本书主要分为两部分，第一部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
封面图
目录
- 前言1
- 第一部分 机器学习基础
- 第1章 机器学习概览11
- 什么是机器学习12
- 为什么要使用机器学习12
- 机器学习系统的种类15
- 监督式/无监督式学习16
- 批量学习和在线学习21
- 基于实例与基于模型的学习24
- 机器学习的主要挑战29
- 训练数据的数量不足29
- 训练数据不具代表性30
- 质量差的数据32
- 无关特征32
- 训练数据过度拟合33
- 训练数据拟合不足34
- 退后一步35
- 测试与验证35
- 练习37
- 第2章 端到端的机器学习项目39
- 使用真实数据39
- 观察大局40
- 框架问题41
- 选择性能指标42
- 检查假设45
- 获取数据45
- 创建工作区45
- 下载数据48
- 快速查看数据结构49
- 创建测试集52
- 从数据探索和可视化中获得洞见56
- 将地理数据可视化57
- 寻找相关性59
- 试验不同属性的组合61
- 机器学习算法的数据准备62
- 数据清理63
- 处理文本和分类属性65
- 自定义转换器67
- 特征缩放68
- 转换流水线68
- 选择和训练模型70
- 培训和评估训练集70
- 使用交叉验证来更好地进行评估72
- 微调模型74
- 网格搜索74
- 随机搜索76
- 集成方法76
- 分析最佳模型及其错误76
- 通过测试集评估系统77
- 启动、监控和维护系统78
- 试试看79
- 练习79
- 第3章 分类80
- MNIST80
- 训练一个二元分类器82
- 性能考核83
- 使用交叉验证测量精度83
- 混淆矩阵84
- 精度和召回率86
- 精度/召回率权衡87
- ROC曲线90
- 多类别分类器93
- 错误分析95
- 多标签分类98
- 多输出分类99
- 练习100
- 第4章 训练模型102
- 线性回归103
- 标准方程104
- 计算复杂度106
- 梯度下降107
- 批量梯度下降110
- 随机梯度下降112
- 小批量梯度下降114
- 多项式回归115
- 学习曲线117
- 正则线性模型121
- 岭回归121
- 套索回归123
- 弹性网络125
- 早期停止法126
- 逻辑回归127
- 概率估算127
- 训练和成本函数128
- 决策边界129
- Softmax回归131
- 练习134
- 第5章 支持向量机136
- 线性SVM分类136
- 软间隔分类137
- 非线性SVM分类139
- 多项式核140
- 添加相似特征141
- 高斯RBF核函数142
- 计算复杂度143
- SVM回归144
- 工作原理145
- 决策函数和预测146
- 训练目标146
- 二次规划148
- 对偶问题149
- 核化SVM149
- 在线SVM151
- 练习152
- 第6章 决策树154
- 决策树训练和可视化154
- 做出预测155
- 估算类别概率157
- CART训练算法158
- 计算复杂度158
- 基尼不纯度还是信息熵159
- 正则化超参数159
- 回归161
- 不稳定性162
- 练习163
- 第7章 集成学习和随机森林165
- 投票分类器165
- bagging和pasting168
- Scikit-Learn的bagging和pasting169
- 包外评估170
- Random Patches和随机子空间171
- 随机森林172
- 极端随机树173
- 特征重要性173
- 提升法174
- AdaBoost175
- 梯度提升177
- 堆叠法181
- 练习184
- 第8章 降维185
- 维度的诅咒186
- 数据降维的主要方法187
- 投影187
- 流形学习189
- PCA190
- 保留差异性190
- 主成分191
- 低维度投影192
- 使用Scikit-Learn192
- 方差解释率193
- 选择正确数量的维度193
- PCA压缩194
- 增量PCA195
- 随机PCA195
- 核主成分分析196
- 选择核函数和调整超参数197
- 局部线性嵌入199
- 其他降维技巧200
- 练习201
- 第二部分 神经网络和深度学习
- 第9章 运行TensorFlow205
- 安装207
- 创建一个计算图并在会话中执行208
- 管理图209
- 节点值的生命周期210
- TensorFlow中的线性回归211
- 实现梯度下降211
- 手工计算梯度212
- 使用自动微分212
- 使用优化器214
- 给训练算法提供数据214
- 保存和恢复模型215
- 用TensorBoard来可视化图和训练曲线216
