机器学习与深度学习（Python版·微课视频版）

封面

版权信息

内容简介

前言

第1章 安装环境与语言、框架概要

1.1 安装环境

1.2 Python语言相关概念

1.3 Python 3语法概要

1.4 Python初步应用示例——迭代法

1.5 TensorFlow 2和MindSpore深度学习框架概要

1.6 习题

第2章 基础知识

2.1 机器学习与深度学习

2.2 机器学习应用流程

2.3 机器学习算法概要

2.4 本书内容安排

第3章 聚类与降维

3.1 k均值聚类算法

3.2 聚类算法基础

3.3 PCA降维算法

3.4 划分聚类、密度聚类和模型聚类算法

3.5 层次聚类算法

3.6 Mean Shift算法及其在图像分割中的应用示例

3.7 习题

第4章 回归与多层神经网络

4.1 回归任务、评价与线性回归

4.2 梯度下降法

4.3 决策函数回归模型

4.4 过拟合及其抑制

4.5 多层神经网络与回归

4.6 习题

第5章 分类与卷积神经网络

5.1 分类算法基础

5.2 决策树与随机森林

5.3 朴素贝叶斯分类

5.4 神经网络与分类任务

5.5 卷积神经网络

5.6 习题

第6章 标注与循环神经网络

6.1 标注任务与序列问题

6.2 隐马尔可夫模型

6.3 条件随机场模型

6.4 循环神经网络

6.5 习题

第7章 特征工程与超参数调优及综合实例

7.1 特征工程

7.2 超参数调优

7.3 特征工程、建模与调优综合实例

7.4 文本特征

7.5 习题

第8章 强化学习*

8.1 强化学习基础

8.2 值函数可计算的强化学习方法

8.3 深度强化学习

8.4 习题

第9章 对抗样本

9.1 对抗样本与对抗攻击

9.2 白盒攻击

9.3 黑盒攻击

9.4 习题