展階段，其概念內涵、技術方法、應用模式都在不斷演化之中。由於時間和水平所限，本書還存在缺點和不足，歡迎讀者不吝賜教，批評指正。

編 者

2017年10月

《大數據分析的基石：從數據清洗到模式識彆》 引言： 數據，已然成為當今世界中最寶貴的資源之一。從海量用戶行為的記錄，到精密的科學實驗數據，再到物聯網設備産生的滾滾信息流，數據以前所未有的速度和規模湧現。然而，原始數據本身往往充斥著噪聲、缺失、重復和不一緻，雜亂無章的狀態使得其價值難以直接顯現。如何從這些看似混亂的數據中提煉齣有意義的信息，進而發現隱藏的規律、預測未來的趨勢、支持關鍵的決策，已成為每一個希望在數據驅動時代取得成功的組織和個人所麵臨的重大挑戰。《大數據分析的基石：從數據清洗到模式識彆》正是為瞭應對這一挑戰而生，它將帶領讀者踏上一段深入探究大數據分析核心流程的旅程，從最基礎但至關重要的數據預處理階段，逐步深入到能夠揭示數據內在奧秘的模式識彆技術。 本書並非聚焦於某一特定領域的高深理論或前沿算法，而是緻力於構建一個堅實、實用的知識體係，幫助讀者掌握大數據分析的必備技能。我們將逐一剖析數據從原始狀態轉化為可分析、可洞察的高質量數據的完整過程，並在此基礎上，介紹如何運用各種統計學和機器學習方法，從中提取有價值的模式和洞見。本書的目標是賦予讀者一套行之有效的工具箱和一套清晰的思維框架，使他們能夠自信地處理真實世界中的大數據難題。 第一部分：數據質量的守護者——數據清洗與預處理 在著手任何復雜的分析任務之前，確保數據的質量是不可或缺的第一步。如同建築的根基，不牢固的數據基礎將導緻後續所有分析工作的脆弱不堪。本部分將深入探討數據清洗與預處理的方方麵麵，這是通往有效大數據分析的必由之路。 第一章：數據的“健康檢查”——識彆與理解數據質量問題 在開始清洗之前，我們首先需要瞭解數據中可能存在哪些“病癥”。本章將引導讀者學習如何審視數據，識彆各種潛在的質量問題。我們將介紹： 數據類型與結構分析： 理解數據的基本類型（數值型、類彆型、文本型、日期型等）以及數據的組織結構（錶格、嵌套結構等），並學習如何通過可視化和統計方法來初步瞭解數據的分布特徵。 缺失值檢測與處理策略： 缺失值是數據中最常見的問題之一。我們將詳細討論不同類型的缺失（完全隨機缺失、隨機缺失、非隨機缺失），以及各種處理方法，包括刪除法（行刪除、列刪除）、填充法（均值填充、中位數填充、眾數填充、插值法、模型預測填充）及其各自的優缺點和適用場景。 異常值（離群點）的識彆與處置： 異常值可能會極大影響分析結果的準確性。本章將介紹多種異常值檢測方法，例如基於統計學的Z-score、IQR（四分位距）方法，以及基於可視化（箱綫圖、散點圖）的直觀判斷。對於識彆齣的異常值，我們將探討如何進行處理，包括刪除、替換為閤理值，或是將其視為特殊情況進行單獨分析。 重復值檢測與消除： 重復記錄會人為地放大某些數據的權重，導緻分析結果的偏差。我們將學習如何高效地檢測和移除數據集中的重復記錄，並討論如何處理部分重復或近似重復的情況。 數據一緻性與準確性檢查： 現實世界的數據往往存在格式不統一、單位不一緻、邏輯錯誤等問題。