PyTorch 高級機器學習實戰

本書講解了經典的高級機器學習算法原理與知識，包括常見的監督學習、無監督學習、
概率圖模型、核方法、深度神經網絡，以及強化學習等內容，同時更強調動手實踐。
所有算法均利用PyTorch計算框架進行實現，並且在各章節配備實戰環節，內容涵蓋點擊率預估、異常檢測、
概率圖模型變分推斷、高斯過程超參數優化、深度強化學習智能體訓練等內容。
本書附贈所有案例的源代碼及各類學習資料來源，
適合具有一定編程基礎的人工智能愛好者學習，也是相關從業者和研究人員的學習指南。

王宇龍
清華大學計算機博士，大型互聯網公司算法專家，在國際學術會議及期刊發表過多篇論文。
曾出版書籍《PyTorch深度學習入門與實戰》，知乎“機器學習”話題優秀回答者（@Young）。

前言
第1章機器學習概述/
1.1 機器學習簡介/
1.1.1 機器學習的含義/
1.1.2 機器學習概述/
1.1.3 不同類型的機器學習算法/
1.2 數據處理/
1.2.1 數據特徵分類及表示/
1.2.2 數據預處理/
1.2.3 數據缺失處理/
1.2.4 特徵衍生和交叉/
1.2.5 特徵篩選/
1.3 衡量標準/
1.3.1 模型評估指標/
1.3.2 數據集劃分/
1.3.3 超參數優化/
1.4 優化目標/
1.4.1 損失函數/
1.4.2 梯度下降優化/
1.4.3 受約束優化：Lagrange函數/
1.5 實戰：簡單模型實現Titanic乘客生存概率預測/
1.5.1 問題描述與數據特徵/
1.5.2 簡單屬性分類模型實現預測/
第2章PyTorch基本操作介紹/
2.1 PyTorch簡介/
2.2 核心概念：Tensor/
2.2.1 Tensor基本操作/
2.2.2 基本數學運算/
2.2.3 索引分片操作/
2.2.4 類成員方法/
2.3 自動求導（Autograd）/
2.3.1 可微分張量/
2.3.2 Function：實現自動微分的基礎/
2.4 神經網絡核心模塊：torch.nn/
2.4.1 nn.Module概述/
2.4.2 函數式操作nn.functional/
2.5 優化器（optimizer）/
2.5.1 optimizer概述/
2.5.2 學習率調節/
2.5.3 經典優化器介紹/
2.6 數據加載/
2.6.1 Dataset與DataLoader介紹/
2.6.2 預處理變換torchvision.transforms/
2.7 高級操作/
2.7.1 GPU運算/
2.7.2 利用C 實現自定義算子/
2.8 實戰：Wide & Deep模型實現Criteo點擊率預估/
2.8.1 問題定義與數據特徵/
2.8.2 Wide & Deep模型介紹/
2.8.3 完整實驗流程/
第3章監督學習/
3.1 線性回歸（Linear Regression）/
3.1.1 小二乘法（Least Square Method）/
3.1.2 嶺回歸（Ridge Regression）/
3.1.3 貝葉斯線性回歸（Bayesian Linear Regression）/
3.2 邏輯回歸（Logistic Regression）/
3.2.1 二分類邏輯回歸/
3.2.2 多分類Softmax回歸/
3.2.3 貝葉斯邏輯回歸（Bayesian Logistic Regression）/
3.3 支持向量機（Support Vector Machine，SVM）/
3.3.1 線性可分下SVM的定義/
3.3.2 利用隨機梯度下降求解/
3.3.3 凸優化簡介/
3.3.4 SVM對偶問題表示/
3.3.5 梯度下降法求解對偶問題/
3.3.6 從Hard SVM擴展到Soft SVM/
3.3.7 支持向量回歸（Support Vector Regression，SVR）/
3.3.8 帶有鬆弛變量的SVR及對偶優化方法/
3.4 決策樹模型（Decision Tree）/
3.4.1 構建單個樹模型/
3.4.2 集成學習（Ensemble Learning）/
3.5 K近鄰算法（K Nearest Neighbors，KNN）/
3.6 實戰：複雜模型實現Titanic旅客生存概率預測/
3.6.1 Titanic數據集特徵處理/
3.6.2 多種模型預測性能對比/
第4章無監督學習/
4.1 聚類方法（Clustering Method）/
4.1.1 KMeans聚類/
4.1.2 譜聚類（Spectral Clustering）/
4.1.3 聚合聚類（Agglomerative Clustering）/
4.2 密度估計（Density Estimation）/
4.2.1 高斯混合模型（Gaussian Mixture Model）/
4.2.2 期望大化算法（Expectation Maximization，EM）/
4.3 降維與嵌入（Dimension Reduction & Embedding）/
4.3.1 主成分分析（Principal Component Analysis，PCA）/
4.3.2 局部線性嵌入（Locally Linear Embedding，LLE）/
4.3.3 隨機鄰居嵌入算法（tSNE）/