- 命名作用域219
- 模块化220
- 共享变量222
- 练习225
- 第10章 人工神经网络简介227
- 从生物神经元到人工神经元227
- 生物神经元228
- 具有神经元的逻辑计算229
- 感知器230
- 多层感知器和反向传播233
- 用TensorFlow的高级API来训练MLP236
- 使用纯TensorFlow训练DNN237
- 构建阶段237
- 执行阶段240
- 使用神经网络241
- 微调神经网络的超参数242
- 隐藏层的个数242
- 每个隐藏层中的神经元数243
- 激活函数243
- 练习244
- 第11章 训练深度神经网络245
- 梯度消失/爆炸问题245
- Xavier初始化和He初始化246
- 非饱和激活函数248
- 批量归一化250
- 梯度剪裁254
- 重用预训练图层255
- 重用TensorFlow模型255
- 重用其他框架的模型256
- 冻结低层257
- 缓存冻结层257
- 调整、丢弃或替换高层258
- 模型动物园258
- 无监督的预训练259
- 辅助任务中的预训练260
- 快速优化器261
- Momentum优化261
- Nesterov梯度加速262
- AdaGrad263
- RMSProp265
- Adam优化265
- 学习速率调度267
- 通过正则化避免过度拟合269
- 提前停止269
- 1和2正则化269
- dropout270
- 最大范数正则化273
- 数据扩充274
- 实用指南275
- 练习276
- 第12章 跨设备和服务器的分布式TensorFlow279
- 一台机器上的多个运算资源280
- 安装280
- 管理GPU RAM282
- 在设备上操作284
- 并行执行287
- 控制依赖288
- 多设备跨多服务器288
- 开启一个会话290
- master和worker服务290
- 分配跨任务操作291
- 跨多参数服务器分片变量291
- 用资源容器跨会话共享状态292
- 使用TensorFlow队列进行异步通信294
- 直接从图中加载数据299
- 在TensorFlow集群上并行化神经网络305
- 一台设备一个神经网络305
- 图内与图间复制306
- 模型并行化308
- 数据并行化309
- 练习314
- 第13章 卷积神经网络315
- 视觉皮层的组织结构315
- 卷积层317
- 过滤器318
- 多个特征图的叠加319
- TensorFlow实现321
- 内存需求323
- 池化层323
- CNN架构325
- LeNet-5326
- AlexNet327
- GoogLeNet328
- ResNet331
- 练习334
- 第14章 循环神经网络337
- 循环神经元337
- 记忆单元339
- 输入和输出序列340
- TensorFlow中的基本RNN341
- 通过时间静态展开342
- 通过时间动态展开344
- 处理长度可变输入序列344
- 处理长度可变输出序列345
- 训练RNN346
- 训练序列分类器346
- 训练预测时间序列348
- 创造性的RNN352
- 深层RNN353
- 在多个GPU中分配一个深层RNN354
- 应用丢弃机制355
- 多个时间迭代训练的难点356
- LSTM单元357
- 窥视孔连接359
- GRU单元359
- 自然语言处理361
- 单词嵌入361
- 用于机器翻译的编码器-解码器网络362
- 练习364
- 第15章 自动编码器366
- 高效的数据表示366
- 使用不完整的线性自动编码器实现PCA368
- 栈式自动编码器369
- TensorFlow实现370
- 权重绑定371
- 一次训练一个自动编码器372
- 重建可视化374
- 特征可视化375
- 使用堆叠的自动编码器进行无监控的预训练376
- 去噪自动编码器377
- TensorFlow 实现378
- 稀疏自动编码器379
- TensorFlow 实现380
- 变分自动编码器381
- 生成数字384
- 其他自动编码器385
- 练习386
- 第16章 强化学习388
- 学习奖励最优化389
- 策略搜索390
- OpenAI gym 介绍391
- 神经网络策略394
- 评估行为：信用分配问题396
- 策略梯度397
- 马尔可夫决策过程401
- 时间差分学习与Q学习405
- 探索策略406
- 逼近Q学习407
- 使用深度Q学习玩吃豆人游戏407
- 练习414
- 致谢415
- 附录A 练习答案416
- 附录B 机器学习项目清单438
- 附录C SVM对偶问题444
- 附录D 自动微分447
- 附录E 其他流行的ANN架构453