本章將介紹如何進行跨字段、跨記錄的一緻性校驗，例如檢查日期是否符閤邏輯、數值範圍是否閤理、類彆標簽是否規範等，並提供相應的糾正方法。 第二章：數據預處理的藝術——轉換、規約與特徵工程 識彆並處理完數據中的“病竈”後，下一步是將數據轉化為更適閤分析的“健康”狀態。本章將聚焦於數據轉換、規約以及構建更具錶現力的特徵。 數據類型轉換： 經常需要將類彆型數據轉換為數值型（如獨熱編碼、標簽編碼），或將數值型數據離散化為類彆型。我們將深入探討這些轉換的原理、實現方式以及對後續模型的影響。 數據標準化與歸一化： 不同尺度的數據會影響到某些算法的性能。本章將詳細講解標準化（Z-score標準化）和歸一化（Min-Max歸一化）的概念、計算方法及其在不同機器學習算法中的重要性。 特徵編碼技術： 對於類彆型特徵，需要將其轉化為模型能夠理解的數值形式。我們將介紹獨熱編碼（One-Hot Encoding）、標簽編碼（Label Encoding）、有序編碼（Ordinal Encoding）等多種編碼技術，並討論其適用場景和潛在的陷阱。 文本數據預處理： 文本數據作為大數據的重要組成部分，其預處理尤為關鍵。本章將涵蓋文本清洗（去除標點、特殊字符、數字）、分詞（中文分詞、英文分詞）、詞形還原/詞乾提取、去除停用詞等關鍵步驟。 特徵工程的魅力： 特徵工程是數據分析中最具創造性和影響力的環節之一。我們將學習如何基於原始特徵創造新的、更能捕捉數據潛在信息的特徵，例如多項式特徵、交互特徵、組閤特徵等。本章還將介紹一些常用的特徵工程策略，以提升模型的預測能力。 數據抽樣技術： 在處理超大規模數據集時，抽樣是常用的技術。我們將介紹簡單隨機抽樣、分層抽樣、係統抽樣等方法，並討論如何閤理選擇抽樣比例以兼顧效率和代錶性。 第二部分：洞察數據之魂——模式識彆與特徵提取 經過嚴謹的數據清洗與預處理，我們終於擁有瞭一份高質量的數據集。現在，我們將進入數據分析的核心階段，運用各種模式識彆技術，從這些數據中挖掘齣隱藏的價值。 第三章：數據概覽與探索性數據分析（EDA） 在正式建模之前，充分理解數據的分布、變量之間的關係以及潛在的模式至關重要。EDA是揭示數據特徵的基石。 描述性統計： 計算均值、中位數、方差、標準差、偏度、峰度等統計量，全麵瞭解數據的中心趨勢、離散程度和分布形態。 數據可視化技術： 強大的可視化工具能夠直觀地展現數據特徵。本章將介紹各種圖錶類型，如直方圖、密度圖、箱綫圖、散點圖、熱力圖、條形圖、摺綫圖等，並教授如何選擇最適閤展示特定信息的可視化方法。 變量間關係探索： 理解不同變量之間的相關性是發現模式的關鍵。我們將使用相關係數矩陣、散點圖矩陣等工具來探究變量間的綫性或非綫性關係，以及變量與目標變量之間的關聯。 聚類分析初步： 探索數據中自然形成的群體。本章將初步介紹聚類分析的基本思想，並通過一些簡單的可視化方法來初步觀察數據的分組情況。 第四章：維度規約與特徵選擇 有時，數據集中會包含大量冗餘或不重要的特徵，這不僅會增加計算復雜度，還可能導緻模型過擬閤。本章將介紹如何有效地減少數據維度。 主成分分析（PCA）： 學習PCA的原理，如何通過綫性變換將高維數據投影到低維空間，同時保留盡可能多的信息。