4.4 實戰：無監督方法實現異常檢測（Anomaly Detection）/
4.4.1 異常檢測問題與應用/
4.4.2 實現基於PCA的異常檢測方法/
4.4.3 實現基於Mahalanobis距離的異常檢測方法/
4.4.4 實現基於聚類的局部異常因子檢測方法/
第5章PyTorch高級機器學習實戰概率圖模型/
5.1 有向圖：貝葉斯網絡（Bayesian Network）/
5.1.1 有向圖的概率分解/
5.1.2 條件獨立性（Conditional Independence）/
5.2 無向圖：馬爾可夫隨機場（Markov Random Field，MRF）/
5.2.1 無向圖的概率分解/
5.2.2 具體應用：圖像去噪（Image Denoising）/
5.3 隱馬爾可夫模型（Hidden Markov Model，HMM）/
5.3.1 隱馬爾可夫模型介紹/
5.3.2 前向後向算法（ForwardBackward Algorithm）/
5.3.3 放縮提昇運算穩定性/
5.3.4 代碼實現/
5.4 變分推斷（Variational Inference，VI）/
5.4.1 後驗分佈優化與ELBO/
5.4.2 黑盒變分推斷算法（BlackBox Variational Inference，BBVI）/
5.5 蒙特卡羅採樣（Monte Carlo Sampling）/
5.5.1 拒絕採樣（Rejection Sampling）/
5.5.2 馬爾可夫鏈蒙特卡羅（Markov Chain Monte Carlo）/
5.5.3 吉布斯採樣（Gibbs Sampling）/
5.5.4 哈密頓蒙特卡羅採樣（Hamiltonian Monte Carlo，HMC）/
5.6 實戰：變分高斯混合模型（Variational Gaussian Mixture Model）/
5.6.1 擴展GMM：貝葉斯高斯混合模型（Bayesian Gaussian Mixture Model）/
5.6.2 變分推斷近似/
5.6.3 代碼實現/
第6章核方法/
6.1 核函數及核技巧/
6.2核化KMeans算法（Kernel KMeans）/
6.2.1 KMeans算法回顧/
6.2.2 具體實現/
6.3 核化支持向量機（Kernel SVM）/
6.3.1 SVM對偶問題及核函數表示/
6.3.2 核化支持向量回歸（Kernel SVR）/
6.4 核化主成分分析(Kernel PCA，KPCA）/
6.4.1 回顧PCA及核化表示/
6.4.2 核中心化技巧及實現/
6.5 高斯過程（Gaussian Process，GP）/
6.5.1 高斯過程定義及基本性質/
6.5.2 核函數參數選取優化/
6.6 實戰：利用高斯過程進行超參數優化/
6.6.1 超參數優化（Hyperparameter Optimization）/
6.6.2 具體實現/
第7章深度神經網絡/
7.1 神經網絡（Neural Network）/
7.1.1 基本算子操作/
7.1.2 常見網絡結構/
7.1.3 網絡訓練/
7.2 變分自編碼器（Variational AutoEncoder，VAE）/
7.2.1 多種自編碼器介紹/
7.2.2 變分自編碼器/
7.3 深度生成模型（Deep Generative Model，DGM）/
7.3.1 受限玻爾茲曼機（Restricted Boltzmann Machine,RBM）/
7.3.2 生成式對抗網絡（Generative Adversarial Network,GAN）/
7.4 實戰：利用CycleGAN進行圖片風格轉換/
7.4.1 CycleGAN模型介紹/
7.4.2 模型實現/
第8章強化學習/
8.1 經典強化學習介紹/
8.1.1 基本概念介紹/
8.1.2 強化學習環境OpenAI Gym/
8.2 馬爾可夫決策過程（Markov Decision Process，MDP）/
8.2.1 MDP定義及貝爾曼優方程/
8.2.2 策略迭代（Policy Iteration）和價值迭代（Value Iteration）/
8.2.3 蒙特卡羅採樣學習（Monte Carlo Learning）/
8.2.4 時序差分學習（Temporal Difference Learning，TDLearning）/
8.3 基於Q價值函數的深度強化學習/
8.3.1 深度Q網絡（Deep QNetwork，DQN）/
8.3.2 其他DQN改進模型/
8.4 基於策略優化的深度強化學習/
8.4.1 策略梯度算法（Policy Gradient）/
8.4.2 Advantage ActorCritic（A2C）算法/
8.4.3 近鄰策略優化法（Proximal Policy Optimization，PPO）/
8.4.4 深度確定性策略梯度算法（Deep Deterministic Policy Gradient，DDPG）/
8.4.5 Soft Actor Critic（SAC）算法/
8.5 實戰：在Atari遊戲環境中進行深度強化學習評測/
8.5.1 Atari遊戲環境及預處理方式/
8.5.2 多種深度強化學習性能比較/
參考文獻/