機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于Scikit-Learn、Keras和TensorFlow（原書第2版）

前言1
第一部分 機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)11
第1章 機(jī)器學(xué)習(xí)概覽13
1.1 什么是機(jī)器學(xué)習(xí)14
1.2 為什么使用機(jī)器學(xué)習(xí)14
1.3 機(jī)器學(xué)習(xí)的應(yīng)用示例16
1.4 機(jī)器學(xué)習(xí)系統(tǒng)的類型18
1.5 機(jī)器學(xué)習(xí)的主要挑戰(zhàn)32
1.6 測(cè)試與驗(yàn)證38
1.7 練習(xí)題40
第2章 端到端的機(jī)器學(xué)習(xí)項(xiàng)目42
2.1 使用真實(shí)數(shù)據(jù)42
2.2 觀察大局44
2.3 獲取數(shù)據(jù)48
2.4 從數(shù)據(jù)探索和可視化中獲得洞見60
2.5 機(jī)器學(xué)習(xí)算法的數(shù)據(jù)準(zhǔn)備66
2.6 選擇和訓(xùn)練模型74
2.7 微調(diào)模型77
2.8 啟動(dòng)、監(jiān)控和維護(hù)你的系統(tǒng)82
2.9 試試看84
2.10 練習(xí)題84
第3章 分類86
3.1 MNIST86
3.2 訓(xùn)練二元分類器88
3.3 性能測(cè)量89
3.4 多類分類器99
3.5 誤差分析101
3.6 多標(biāo)簽分類104
3.7 多輸出分類105
3.8 練習(xí)題107
第4章 訓(xùn)練模型108
4.1 線性回歸109
4.2 梯度下降113
4.3 多項(xiàng)式回歸122
4.4 學(xué)習(xí)曲線124
4.5 正則化線性模型127
4.6 邏輯回歸134
4.7 練習(xí)題141
第5章 支持向量機(jī)143
5.1 線性SVM分類143
5.2 非線性SVM分類146
5.3 SVM回歸151
5.4 工作原理152
5.5 練習(xí)題160
第6章 決策樹162
6.1 訓(xùn)練和可視化決策樹162
6.2 做出預(yù)測(cè)163
6.3 估計(jì)類概率165
6.4 CART訓(xùn)練算法166
6.5 計(jì)算復(fù)雜度166
6.6 基尼不純度或熵167
6.7 正則化超參數(shù)167
6.8 回歸168
6.9 不穩(wěn)定性170
6.10 練習(xí)題172
第7章 集成學(xué)習(xí)和隨機(jī)森林173
7.1 投票分類器173
7.2 bagging和pasting176
7.3 隨機(jī)補(bǔ)丁和隨機(jī)子空間179
7.4 隨機(jī)森林180
7.5 提升法182
7.6 堆疊法190
7.7 練習(xí)題192
第8章 降維193
8.1 維度的詛咒194
8.2 降維的主要方法195
8.3 PCA198
8.4 內(nèi)核PCA204
8.5 LLE206
8.6 其他降維技術(shù)208
8.7 練習(xí)題209
第9章 無監(jiān)督學(xué)習(xí)技術(shù)211
9.1 聚類212
9.2 高斯混合模型232
9.3 練習(xí)題245
第二部分 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)247
第10章 Keras人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介249
10.1 從生物神經(jīng)元到人工神經(jīng)元250
10.2 使用Keras實(shí)現(xiàn)MLP262
10.3 微調(diào)神經(jīng)網(wǎng)絡(luò)超參數(shù)284
10.4 練習(xí)題290
第11章 訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)293
11.1 梯度消失與梯度爆炸問題293
11.2 重用預(yù)訓(xùn)練層305
11.3 更快的優(yōu)化器310
11.4 通過正則化避免過擬合321
11.5 總結(jié)和實(shí)用指南327
11.6 練習(xí)題329
