大数据与人工智能技术丛书机器学习(Python+sklearn+TensorFlow 2.0)-微课视频版

目录

第1章绪论

1.1机器学习是什么

1.2机器学习算法

1.2.1机器学习算法分类

1.2.2机器学习算法的术语

1.3本书的学习之路

1.4编程环境及工具包

第2章聚类

2.1k均值聚类算法及应用示例

2.1.1算法及实现

2.1.2在手机机主身份识别中的应用示例

2.1.3进一步讨论

2.1.4改进算法

2.2聚类算法基础

2.2.1聚类任务

2.2.2样本点常用距离度量

2.2.3聚类算法评价指标

2.2.4聚类算法分类

2.3DBSCAN及其派生算法

2.3.1相关概念及算法流程

2.3.2邻域参数ε和MinPts的确定

2.3.3OPTICS算法

2.4AGNES算法

2.4.1簇之间的距离度量

2.4.2算法流程

2.5练习题

第3章回归

3.1回归任务、评价与线性回归模型

3.1.1回归任务

3.1.2线性回归模型与回归评价指标

3.1.3*小二乘法求解线性回归模型

3.2机器学习中的*优化方法

3.2.1*优化模型

3.2.2迭代法

3.2.3梯度下降法

3.2.4全局*优与凸优化

3.2.5牛顿法

3.3多项式回归

3.4过拟合与泛化

3.4.1欠拟合、过拟合与泛化能力

3.4.2泛化能力评估方法

3.4.3过拟合抑制

3.5向量相关性与岭回归

3.5.1向量的相关性

3.5.2岭回归算法

3.6局部回归

3.6.1局部加权线性回归

3.6.2K近邻法

3.7练习题

第4章分类

4.1决策树、随机森林及其应用

4.1.1决策树分类算法

4.1.2随机森林算法

4.1.3在O2O优惠券使用预测示例中的应用

4.1.4进一步讨论

4.1.5回归树

4.2分类算法基础

4.2.1分类任务

4.2.2分类模型的评价指标

4.3逻辑回归

4.3.1平面上二分类的线性逻辑回归

4.3.2逻辑回归模型

4.3.3多分类逻辑回归

4.4Softmax回归

4.4.1Softmax函数

4.4.2Softmax回归模型

4.4.3进一步讨论

4.5集成学习与类别不平衡问题

4.5.1装袋方法及应用

4.5.2提升方法及应用

4.5.3投票方法及应用

4.5.4类别不平衡问题

4.6练习题

第5章特征工程、降维与超参数调优

5.1特征工程

5.1.1数据总体分析

5.1.2数据可视化

5.1.3数据预处理

5.2线性降维

5.2.1奇异值分解

5.2.2主成分分析

5.3超参数调优

5.3.1网格搜索

5.3.2随机搜索

5.4练习题

第6章概率模型与标注

6.1概率模型

6.1.1分类、聚类和标注任务的概率模型

6.1.2生成模型和判别模型

6.1.3概率模型的简化假定

6.2逻辑回归模型的概率分析

6.3朴素贝叶斯分类

6.3.1条件概率估计难题

6.3.2特征条件独立假定

6.3.3朴素贝叶斯法的算法流程及示例

6.3.4朴素贝叶斯分类器

6.4EM算法与高斯混合聚类

6.4.1EM算法示例

6.4.2EM算法及其流程

6.4.3高斯混合聚类

6.5隐马尔可夫模型

6.5.1马尔可夫链

6.5.2隐马尔可夫模型及示例

6.5.3前向后向算法

6.5.4维特比算法

6.6条件随机场模型

6.7练习题

第7章神经网络

7.1神经网络模型

7.1.1神经元

7.1.2神经网络

7.1.3分类、聚类、回归、标注任务的神经网络模型

7.2多层神经网络

7.2.1三层感知机的误差反向传播学习示例

7.2.2误差反向传播学习算法

7.2.3多层神经网络常用损失函数

7.2.4多层神经网络常用优化算法

7.2.5多层神经网络中过拟合的抑制

7.2.6进一步讨论

7.3竞争学习和自组织特征映射网络

7.3.1竞争学习

7.3.2自组织特征映射网络的结构与学习

7.4练习题

第8章深度学习

8.1概述

8.2卷积神经网络

8.2.1卷积神经网络示例

8.2.2卷积层

8.2.3池化层和Flatten层

8.2.4批标准化层

8.2.5典型卷积神经网络

8.3循环神经网络

8.3.1基本单元

8.3.2网络结构

8.3.3长短时记忆网络

8.3.4双向循环神经网络和深度循环神经网络

8.3.5序列标注示例

8.4练习题

参考文献