機器學習（Python+sklearn+TensorFlow 2.0）——第2版·微課視頻版

目錄

隨書資源

AI助教

第1章緒論

1.1機器學習是什麼

1.2機器學習算法

1.2.1機器學習算法的分類

1.2.2機器學習算法的術語

1.3本書的學習之路

1.4編程環境及工具包

第2章聚類

2.1k均值聚類算法及應用示例

2.1.1算法及實現

2.1.2在手機機主身份識別中的應用示例

2.1.3進一步討論

2.1.4改進算法

2.2聚類算法基礎

2.2.1聚類任務

2.2.2樣本點常用距離度量

2.2.3聚類算法評價指標

2.2.4聚類算法分類

2.3DBSCAN及其派生算法

2.3.1相關概念及算法流程

2.3.2鄰域參數ε和MinPts的確定

2.3.3OPTICS算法

2.4AGNES算法

2.4.1簇之間的距離度量

2.4.2算法流程

2.5練習題

第3章回歸

3.1回歸任務、評價與線性回歸模型

3.1.1回歸任務

3.1.2線性回歸模型與回歸評價指標

3.1.3最小二乘法求解線性回歸模型

3.2機器學習中的最優化方法

3.2.1最優化模型

3.2.2疊代法

3.2.3梯度下降法

3.2.4全局最優與凸優化

3.2.5牛頓法

3.3多項式回歸

3.4過擬合與泛化

3.4.1欠擬合、過擬合與泛化能力

3.4.2泛化能力評估方法

3.4.3過擬合抑制

3.5向量相關性與嶺回歸

3.5.1向量的相關性

3.5.2嶺回歸算法

3.6局部回歸

3.6.1局部加權線性回歸

3.6.2K近鄰法

3.7練習題

第4章分類

4.1決策樹、隨機森林及其應用

4.1.1決策樹分類算法

4.1.2隨機森林算法

4.1.3在O2O優惠券使用預測示例中的應用

4.1.4進一步討論

4.1.5回歸樹

4.2分類算法基礎

4.2.1分類任務

4.2.2分類模型的評價指標

4.3邏輯回歸

4.3.1平面上二分類的線性邏輯回歸

4.3.2邏輯回歸模型

4.3.3多分類邏輯回歸

4.4Softmax回歸

4.4.1Softmax函數

4.4.2Softmax回歸模型

4.4.3進一步討論

4.5集成學習與類別不平衡問題

4.5.1裝袋方法及應用

4.5.2提升方法及應用

4.5.3投票方法及應用

4.5.4類別不平衡問題

4.6練習題

第5章特征工程、降維與超參數調優

5.1特征工程

5.1.1數據總體分析

5.1.2數據可視化

5.1.3數據預處理

5.2線性降維

5.2.1奇異值分解

5.2.2主成分分析

5.3超參數調優

5.3.1網格搜索

5.3.2隨機搜索

5.4練習題

第6章概率模型與標註

6.1概率模型

6.1.1分類、聚類和標註任務的概率模型

6.1.2生成模型和判別模型

6.1.3概率模型的簡化假定

6.2邏輯回歸模型的概率分析

6.3樸素貝葉斯分類

6.3.1條件概率估計難題

6.3.2特征條件獨立假定

6.3.3樸素貝葉斯法的算法流程及示例

6.3.4樸素貝葉斯分類器

6.4EM算法與高斯混合聚類

6.4.1EM算法示例

6.4.2EM算法及其流程

6.4.3高斯混合聚類

6.5隱馬爾可夫模型

6.5.1馬爾可夫鏈

6.5.2隱馬爾可夫模型及示例

6.5.3前向後向算法

6.5.4維特比算法

6.5.5序列標註應用示例

6.6條件隨機場模型

6.7練習題

第7章神經網絡

7.1神經網絡模型

7.1.1神經元

7.1.2神經網絡

7.1.3分類、聚類、回歸、標註任務的神經網絡模型

7.2多層神經網絡

7.2.1三層感知機的誤差反向傳播學習示例

7.2.2誤差反向傳播學習算法

7.2.3多層神經網絡常用損失函數

7.2.4多層神經網絡常用優化算法

7.2.5多層神經網絡中過擬合的抑制

7.2.6進一步討論

7.3競爭學習和自組織特征映射網絡*

7.3.1競爭學習

7.3.2自組織特征映射網絡的結構與學習

7.4練習題

第8章深度學習

8.1概述

8.2卷積神經網絡

8.2.1卷積神經網絡示例

8.2.2卷積層

8.2.3池化層和Flatten層

8.2.4批標準化層

8.2.5典型卷積神經網絡

8.3循環神經網絡

8.3.1基本單元

8.3.2網絡結構

8.3.3長短時記憶網絡

8.3.4雙向循環神經網絡和深度循環神經網絡

8.3.5序列標註應用示例

8.4練習題

第9章生成對抗網絡

9.1生成對抗網絡框架

9.2反卷積與圖像生成

9.2.1上采樣

9.2.2反卷積運算

9.2.3DCGAN

9.3圖像處理領域中的應用

9.3.1有條件生成樣本

9.3.2圖像轉換

9.4習題

第10章強化學習

10.1強化學習基礎

10.1.1冰湖問題與強化學習基本概念

10.1.2馬爾可夫決策過程

10.1.3蒙特卡羅近似

10.1.4利用與探索

10.1.5強化學習算法分類

10.2值函數可計算的強化學習方法

10.2.1動態規劃法

10.2.2蒙特卡羅法

10.2.3時序差分法

10.3深度強化學習

10.3.1值函數逼近

10.3.2DQN與倒立擺控制問題

10.3.3參數化策略並直接優化示例

10.3.4策略梯度法

10.4習題

第11章大語言模型

11．1概述

11．2詞嵌入

11．3編碼器解碼器結構和註意力機制

11．3．1編碼器解碼器結構

11．3．2RNN Search模型中的註意力

11．3．3註意力機制

11．3．4多頭註意力

11．4Transformer模型

11．4．1總體結構與應用示例

11．4．2詞嵌入與位置嵌入

11．4．3編碼層

11．4．4解碼層

11．4．5訓練過程與預測過程

11．5大語言模型分類

11．5．1預訓練

11．5．2解碼器類型大語言模型

11．5．3編碼器類型大語言模型

11．5．4編碼器解碼器類型大語言模型

11．5．5DeepSeek系列模型

11．6習題

第12章對抗樣本

12.1對抗樣本與對抗攻擊

12.2白盒攻擊

12.2.1FGM算法

12.2.2FGSM算法

12.2.3DeepFool算法

12.3黑盒攻擊

12.3.1遷移攻擊

12.3.2通用對抗擾動

12.4習題

參考文獻