独自流浪的巨蟹

深度学习如今已经成为了科技领域最炙手可热的技术，在本书中，我们将帮助你入门深度学习的领域。本书将从人工智能的介绍入手，了解机器学习和深度学习的基础理论，并学习如何用PyTorch框架对模型进行搭建。通过阅读本书，你将会学习到机器学习中的线性回归和logistic回归，深度学习的优化方法，多层全连接神经网络，卷积神经网络，循环神经网络以及生成对抗网络，同时从零开始对PyTorch进行学习，了解PyTorch基础及如何用其进行模型的搭建，最后通过实战了解最前沿的研究成果和PyTorch在实际项目中的应用。 第1章 深度学习介绍 1 1.1 人工智能 1 1.2 数据挖掘、机器学习与深度学习 2 1.2.1 数据挖掘 3 1.2.2 机器学习 3 1.2.3 深度学习 4 1.3 学习资源与建议 8 第2章 深度学习框架 11 2.1 深度学习框架介绍 11 2.2 PyTorch 介绍 13 2.2.1 什么是PyTorch 13 2.2.2 为何要使用PyTorch 14 2.3 配置PyTorch 深度学习环境 15 2.3.1 操作系统的选择 15 2.3.2 Python 开发环境的安装 16 2.3.3 PyTorch 的安装 18 第3章 多层全连接神经网络 24 3.1 热身：PyTorch 基础 24 3.1.1 Tensor（张量） 24 3.1.2 Variable（变量） 26 3.1.3 Dataset（数据集） 28 3.1.4 nn.Module（模组） 29 3.1.5 torch.optim（优化） 30 3.1.6 模型的保存和加载 31 3.2 线性模型 32 3.2.1 问题介绍 32 3.2.2 一维线性回归 33 3.2.3 多维线性回归 34 3.2.4 一维线性回归的代码实现 35 3.2.5 多项式回归 38 3.3 分类问题 42 3.3.1 问题介绍 42 3.3.2 Logistic 起源 42 3.3.3 Logistic 分布 42 3.3.4 二分类的Logistic 回归 43 3.3.5 模型的参数估计 44 3.3.6 Logistic 回归的代码实现 45 3.4 简单的多层全连接前向网络 49 3.4.1 模拟神经元 49 3.4.2 单层神经网络的分类器 50 3.4.3 激活函数 51 3.4.4 神经网络的结构 54 3.4.5 模型的表示能力与容量 55 3.5 深度学习的基石：反向传播算法 57 3.5.1 链式法则 57 3.5.2 反向传播算法 58 3.5.3 Sigmoid 函数举例 58 3.6 各种优化算法的变式 59 3.6.1 梯度下降法 59 3.6.2 梯度下降法的变式 62 3.7 处理数据和训练模型的技巧 64 3.7.1 数据预处理 64 3.7.2 权重初始化 66 3.7.3 防止过拟合 67 3.8 多层全连接神经网络实现MNIST 手写数字分类 69 3.8.1 简单的三层全连接神经网络 70 3.8.2 添加激活函数 70 3.8.3 添加批标准化 71 3.8.4 训练网络 71 第4章 卷积神经网络 76 4.1 主要任务及起源 76 4.2 卷积神经网络的原理和结构 77 4.2.1 卷积层 80 4.2.2 池化层 84 4.2.3 全连接层 85 4.2.4 卷积神经网络的基本形式 85 4.3 PyTorch 卷积模块 87 4.3.1 卷积层 87 4.3.2 池化层 88 4.3.3 提取层结构 90 4.3.4 如何提取参数及自定义初始化 91 4.4 卷积神经网络案例分析 92 4.4.1 LeNet 93 4.4.2 AlexNet 94 4.4.3 VGGNet 95 4.4.4 GoogLeNet 98 4.4.5 ResNet 100 4.5 再实现MNIST 手写数字分类 103 4.6 图像增强的方法 105 4.7 实现cifar10 分类 107 第5章 循环神经网络 111 5.1 循环神经网络 111 5.1.1 问题介绍 112 5.1.2 循环神经网络的基本结构 112 5.1.3 存在的问题 115 5.2 循环神经网络的变式：LSTM 与GRU 116 5.2.1 LSTM 116 5.2.2 GRU 119 5.2.3 收敛性问题 120 5.3 循环神经网络的PyTorch 实现 122 5.3.1 PyTorch 的循环网络模块 122 5.3.2 实例介绍 127 5.4 自然语言处理的应用 131 5.4.1 词嵌入 131 5.4.2 词嵌入的PyTorch 实现 133 5.4.3 N Gram 模型 133 5.4.4 单词预测的PyTorch 实现 134 5.4.5 词性判断 136 5.4.6 词性判断的PyTorch 实现 137 5.5 循环神经网络的更多应用 140 5.5.1 Many to one 140 5.5.2 Many to Many（shorter） 141 5.5.3 Seq2seq 141 5.5.4 CNN+RNN 142 第6章 生成对抗网络 144 6.1 生成模型 144 6.1.1 自动编码器 145 6.1.2 变分自动编码器 150 6.2 生成对抗网络 153 6.2.1 何为生成对抗网络 153 6.2.2 生成对抗网络的数学原理 160 6.3 Improving GAN 164 6.3.1 Wasserstein GAN 164 6.3.2 Improving WGAN 167 6.4 应用介绍 168 6.4.1 Conditional GAN 168 6.4.2 Cycle GAN 170 第7章 深度学习实战 173 7.1 实例一——猫狗大战：运用预训练卷积神经网络进行特征提取与预测. 173 7.1.1 背景介绍 174 7.1.2 原理分析 174 7.1.3 代码实现 177 7.1.4 总结 183 7.2 实例二——Deep Dream：探索卷积神经网络眼中的世界 183 7.2.1 原理介绍 184 7.2.2 预备知识：backward 185 7.2.3 代码实现 190 7.2.4 总结 195 7.3 实例三——Neural-Style：使用PyTorch 进行风格迁移 196 7.3.1 背景介绍 196 7.3.2 原理分析 197 7.3.3 代码实现 199 7.3.4 总结 205 7.4 实例四——Seq2seq：通过RNN 实现简单的Neural Machine Translation 205 7.4.1 背景介绍 206 7.4.2 原理分析 206 7.4.3 代码实现 209 7.4.4 总结 221