第12章 使用TensorFlow自定義模型和訓(xùn)練330
12.1 TensorFlow快速瀏覽330
12.2 像NumPy一樣使用TensorFlow333
12.3 定制模型和訓(xùn)練算法338
12.4 TensorFlow函數(shù)和圖356
12.5 練習(xí)題360
第13章 使用TensorFlow加載和預(yù)處理數(shù)據(jù)362
13.1 數(shù)據(jù)API363
13.2 TFRecord格式372
13.3 預(yù)處理輸入特征377
13.4 TF Transform385
13.5 TensorFlow數(shù)據(jù)集項(xiàng)目386
13.6 練習(xí)題388
第14章 使用卷積神經(jīng)網(wǎng)絡(luò)的深度計(jì)算機(jī)視覺390
14.1 視覺皮層的架構(gòu)390
14.2 卷積層392
14.3 池化層399
14.4 CNN架構(gòu)402
14.5 使用Keras實(shí)現(xiàn)ResNet-34 CNN416
14.6 使用Keras的預(yù)訓(xùn)練模型417
14.7 遷移學(xué)習(xí)的預(yù)訓(xùn)練模型418
14.8 分類和定位421
14.9 物體檢測(cè)422
14.10 語(yǔ)義分割428
14.11 練習(xí)題431
第15章 使用RNN和CNN處理序列432
15.1 循環(huán)神經(jīng)元和層432
15.2 訓(xùn)練RNN436
15.3 預(yù)測(cè)時(shí)間序列437
15.4 處理長(zhǎng)序列444
15.5 練習(xí)題453
第16章 使用RNN和注意力機(jī)制進(jìn)行自然語(yǔ)言處理455
16.1 使用字符RNN生成莎士比亞文本456
16.2 情感分析464
16.3 神經(jīng)機(jī)器翻譯的編碼器-解碼器網(wǎng)絡(luò)470
16.4 注意力機(jī)制476
16.5 最近語(yǔ)言模型的創(chuàng)新486
16.6 練習(xí)題488
第17章 使用自動(dòng)編碼器和GAN的表征學(xué)習(xí)和生成學(xué)習(xí)489
17.1 有效的數(shù)據(jù)表征490
17.2 使用不完整的線性自動(dòng)編碼器執(zhí)行PCA491
17.3 堆疊式自動(dòng)編碼器493
17.4 卷積自動(dòng)編碼器499
17.5 循環(huán)自動(dòng)編碼器500
17.6 去噪自動(dòng)編碼器501
17.7 稀疏自動(dòng)編碼器502
17.8變分自動(dòng)編碼器505
17.9 生成式對(duì)抗網(wǎng)絡(luò)510
17.10 練習(xí)題522
第18章 強(qiáng)化學(xué)習(xí)523
18.1 學(xué)習(xí)優(yōu)化獎(jiǎng)勵(lì)524
18.2 策略搜索525
18.3 OpenAI Gym介紹526
18.4 神經(jīng)網(wǎng)絡(luò)策略529
18.5 評(píng)估動(dòng)作：信用分配問題531
18.6 策略梯度532
18.7 馬爾可夫決策過程536
18.8 時(shí)序差分學(xué)習(xí)540
18.9 Q學(xué)習(xí)540
18.10 實(shí)現(xiàn)深度Q學(xué)習(xí)544
18.11 深度Q學(xué)習(xí)的變體547
18.12 TF-Agents庫(kù)550
18.13 一些流行的RL算法概述568
18.14 練習(xí)題569
第19章 大規(guī)模訓(xùn)練和部署TensorFlow模型571
19.1 為TensorFlow模型提供服務(wù)572
19.2 將模型部署到移動(dòng)端或嵌入式設(shè)備586
19.3 使用GPU加速計(jì)算589
19.4 跨多個(gè)設(shè)備的訓(xùn)練模型600
19.5 練習(xí)題613
19.6 致謝613
附錄A 課后練習(xí)題解答614
附錄B 機(jī)器學(xué)習(xí)項(xiàng)目清單642
附錄C SVM對(duì)偶問題647
附錄D 自動(dòng)微分650
附錄E 其他流行的人工神經(jīng)網(wǎng)絡(luò)架構(gòu)656
附錄F 特殊數(shù)據(jù)結(jié)構(gòu)663
附錄G TensorFlow圖669