更新时间：2024-09-11 17:34:11
封面
版权信息
O'Reilly Media，Inc.介绍
前言
第一部分 机器学习的基础知识
第1章 机器学习概览
1.1 什么是机器学习
1.2 为什么使用机器学习
1.3 应用示例
1.4 机器学习系统的类型
1.5 机器学习的主要挑战
1.6 测试和验证
1.7 练习题
第2章 端到端机器学习项目
2.1 使用真实数据
2.2 放眼大局
2.3 获取数据
2.4 探索和可视化数据以获得见解
2.5 为机器学习算法准备数据
2.6 选择和训练模型
2.7 微调模型
2.8 启动、监控和维护系统
2.9 试试看
2.10 练习题
第3章 分类
3.1 MNIST
3.2 训练二元分类器
3.3 性能测量
3.4 多类分类
3.5 错误分析
3.6 多标签分类
3.7 多输出分类
3.8 练习题
第4章 训练模型
4.1 线性回归
4.2 梯度下降
4.3 多项式回归
4.4 学习曲线
4.5 正则化线性模型
4.6 逻辑回归
4.7 练习题
第5章 支持向量机
5.1 线性SVM分类
5.2 非线性SVM分类
5.3 SVM回归
5.4 线性SVM分类器的工作原理
5.5 对偶问题
5.6 练习题
第6章 决策树
6.1 训练和可视化决策树
6.2 做出预测
6.3 估计类概率
6.4 CART训练算法
6.5 计算复杂度
6.6 基尼杂质或熵
6.7 正则化超参数
6.8 回归
6.9 对轴方向的敏感性
6.10 决策树具有高方差
6.11 练习题
第7章 集成学习和随机森林
7.1 投票分类器
7.2 bagging和pasting
7.3 随机森林
7.4 提升法
7.5 堆叠法
7.6 练习题
第8章 降维
8.1 维度的诅咒
8.2 降维的主要方法
8.3 PCA
8.4 随机投影
8.5 LLE
8.6 其他降维技术
8.7 练习题
第9章 无监督学习技术
9.1 聚类算法：k均值和DBSCAN
9.2 高斯混合模型
9.3 练习题
第二部分 神经网络与深度学习
第10章 Keras人工神经网络简介
10.1 从生物神经元到人工神经元
10.2 使用Keras实现MLP
10.3 微调神经网络超参数
10.4 练习题
第11章 训练深度神经网络
11.1 梯度消失和梯度爆炸问题
11.2 重用预训练层
11.3 更快的优化器
11.4 学习率调度
11.5 通过正则化避免过拟合
11.6 总结和实用指南
11.7 练习题
第12章 使用TensorFlow自定义模型和训练
12.1 TensorFlow快速浏览
12.2 像使用NumPy一样使用TensorFlow
12.3 自定义模型和训练算法
12.4 TensorFlow函数和图
12.5 练习题
第13章 使用TensorFlow加载和预处理数据