内容简介 · · · · · · 唯一一本详细讲解使用Python分析处理金融大数据的专业图书；金融应用开发领域从业人员必读。 Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区，在需要分析、处理大量数据的金融行业得到了广泛而迅速的应用，并且成为该行业开发核心应用的首选编程语言。《Python金融大数据分析》提供了使用Python进行数据分析，以及开发相关应用程序的技巧和工具。 《Python金融大数据分析》总计分为3部分，共19章，第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了金融分析和应用程序开发中最 重要的Python库、技术和方法，其内容涵盖了Python的数据类型和结构、用matplotlib进行数据可视化、金融时间序列数据处理、高性能输入/输出操作、高性能的Python技术和库、金融学中需要的多种数学工具、随机数生成和随机过程模拟、Python统计学应用、Python和Excel的集成、Python面向对象编程和GUI的开发、Python与Web技术的集成，以及基于Web应用和Web服务的开发；第3部分关注的是蒙特卡洛模拟期权与衍生品定价实际应用的开发工作，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值、波动率期权等知识。 《Python金融大数据分析》适合对使用Python进行大数据分析、处理感兴趣的金融行业开发人员阅读。 作者简介 · · · · · · Yves Hilpsch是Python Quants（德国）股份有限公司的创始人和任事股东，也是Python Quants（纽约）有限责任公司的共同创办人。该集团提供基于Python的金融和衍生品分析软件以及和Python及金融相关的咨询、开发和培训服务。 Yves还是Derivatives Analytics with Python（Wiley Finance，2015）的作者。作为获得数理金融学博士学位的商业管理专业研究生，他在萨尔州大学讲授计算金融学中的数值化方法课程。

金融数据分析导论：基于R语言金融数据分析导论：基于R语言

量化金融R语言初级教程 通过9章的内容向读者详细介绍使用R语言实现量化金融的一些基础知识和方法，内容包括时间序列分析、投资组合优化、资产定价模型、固定收益证券、估计利率期限结构、衍生品定价、信用风险管理、极值理论和金融网络等。 量化金融R语言初级教程 的目标读者是那些希望通过R语言来解决量化金融问题的读者，如果读者具备一定的金融知识，将会对量化金融R语言初级教程 的阅读有较大的帮助。通过阅读量化金融R语言初级教程 ，读者将学习到有关R语言的诸多核心内容，并了解R语言在量化金融方面的各类应用。