從機器學習到深度學習：基于scikit-learn與TensorFlow的高效開發(fā)實戰(zhàn)

第1章 機器學習基礎(chǔ) 1
1.1 引言 1
1.1.1 為什么使用機器學習 2
1.1.2 機器學習與數(shù)據(jù)挖掘 4
1.1.3 機器學習與人工智能 5
1.2 機器學習的一般流程 7
1.2.1 定義問題 7
1.2.2 收集數(shù)據(jù) 8
1.2.3 比較算法與模型 9
1.2.4 應(yīng)用模型 10
1.3 學習策略 10
1.3.1 有監(jiān)督學習 11
1.3.2 無監(jiān)督學習 14
1.3.3 強化學習 16
1.3.4 綜合模型與工具 18
1.4 評估理論 19
1.4.1 劃分數(shù)據(jù)集 19
1.4.2 交叉驗證 21
1.4.3 評估指標 22
1.4.4 擬合不足與過度擬合 25
1.5 本章內(nèi)容回顧 26
第2章 Python基礎(chǔ)工具 27
2.1 Numpy 28
2.1.1 Numpy與Scipy的分工 28
2.1.2 ndarray構(gòu)造 29
2.1.3 數(shù)據(jù)類型 32
2.1.4 訪問與修改 33
2.1.5 軸 35
2.1.6 維度操作 38
2.1.7 合并與拆分 40
2.1.8 增與刪 41
2.1.9 全函數(shù) 42
2.1.10 廣播 42
2.2 Matplot 43
2.2.1 點線圖 44
2.2.2 子視圖 50
2.2.3 圖像 53
2.2.4 等值圖 57
2.2.5 三維繪圖 58
2.2.6 從官網(wǎng)學習 59
2.3 Scipy 60
2.3.1 數(shù)學與物理常數(shù) 61
2.3.2 特殊函數(shù)庫 62
2.3.3 積分 64
2.3.4 優(yōu)化 65
2.3.5 插值 67
2.3.6 離散傅里葉 68
2.3.7 卷積 70
2.3.8 線性分析 71
2.3.9 概率統(tǒng)計 73
2.4 本章內(nèi)容回顧 77
第3章 有監(jiān)督學習：分類與回歸 79
3.1 線性回歸 80
3.1.1 何謂線性模型 80
3.1.2 最小二乘法 81
3.1.3 最小二乘法的不足 82
3.1.4 嶺回歸 85
3.1.5 Lasso回歸 87
3.2 梯度下降 90
3.2.1 假設(shè)函數(shù)與損失函數(shù) 90
3.2.2 隨機梯度下降 92
3.2.3 實戰(zhàn)：SGDRegressor和SGDClassifier 93
3.2.4 增量學習 94
3.3 支持向量機 95
3.3.1 最優(yōu)超平面 95
3.3.2 軟間隔 97
3.3.3 線性不可分問題 98
3.3.4 核函數(shù) 99
3.3.5 實戰(zhàn)：scikit-learn中的SVM 100
3.4 樸素貝葉斯分類 101
3.4.1 基礎(chǔ)概率 102
3.4.2 貝葉斯分類原理 103
3.4.3 高斯樸素貝葉斯 105
3.4.4 多項式樸素貝葉斯 106
3.4.5 伯努利樸素貝葉斯 107
3.5 高斯過程 107
3.5.1 隨機過程 108
3.5.2 無限維高斯分布 109
3.5.3 實戰(zhàn)：gaussian_process工具包 111
3.6 決策樹 114
3.6.1 最易于理解的模型 114
3.6.2 熵的作用 115
3.6.3 實戰(zhàn)：DecisionTreeClassifier與DecisionTreeRegressor 117
3.6.4 樹的可視化 118
3.7 集成學習 119
3.7.1 偏差與方差 120
3.7.2 隨機森林 121
3.7.3 自適應(yīng)增強 124
3.8 綜合話題 126
3.8.1 參數(shù)與非參數(shù)學習 127
3.8.2 One-Vs-All與One-Vs-One 127
3.8.3 評估工具 129
3.8.4 超參數(shù)調(diào)試 131
3.8.5 多路輸出 134
3.9 本章內(nèi)容回顧 134
第4章 無監(jiān)督學習：聚類 136
4.1 動機 137
4.2 K-means 138
