機器學習實戰(zhàn)：基于Scikit-Learn、Keras和TensorFlow（原書第2版）

前言1
第一部分 機器學習的基礎知識11
第1章 機器學習概覽13
1.1 什么是機器學習14
1.2 為什么使用機器學習14
1.3 機器學習的應用示例16
1.4 機器學習系統(tǒng)的類型18
1.5 機器學習的主要挑戰(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 機器學習算法的數(shù)據(jù)準備66
2.6 選擇和訓練模型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 訓練和可視化決策樹162
6.2 做出預測163
6.3 估計類概率165
6.4 CART訓練算法166
6.5 計算復雜度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208
8.7 練習題209
第9章 無監(jiān)督學習技術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)絡與深度學習247
第10章 Keras人工神經(jīng)網(wǎng)絡簡介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)絡超參數(shù)284
10.4 練習題290
第11章 訓練深度神經(jīng)網(wǎng)絡293
11.1 梯度消失與梯度爆炸問題293
11.2 重用預訓練層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加載和預處理數(shù)據(jù)362
13.1 數(shù)據(jù)API363
13.2 TFRecord格式372
13.3 預處理輸入特征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)絡的深度計算機視覺390
14.1 視覺皮層的架構390
14.2 卷積層392
14.3 池化層399
14.4 CNN架構402
14.5 使用Keras實現(xiàn)ResNet-34 CNN416
14.6 使用Keras的預訓練模型417
14.7 遷移學習的預訓練模型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 訓練RNN436
15.3 預測時間序列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的表征學習和生成學習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510
17.10 練習題522
第18章 強化學習523
18.1 學習優(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 時序差分學習540
18.9 Q學習540
18.10 實現(xiàn)深度Q學習544
18.11 深度Q學習的變體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)模訓練和部署TensorFlow模型571
19.1 為TensorFlow模型提供服務572
19.2 將模型部署到移動端或嵌入式設備586
19.3 使用GPU加速計算589
19.4 跨多個設備的訓練模型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)絡架構656
附錄F 特殊數(shù)據(jù)結構663
附錄G TensorFlow圖669