我們將探討PCA的應用場景，如降噪、可視化和特徵提取。 獨立成分分析（ICA）： 介紹ICA的基本概念，用於從混閤信號中分離齣獨立的源信號。 特徵選擇方法： 除瞭降維，直接選擇最相關的特徵也是一種有效的策略。本章將介紹過濾法（如基於相關性、卡方檢驗）、包裹法（如遞歸特徵消除）和嵌入法（如Lasso迴歸）等特徵選擇技術。 第五章：模式識彆的基礎：分類與迴歸 分類和迴歸是監督學習中最核心的任務，也是模式識彆的典型應用。 分類算法簡介： 邏輯迴歸（Logistic Regression）： 學習其用於二分類問題的原理、模型參數的估計以及如何解釋模型結果。 K近鄰（KNN）： 理解基於距離的分類思想，以及如何選擇閤適的K值和距離度量。 決策樹（Decision Trees）： 學習如何構建決策樹，包括節點分裂準則（如信息增益、基尼係數）以及剪枝技術。 支持嚮量機（SVM）： 介紹SVM的基本原理，包括最大間隔分類器、核函數的使用以及如何處理非綫性可分情況。 迴歸算法簡介： 綫性迴歸（Linear Regression）： 學習其基本模型、參數估計（最小二乘法）以及模型評估指標。 嶺迴歸（Ridge Regression）與Lasso迴歸： 瞭解正則化技術的應用，如何解決過擬閤問題，並實現特徵選擇。 多項式迴歸（Polynomial Regression）： 學習如何處理非綫性關係。 模型評估與選擇： 學習各種評估指標，如準確率、精確率、召迴率、F1分數、ROC麯綫、AUC值（分類），以及均方誤差（MSE）、R²分數（迴歸）。瞭解交叉驗證在模型評估中的作用。 第六章：揭示數據結構的秘密：聚類與降維 聚類是一種無監督學習方法，旨在發現數據集中隱藏的群體結構。 K-Means聚類： 深入理解K-Means算法的原理，包括簇的中心選擇、分配和更新過程，以及如何選擇閤適的K值。 層次聚類（Hierarchical Clustering）： 學習凝聚式和分裂式層次聚類的構建方法，以及如何解釋聚類樹（Dendrogram）。 DBSCAN聚類： 瞭解基於密度的聚類方法，如何發現任意形狀的簇，並處理噪聲點。 降維技術的進一步應用： 除瞭PCA，還將涉及t-SNE等可視化降維技術，用於在高維空間中探索數據的內在結構，並輔助理解聚類結果。 第七章：關聯規則挖掘與異常檢測 關聯規則挖掘： 學習如何發現數據項之間的有趣關係，例如“購買瞭商品A的顧客也經常購買商品B”。我們將介紹Apriori算法等經典算法，以及支持度、置信度和提升度等度量指標。 異常檢測（進一步探討）： 結閤聚類和統計方法，進一步學習更高級的異常檢測技術，如基於孤立森林（Isolation Forest）等。 結語： 《大數據分析的基石：從數據清洗到模式識彆》旨在為讀者打下堅實的理論基礎和實踐能力，使其能夠從容應對大數據時代的挑戰。本書的編寫風格力求清晰易懂，同時兼顧瞭技術實現的細節。我們相信，通過對本書內容的深入學習和實踐，讀者將能夠掌握從原始數據到有價值洞見的轉化能力，為進一步學習更高級的大數據技術和算法奠定堅實的基礎，並在各自的領域內，利用數據驅動的方式，創造更大的價值。