4.2.1 算法 139
4.2.2 實戰(zhàn)：scikit-learn聚類調(diào)用 141
4.2.3 如何選擇K值 144
4.3 近鄰算法 145
4.3.1 生活化的理解 145
4.3.2 有趣的迭代 146
4.3.3 實戰(zhàn)：AffinityPropagation類 147
4.4 高斯混合模型 149
4.4.1 中心極限定理 150
4.4.2 最大似然估計 151
4.4.3 幾種協(xié)方差矩陣類型 152
4.4.4 實戰(zhàn)：GaussianMixture類 154
4.5 密度聚類 156
4.5.1 凸數(shù)據(jù)集 157
4.5.2 密度算法 158
4.5.3 實戰(zhàn)：DBSCAN類 159
4.6 BIRCH 160
4.6.1 層次模型綜述 161
4.6.2 聚類特征樹 162
4.6.3 實戰(zhàn)：BIRCH相關(guān)調(diào)用 164
4.7 距離計算 166
4.7.1 閔氏距離 166
4.7.2 馬氏距離 167
4.7.3 余弦相似度 168
4.7.4 時間序列比較 169
4.7.5 杰卡德相似度 169
4.8 聚類評估 170
4.9 本章內(nèi)容回顧 172
第5章 無監(jiān)督學習：數(shù)據(jù)降維 173
5.1 主成分分析 174
5.1.1 尋找方差最大維度 174
5.1.2 用PCA降維 177
5.1.3 實戰(zhàn)：用PCA尋找主成分 178
5.2 線性判別分析 181
5.2.1 雙重標準 181
5.2.2 實戰(zhàn)：使用LinearDiscriminantAnalysis 183
5.3 多維標度法 185
5.3.1 保留距離信息的線性變換 185
5.3.2 MDS的重要變形 187
5.3.3 實戰(zhàn)：使用MDS類 188
5.4 流形學習之Isomap 189
5.4.1 什么是流形 190
5.4.2 測地線距離 192
5.4.3 實戰(zhàn)：使用Isomap類 193
5.5 流形學習之局部嵌入 195
5.5.1 局部線性嵌入 195
5.5.2 拉普拉斯特征映射（LE） 198
5.5.3 調(diào)用介紹 200
5.5.4 譜聚類 201
5.6 流形學習之t-SNE 203
5.6.1 用Kullback-Leiber衡量分布相似度 203
5.6.2 為什么是t-分布 205
5.6.3 實戰(zhàn)：使用TSNE類 206
5.7 實戰(zhàn)：降維模型之比較 207
5.8 本章內(nèi)容回顧 210
第6章 隱馬爾可夫模型 212
6.1 場景建模 213
6.1.1 兩種狀態(tài)鏈 213
6.1.2 兩種概率 215
6.1.3 三種問題 217
6.1.4 hmmLearn介紹 218
6.2 離散型分布算法與應(yīng)用 222
6.2.1 前向算法與后向算法 222
6.2.2 MultinomialNB求估計問題 226
6.2.3 Viterbi算法 227
6.2.4 MultinomialNB求解碼問題 229
6.2.5 EM算法 232
6.2.6 Baum-Welch算法 233
6.2.7 用hmmLearn訓練數(shù)據(jù) 235
6.3 連續(xù)型概率分布 236
6.3.1 多元高斯分布 237
6.3.2 GaussianHMM 239
6.3.3 GMMHMM 240
6.4 實戰(zhàn)：股票預(yù)測模型 241
6.4.1 數(shù)據(jù)模型 241
6.4.2 目標 243
6.4.3 訓練模型 243
6.4.4 分析模型參數(shù) 245
6.4.5 可視化短線預(yù)測 247
6.5 本章內(nèi)容回顧 250
第7章 貝葉斯網(wǎng)絡(luò) 251
7.1 什么是貝葉斯網(wǎng)絡(luò) 252
7.1.1 典型貝葉斯問題 252
7.1.2 靜態(tài)結(jié)構(gòu) 253
7.1.3 聯(lián)合/邊緣/條件概率換算 256
7.1.4 鏈式法則與變量消元 258
7.2 網(wǎng)絡(luò)構(gòu)建 259
7.2.1 網(wǎng)絡(luò)參數(shù)估計 260
