前言1
第一部分 機器學(xué)習的基礎(chǔ)知識11
第1章 機器學(xué)習概覽13
1.1 什么是機器學(xué)習14
1.2 為什么使用機器學(xué)習14
1.3 機器學(xué)習的應(yīng)用示例16
1.4 機器學(xué)習系統(tǒng)的類型18
1.5 機器學(xué)習的主要挑戰(zhàn)32
1.6 測試與驗證38
1.7 練習題40
第2章 端到端的機器學(xué)習項目42
2.1 使用真實數(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 機器學(xué)習算法的數(shù)據(jù)準備66
2.6 選擇和訓(xùn)練模型74
2.7 微調(diào)模型77
2.8 啟動、監(jiān)控和維護你的系統(tǒng)82
2.9 試試看84
2.10 練習題84
第3章 分類86
3.1 MNIST86
3.2 訓(xùn)練二元分類器88
3.3 性能測量89
3.4 多類分類器99
3.5 誤差分析101
3.6 多標簽分類104
3.7 多輸出分類105
3.8 練習題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 多項式回歸122
4.4 學(xué)習曲線124
4.5 正則化線性模型127
4.6 邏輯回歸134
4.7 練習題141
第5章 支持向量機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163
6.3 估計類概率165
6.4 CART訓(xùn)練算法166
6.5 計算復(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 練習題172
第7章 集成學(xué)習和隨機森林173
7.1 投票分類器173
7.2 bagging和pasting176
7.3 隨機補丁和隨機子空間179
7.4 隨機森林180
7.5 提升法182
7.6 堆疊法190
7.7 練習題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 練習題209
第9章 無監(jiān)督學(xué)習技術(shù)211
9.1 聚類212
9.2 高斯混合模型232
9.3 練習題245
第二部分 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習247
第10章 Keras人工神經(jīng)網(wǎng)絡(luò)簡介249
10.1 從生物神經(jīng)元到人工神經(jīng)元250
10.2 使用Keras實現(xiàn)MLP262
10.3 微調(diào)神經(jīng)網(wǎng)絡(luò)超參數(shù)284
10.4 練習題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)和實用指南327
11.6 練習題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)集項目386
13.6 練習題388
第14章 使用卷積神經(jīng)網(wǎng)絡(luò)的深度計算機視覺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)習的預(yù)訓(xùn)練模型418
14.8 分類和定位421
14.9 物體檢測422
14.10 語義分割428
14.11 練習題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)測時間序列437
15.4 處理長序列444
15.5 練習題453
第16章 使用RNN和注意力機制進行自然語言處理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)機器翻譯的編碼器-解碼器網(wǎng)絡(luò)470
16.4 注意力機制476
16.5 最近語言模型的創(chuàng)新486
16.6 練習題488
第17章 使用自動編碼器和GAN的表征學(xué)習和生成學(xué)習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編碼器執(zhí)行PCA491
17.3 堆疊式自動編碼器493
17.4 卷積自動編碼器499
17.5 循環(huán)自動編碼器500
17.6 去噪自動編碼器501
17.7 稀疏自動編碼器502
17.8變分自動編碼器505
17.9 生成式對抗網(wǎng)絡(luò)510
17.10 練習題522
第18章 強化學(xué)習523
18.1 學(xué)習優(yōu)化獎勵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 評估動作：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 時序差分學(xué)習540
18.9 Q學(xué)習540
18.10 實現(xiàn)深度Q學(xué)習544
18.11 深度Q學(xué)習的變體547
18.12 TF-Agents庫550
18.13 一些流行的RL算法概述568
18.14 練習題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 將模型部署到移動端或嵌入式設(shè)備586
19.3 使用GPU加速計算589
19.4 跨多個設(shè)備的訓(xùn)練模型600
19.5 練習題613
19.6 致謝613
附錄A 課后練習題解答614
附錄B 機器學(xué)習項目清單642
附錄C SVM對偶問題647
附錄D 自動微分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