評分☆☆☆☆☆

這本書剛拿到手，就被它的厚度鎮住瞭，厚厚的一疊，沉甸甸的分量，一看就知道內容相當紮實。我從事大數據分析有幾年瞭，雖然日常工作離不開數據，但總覺得在理論深度上有所欠缺，尤其是在如何更有效地利用和處理海量數據方麵，總有瓶頸。市麵上關於大數據技術的書籍很多，但大多側重於工具和實踐，真正能觸及底層原理、從宏觀角度剖析大數據處理流程的書籍卻不常見。這本書的書名讓我眼前一亮，“深度學習”和“高級大數據人纔培養”的結閤，讓我看到瞭它可能填補的知識空白。包裝也很精美，印刷質量沒得說，紙張手感也很好，翻閱起來非常舒服。我迫不及待地想開始閱讀，希望它能帶我進入一個全新的認知領域，解決我在工作中遇到的那些棘手問題。我特彆期待能夠學習到如何將更先進的算法應用於大數據場景，從而挖掘齣數據中隱藏的更深層次的價值。

評分☆☆☆☆☆

拿到這本書，我的第一反應就是它可能是一本“硬核”技術書。我一直認為，在大數據領域，僅僅掌握現成的工具和框架是遠遠不夠的，理解背後的原理和算法纔是關鍵。這本書的書名恰恰點齣瞭這一點，“深度學習”代錶著算法的深度，“大數據人纔培養”則暗示瞭其理論的係統性和前沿性。我特彆期待書中能夠詳細講解一些常用的深度學習模型，並說明它們在大數據分析中的具體應用場景和優化方法。比如，在處理大規模文本數據或圖像數據時，如何選擇閤適的深度學習模型，如何進行有效的特徵工程，以及如何處理模型訓練中的過擬閤和欠擬閤問題。我希望這本書不僅能讓我瞭解“是什麼”，更能讓我明白“為什麼”以及“怎麼做”，從而真正提升自己的技術水平。

評分☆☆☆☆☆

我是一位在大數據領域摸爬滾打多年的老兵瞭，見證瞭大數據技術從興起到爆發的全過程。這些年，我接觸過不少相關的書籍，有的內容陳舊，有的過於晦澀，有的則停留在錶麵。這本書的名字聽起來就很有分量，"深度學習"和"高級大數據人纔培養"這幾個關鍵詞，讓我聯想到它可能涵蓋瞭當前大數據領域最前沿的技術和最核心的理論。我更感興趣的是書中對於大數據生態係統中深度學習的係統性闡述，包括它如何融入數據采集、清洗、存儲、處理、分析、可視化等各個環節，以及如何與其他大數據技術（如Hadoop、Spark等）協同工作。我期待這本書能夠提供一種全新的視角，幫助我理解大數據背後更深層次的邏輯，以及如何利用深度學習的力量來優化現有的大數據應用，甚至創造齣全新的解決方案。

評分☆☆☆☆☆

我是一名正在努力轉型為大數據分析師的學生，對於大數據技術充滿瞭好奇和求知欲。市麵上的大數據教材和入門書籍很多，但我總覺得它們不夠深入，無法讓我建立起對整個大數據技術體係的全麵認知。當我看到這本書的名字時，我立刻被吸引瞭。它將“深度學習”這一前沿技術與“高級大數據人纔培養”的目標相結閤，這正是我目前最需要的。我希望通過閱讀這本書，能夠係統地學習深度學習在大數據分析中的應用，瞭解如何利用深度學習來解決更復雜的數據問題，比如預測分析、異常檢測、推薦係統等等。我尤其希望書中能夠包含一些實際的案例研究和代碼示例，這樣我纔能更好地將理論知識轉化為實踐技能，為我未來的職業發展打下堅實的基礎。

評分☆☆☆☆☆

說實話，我之前對深度學習的瞭解僅限於一些皮毛，知道它在圖像識彆、自然語言處理等領域錶現齣色，但總覺得和自己日常的大數據分析工作有些距離。然而，這本書的齣現徹底改變瞭我的看法。它不僅僅是介紹深度學習的理論，更重要的是，它將深度學習的技術與大數據處理緊密地結閤起來，為我們展示瞭如何利用深度學習的能力來解決大數據領域的挑戰。我尤其對書中關於如何構建高效的大數據深度學習模型的部分感到好奇，例如如何處理海量數據的分布式訓練，如何優化模型以適應大數據集，以及如何評估和部署這些模型。書中的案例分析和實際操作指導，讓我覺得這本書非常接地氣，不像一些純理論的書籍那樣空洞。我希望通過學習這本書，能夠掌握一些實用的技能，提升自己在大數據領域的核心競爭力，成為一名真正意義上的“高級人纔”。

評分☆☆☆☆☆

非常好哦，速度很快，喜歡喜歡～下次還買

評分☆☆☆☆☆

整體結構和內容設計得還可以，適閤入門瞭解深度學習概況。但是說好配套的PPT在書中提到的所有網站還有齣版社網站都找不到，如果需要ppt的，需謹慎！

評分☆☆☆☆☆

最近工作上需求比較大，買教材係統學一下

評分☆☆☆☆☆

包裝完好，到貨很快。

評分☆☆☆☆☆

非常棒！纔開始看，適閤新人！

評分☆☆☆☆☆

京東的物流挺快的，書的質量也很好

評分☆☆☆☆☆

老公要看的書！正版

評分☆☆☆☆☆

衝著最新改版而購，看封麵還算可以，應該是正版吧。

評分☆☆☆☆☆

頭天晚上下單，第二天早上就收到書瞭，響應速度挺快的。