7.2.2 啟發(fā)式搜索 261
7.2.3 Chow-Liu Tree算法 262
7.3 近似推理 263
7.3.1 蒙特卡洛方法 264
7.3.2 馬爾可夫鏈收斂定理 265
7.3.3 MCMC推理框架 267
7.3.4 Gibbs采樣 268
7.3.5 變分貝葉斯 268
7.4 利用共軛建模 270
7.4.1 共軛分布 270
7.4.2 隱含變量與顯式變量 272
7.5 實戰(zhàn)：胸科疾病診斷 274
7.5.1 診斷需求 274
7.5.2 Python概率工具包 275
7.5.3 建立模型 276
7.5.4 MCMC采樣分析 278
7.5.5 近似推理 281
7.6 本章內(nèi)容回顧 282
第8章 自然語言處理 284
8.1 文本建模 285
8.1.1 聊天機器人原理 285
8.1.2 詞袋模型 286
8.1.3 訪問新聞資源庫 287
8.1.4 TF-IDF 290
8.1.5 實戰(zhàn)：關(guān)鍵詞推舉 290
8.2 詞匯處理 294
8.2.1 中文分詞 294
8.2.2 Word2vec 296
8.2.3 實戰(zhàn)：尋找近似詞 298
8.3 主題模型 303
8.3.1 三層模型 303
8.3.2 非負矩陣分解 304
8.3.3 潛在語意分析 305
8.3.4 隱含狄利克雷分配 307
8.3.5 實戰(zhàn)：使用工具包 309
8.4 實戰(zhàn)：用LDA分析新聞庫 311
8.4.1 文本預(yù)處理 311
8.4.2 訓練與顯示 313
8.4.3 困惑度調(diào)參 315
8.5 本章內(nèi)容回顧 317
第9章 深度學習 319
9.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 320
9.1.1 人工神經(jīng)網(wǎng)絡(luò) 320
9.1.2 神經(jīng)元與激活函數(shù) 321
9.1.3 反向傳播 323
9.1.4 萬能網(wǎng)絡(luò) 325
9.2 TensorFlow核心應(yīng)用 328
9.2.1 張量 329
9.2.2 開發(fā)架構(gòu) 331
9.2.3 數(shù)據(jù)管理 332
9.2.4 評估器 335
9.2.5 圖與會話 338
9.2.6 逐代（epoch）訓練 341
9.2.7 圖與統(tǒng)計可視化 343
9.3 卷積神經(jīng)網(wǎng)絡(luò) 349
9.3.1 給深度學習一個理由 349
9.3.2 CNN結(jié)構(gòu)發(fā)展 351
9.3.3 卷積層 354
9.3.4 池化層 356
9.3.5 ReLU與Softmax 357
9.3.6 Inception與ResNet 359
9.4 優(yōu)化 362
9.4.1 批次規(guī)范化 362
9.4.2 剪枝 364
9.4.3 算法選擇 366
9.5 循環(huán)神經(jīng)網(wǎng)絡(luò)與遞歸神經(jīng)網(wǎng)絡(luò) 367
9.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 368
9.5.2 長短期記憶（LSTM） 371
9.5.3 遞歸神經(jīng)網(wǎng)絡(luò) 374
9.6 前沿精選 377
9.7 CNN實戰(zhàn)：圖像識別 385
9.8 RNN實戰(zhàn)：寫詩機器人 397
9.9 本章內(nèi)容回顧 415
第10章 強化學習 418
10.1 場景與原理 419
10.2 OpenAI Gym 427
10.3 深度強化學習 435
10.4 博弈原理 444
10.5 實戰(zhàn)：中國象棋版AlphaGo Zero 449
10.6 本章內(nèi)容回顧 477
第11章 模型遷移 478
11.1 走向移動端 478
11.2 遷移學習 483
11.3 案例實戰(zhàn)：基于TensorFlow Hub的遷移學習開發(fā) 485
11.4 本章內(nèi)容回顧 488
后記 489

篇幅限制，完整目錄請見本書