从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战

封面

版权信息

内容简介

其他

前言

第1章 机器学习基础

1.1 引言

1.2 机器学习的一般流程

1.3 学习策略

1.4 评估理论

1.5 本章内容回顾

第2章 Python基础工具

2.1 Numpy

2.2 Matplot

2.3 Scipy

2.4 本章内容回顾

第3章 有监督学习：分类与回归

3.1 线性回归

3.2 梯度下降

3.3 支持向量机

3.4 朴素贝叶斯分类

3.5 高斯过程

3.6 决策树

3.7 集成学习

3.8 综合话题

3.9 本章内容回顾

第4章 无监督学习：聚类

4.1 动机

4.2 K-means

4.3 近邻算法

4.4 高斯混合模型

4.5 密度聚类

4.6 BIRCH

4.7 距离计算

4.8 聚类评估

4.9 本章内容回顾

第5章 无监督学习：数据降维

5.1 主成分分析

5.2 线性判别分析

5.3 多维标度法

5.4 流形学习之Isomap

5.5 流形学习之局部嵌入

5.6 流形学习之t-SNE

5.7 实战：降维模型之比较

5.8 本章内容回顾

第6章 隐马尔可夫模型

6.1 场景建模

6.2 离散型分布算法与应用

6.3 连续型概率分布

6.4 实战：股票预测模型

6.5 本章内容回顾

第7章 贝叶斯网络

7.1 什么是贝叶斯网络

7.2 网络构建

7.3 近似推理

7.4 利用共轭建模

7.5 实战：胸科疾病诊断

7.6 本章内容回顾

第8章 自然语言处理

8.1 文本建模

8.2 词汇处理

8.3 主题模型

8.4 实战：用LDA分析新闻库

8.5 本章内容回顾

第9章 深度学习

9.1 神经网络基础

9.2 TensorFlow核心应用

9.3 卷积神经网络

9.4 优化

9.5 循环神经网络与递归神经网络

9.6 前沿精选

9.7 CNN实战：图像识别

9.8 RNN实战：写诗机器人

9.9 本章内容回顾

第10章 强化学习

10.1 场景与原理

10.2 OpenAI Gym

10.3 深度强化学习

10.4 博弈原理

10.5 实战：中国象棋版AlphaGo Zero

10.6 本章内容回顾

第11章 模型迁移

11.1 走向移动端

11.2 迁移学习

11.3 案例实战：基于TensorFlow Hub的迁移学习开发

11.4 本章内容回顾

后记