机器学习观止 核心原理与实践

目 录

机器学习基础知识篇

第1章 人工智能概述 002

1.1 人工智能的定义 002

1.2 人工智能发展简史 003

1.3 人工智能经典流派 016

1.4 人工智能与机器学习 027

1.5 如何选择机器学习算法 029

1.6 机器学习的典型应用场景 032

1.7 本书的组织结构 043

第2章 机器学习中的数学基础 045

2.1 微分学 045

2.2 线性代数 047

2.3 概率论 060

2.4 统计学 065

2.5 *优化理论 068

2.6 其他 088

第3章 机器学习模型的度量指标 099

3.1 Precision、Recall和mAP 099

3.2 F1 Score 101

3.3 混淆矩阵 102

3.4 ROC 103

3.5 AUC 105

3.6 PRC 107

3.7 工业界使用的典型AI指标 108

经典机器学习篇

第4章 回归算法 112

4.1 回归分析 112

4.2 线性回归 112

4.3 逻辑回归 115

第5章 K-NN算法 122

5.1 K-NN概述 122

5.2 K-NN分类算法 123

5.3 K-NN回归算法 124

5.4 K-NN的优缺点 125

5.5 K-NN工程范例 126

第6章 k-means 129

6.1 k-means概述 129

6.2 k-means核心算法 129

6.3 k-means算法的优缺点 131

6.4 k-means工程范例 132

第7章 朴素贝叶斯 135

7.1 朴素贝叶斯分类算法 135

7.2 朴素贝叶斯的实际应用 137

第8章 决策树和随机森林 141

8.1 决策树 141

8.2 随机森林 146

第9章 支持向量机 149

9.1 SVM可以做什么 149

9.2 SVM的数学表述 151

9.4 硬间隔SVM 174

9.5 软间隔SVM 177

9.6 核函数技巧 182

9.7 多分类SVM 187

9.8 SVM实践 193

第10章 PCA降维 196

10.1 降维概述 196

10.2 PCA降维实现原理 197

10.3 PCA实例 200

第11章 集成学习 202

11.1 集成学习概述 202

11.2 集成学习架构 203

11.3 典型的集成方法 206

深度学习进阶篇

第12章 深度神经网络 212

12.1 神经元 212

12.2 激活函数 214

12.4 损失函数 224

第13章 卷积神经网络 232

13.1 CNN发展历史简述 232

13.2 CNN的核心组成元素 233

13.3 CNN经典框架 237

13.4 CNN的典型特性 249

第14章 RNN与LSTM 256

14.1 RNN 256

14.2 RNN的多种形态 257

14.3 RNN存在的不足 258

14.4 LSTM 259

14.5 LSTM核心框架 259

14.6 GRU 263

第15章 深度强化学习 265

15.1 强化学习和MDP 265

15.2 MDP问题的解决方案分类 268

15.3 基于模型的动态规划算法 269

15.4 基于无模型的强化学习算法 272

15.5 DQN 278

15.6 基于策略的强化学习算法 280

第16章 MCTS 285

16.1 MCTS概述 285

16.2 MCTS算法核心处理过程 286

16.3 UCB和UCT 286

16.4 MCTS实例解析 288

机器学习应用实践及相关原理

第17章 数据集的建设 292

17.1 数据集建设的核心目标 292

17.2 数据采集和标注 294

17.3 数据分析和处理 299

第18章 CNN训练技巧 304

18.1 数据预处理 304

18.2 数据增强 308

18.3 CNN核心组件择优 309

18.4 参数初始化策略 310

18.5 模型过拟合解决方法 319

18.6 模型的可解释性 328

18.7 Auto ML 346

第19章 CV和视觉识别经典模型 348

19.1 CV发展简史 348

19.2 视觉识别概述 353

19.3 R-CNN 359

19.4 Fast R-CNN 364

19.5 SPP-Net 365

19.6 Faster R-CNN 368

19.7 YOLO 375

19.8 SSD 383

19.9 不基于CNN来实现目标识别 390

第20章 自然语言处理和CNN 397

20.1 NLP简述 397

20.2 NLP发展历史 399

20.3 自然语言基础 400

20.4 词的表达方式 403

20.5 自然语言模型 405

20.6 word2vec 416

20.6.1 word2vec简介 416

20.7 常用语料库 420

20.8 NLP应用：文本分类 424

第21章 自然语言处理和CNN 430

21.1 应用程序场景识别背景 430

21.2 特征向量 431

21.3 数据采集 432

21.4 算法模型 433

21.5 落地应用 433

第22章 软件自动修复 436

22.1 什么是软件自动修复 436

22.2 软件自动修复基础知识 437

22.3 阶段1：缺陷定位 441

22.4 阶段2：补丁生成 458

22.5 APR领域经典框架 462

第23章 基于强化学习的经典应用—AlphaGO 479

23.1 AlphaGO简述 479

23.2 AlphaGO核心原理 480

23.3 策略网络 481

23.4 估值网络 483

23.5 MCTS 483

机器学习平台篇

第24章 分布式机器学习框架基础知识 488

24.1 分布式机器学习核心理念 488

24.2 GPU硬件设备 491

24.3 网络标准 498

24.4 分布式通信框架 500

24.5 经典分布式ML框架Caffe-MPI 511

第25章 Tensorflow 514

25.1 Tensorflow安装过程 514

25.2 Tensorflow基础知识 516

25.3 Tensorflow分布式训练 533

25.4 Tensorflow分布式部署 549

25.5 Tensorflow范例解析 560

25.6 Tensorflow的“变种” 563

第26章 Caffe 568

26.1 Caffe的安装 568

26.2 Caffe支持的数据集格式 587

26.3 Caffe中的网络模型构建 594

26.4 Google Protocol Buffer 598

26.5 Caffe2源码结构 600

26.6 Caffe工程范例 601

26.7 Caffe中的Model Zoo 607

第27章 scikit-learn 609

27.1 scikit-learn的安装 610

27.2 scikit-learn中的机器学习算法 610

27.3 scikit-learn中的Model selection 613

27.4 scikit-learn中的预处理 619

第28章 主流AI云平台 628

28.1 Microsoft OpenPAI 628

28.2 Google Cloud 631

28.3 Baidu 631

28.4 Alibaba 637

第29章 图像处理基础 650

29.1 光、色彩和人类视觉系统 650

29.2 图像的颜色模型 653

29.3 图像的基本属性 655

29.4 图像特征 659

29.5 图像的典型特征描述子 661

29.6 图像处理实例(图像质量检测) 690

第30章 程序切片技术 693

30.1 程序切片综述 693

30.2 程序切片基础知识 695

30.3 静态切片技术 715

30.4 动态切片技术 721

第31章 业界主流数据集分析 726

31.1 ImageNet简述 726

31.2 ImageNet的构建逻辑 726

31.3 ImageNet数据源的选择与处理 730

31.4 ImageNet的下载 733

参考文献 736