機器學習與深度學習（Python版·微課視頻版）

隨書資源

目錄

第1章安裝環境與語言、框架概要

1.1安裝環境

1.1.1幾個重要的概念

1.1.2安裝Anaconda

1.1.3開發環境

1.2Python語言相關概念

1.2.1程序設計語言

1.2.2面向過程與面向對象程序設計方法

1.2.3平臺無關性和解釋型語言

1.3Python 3語法概要

1.3.1基礎語法

1.3.2數據類型與運算符

1.3.3函數

1.3.4類和對象

1.3.5流程控制

1.3.6常用擴展庫

1.4Python初步應用示例——迭代法

1.5TensorFlow 2和MindSpore深度學習框架概要

1.6習題

第2章基礎知識

2.1機器學習與深度學習

2.2機器學習應用流程

2.3機器學習算法概要

2.3.1機器學習算法術語

2.3.2機器學習模型實現算法分類

2.4本書內容安排

第3章聚類與降維

3.1k均值聚類算法

3.2聚類算法基礎

3.2.1聚類任務

3.2.2聚類算法評價指標

3.3PCA降維算法

3.4劃分聚類、密度聚類和模型聚類算法

3.5層次聚類算法

3.6Mean Shift算法及其在圖像分割中的應用示例

3.7習題

第4章回歸與多層神經網絡

4.1回歸任務、評價與線性回歸

4.1.1回歸任務

4.1.2線性回歸與回歸評價指標

4.2梯度下降法

4.2.1基本思想及其在MindSpore和TensorFlow 2框架中的實現

4.2.2梯度下降法求解線性回歸問題

4.2.3隨機梯度下降和批梯度下降

4.3決策函數回歸模型

4.3.1多項式回歸

4.3.2局部回歸

4.4過擬合及其抑制

4.4.1欠擬合、過擬合與泛化能力

4.4.2過擬合的抑制方法

4.5多層神經網絡與回歸

4.5.1全連接層與線性回歸及其在MindSpore和TensorFlow 2

框架中的實現

4.5.2全連接層神經網絡與非線性回歸及其在MindSpore和

TensorFlow 2框架中的實現

4.5.3神經網絡中的過擬合及其抑制

4.6習題

第5章分類與捲積神經網絡

5.1分類算法基礎

5.1.1分類任務

5.1.2分類模型的評價指標

5.2決策樹與隨機森林

5.2.1決策樹基本思想

5.2.2決策樹建立與應用

5.2.3隨機森林

5.3樸素貝葉斯分類

5.4神經網絡與分類任務

5.4.1誤差反向傳播學習算法

5.4.2神經網絡常用激活函數、損失函數和優化方法

5.4.3局部收斂與梯度消散

5.5捲積神經網絡

5.5.1捲積神經網絡示例

5.5.2捲積層

5.5.3池化層和Flatten層

5.5.4批標準化層

5.5.5典型捲積神經網絡

5.6習題

第6章標註與循環神經網絡

6.1標註任務與序列問題

6.2隱馬爾可夫模型

6.2.1基本思想

6.2.2隱馬爾可夫模型中文分詞應用示例

6.3條件隨機場模型

6.3.1基本思想

6.3.2條件隨機場中文分詞應用示例

6.4循環神經網絡

6.4.1基本單元

6.4.2網絡結構

6.4.3長短時記憶網絡

6.4.4雙向循環神經網絡和深度循環神經網絡

6.4.5循環神經網絡中文分詞應用示例

6.5習題

第7章特徵工程與超參數調優及綜合實例

7.1特徵工程

7.1.1數據總體分析

7.1.2數據可視化

7.1.3數據預處理

7.1.4特徵選擇

7.2超參數調優

7.3特徵工程、建模與調優綜合實例

7.3.1房價回歸

7.3.2電信用戶流失分類

7.4文本特徵

7.4.1文本特徵提取及文本向量化

7.4.2文本相似度比較示例

7.5習題

第8章強化學習*

8.1強化學習基礎

8.1.1冰湖問題與強化學習基本概念

8.1.2馬爾可夫決策過程

8.1.3蒙特卡羅近似

8.1.4利用與探索

8.1.5強化學習算法分類

8.2值函數可計算的強化學習方法

8.2.1動態規劃法

8.2.2蒙特卡羅法

8.2.3時序差分法

8.3深度強化學習

8.3.1值函數逼近

8.3.2DQN與倒立擺控制問題

8.3.3參數化策略並直接優化示例

8.3.4策略梯度法

8.4習題

第9章對抗樣本

9.1對抗樣本與對抗攻擊

9.2白盒攻擊

9.2.1FGM算法

9.2.2FGSM算法

9.2.3DeepFool算法

9.3黑盒攻擊

9.3.1遷移攻擊

9.3.2通用對抗擾動

9.4習題

參考文獻