第6章 面向预测分析的神经网络简介
本章主要内容
● 神经网络简介。
● TensorFlow和Keras简介。
● 基于神经网络的回归模型。
● 基于神经网络的分类模型。
● 一些应用神经网络的重要实用技巧。
我们在第4章和第5章介绍了一些面向回归任务和分类任务的常用模型。在本章中,我们会引入神经网络模型。这一类模型是深度学习的基础,而深度学习是人工智能领域中近年来发展较快的机器学习方法。
我们将详细介绍基于神经网络的预测分析。这里的要点是模型的基本概念,以及学习如何训练基本的神经网络类型——多层感知器(Multilayer Perceptron,MLP)。
在讨论MLP结构时,我们首先会介绍神经网络的主要概念,然后讨论如何学习这些模型进行预测。介绍完概念,我们将带领大家学习TensorFlow,特别是Keras——它是本章构建模型和训练模型所使用的主要工具。我们将继续使用本书中处理过的两个数据集,并看一看神经网络做出的预测是否会更好,最后总结神经网络模型的相关训练问题,讨论一些重要的相关技术,比如早期停止和dropout正则化。
学完本章后,我们就可以把MLP引入自己的预测分析工具箱。
6.1 技术要求
● Python 3.6或更高版本。
● Jupyter Notebook。
● 最新版本的Python库:NumPy、pandas、matplotlib、Seaborn和scikit-learn。
● TensorFlow和Keras的最新版本。
6.2 引入神经网络模型
近年来,神经网络和深度学习等术语无疑吸引了人们的大量关注。尽管这些技术难免存在炒作和误解之嫌,但它们依然是人工智能领域中飞速发展和取得重大突破的部分,应用领域涉及自动驾驶汽车、语言翻译器、语音识别、计算机视觉,以及各种与深度模型有直接关系的许多其他成果。 ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access