机器学习与深度学习Python版·微课视频版

第1章安装环境与语言、框架概要

1.1安装环境

1.1.1几个重要的概念

1.1.2安装Anaconda

1.1.3开发环境

1.2Python语言相关概念

1.2.1程序设计语言

1.2.2面向过程与面向对象程序设计方法

1.2.3平台无关性和解释型语言

1.3Python 3语法概要

1.3.1基础语法

1.3.2数据类型与运算符

1.3.3函数

1.3.4类和对象

1.3.5流程控制

1.3.6常用扩展库

1.4Python初步应用示例——迭代法

1.5TensorFlow 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

2.3.1机器学习算法术语

2.3.2机器学习模型实现算法分类

2.4本书内容安排

第3章聚类与降维

3.1k均值聚类算法

3.2聚类算法基础

3.2.1聚类任务

3.2.2聚类算法评价指标

3.3PCA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

3.6Mean 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

4.1.1回归任务

4.1.2线性回归与回归评价指标

4.2梯度下降法

4.2.1基本思想及其在MindSpore和TensorFlow 2框架中的实现

4.2.2梯度下降法求解线性回归问题

4.2.3随机梯度下降和批梯度下降

4.3决策函数回归模型

4.3.1多项式回归

4.3.2局部回归

4.4过拟合及其抑制

4.4.1欠拟合、过拟合与泛化能力

4.4.2过拟合的抑制方法

4.5多层神经网络与回归

4.5.1全连接层与线性回归及其在MindSpore和TensorFlow 2

框架中的实现

4.5.2全连接层神经网络与非线性回归及其在MindSpore和

TensorFlow 2框架中的实现

4.5.3神经网络中的过拟合及其抑制

4.6习题

第5章分类与卷积神经网络

5.1分类算法基础

5.1.1分类任务

5.1.2分类模型的评价指标

5.2决策树与随机森林

5.2.1决策树基本思想

5.2.2决策树建立与应用

5.2.3随机森林

5.3朴素贝叶斯分类

5.4神经网络与分类任务

5.4.1误差反向传播学习算法

5.4.2神经网络常用激活函数、损失函数和优化方法

5.4.3局部收敛与梯度消散

5.5卷积神经网络

5.5.1卷积神经网络示例

5.5.2卷积层

5.5.3池化层和Flatten层

5.5.4批标准化层

5.5.5典型卷积神经网络

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

6.2.1基本思想

6.2.2隐马尔可夫模型中文分词应用示例

6.3条件随机场模型

6.3.1基本思想

6.3.2条件随机场中文分词应用示例

6.4循环神经网络

6.4.1基本单元

6.4.2网络结构

6.4.3长短时记忆网络

6.4.4双向循环神经网络和深度循环神经网络

6.4.5循环神经网络中文分词应用示例

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

7.1.1数据总体分析

7.1.2数据可视化

7.1.3数据预处理

7.1.4特征选择

7.2超参数调优

7.3特征工程、建模与调优综合实例

7.3.1房价回归

7.3.2电信用户流失分类

7.4文本特征

7.4.1文本特征提取及文本向量化

7.4.2文本相似度比较示例

7.5习题

第8章强化学习*

8.1强化学习基础

8.1.1冰湖问题与强化学习基本概念

8.1.2马尔可夫决策过程

8.1.3蒙特卡罗近似

8.1.4利用与探索

8.1.5强化学习算法分类

8.2值函数可计算的强化学习方法

8.2.1动态规划法

8.2.2蒙特卡罗法

8.2.3时序差分法

8.3深度强化学习

8.3.1值函数逼近

8.3.2DQN与倒立摆控制问题

8.3.3参数化策略并直接优化示例

8.3.4策略梯度法

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

9.2.1FGM算法

9.2.2FGSM算法

9.2.3DeepFool算法

9.3黑盒攻击

9.3.1迁移攻击

9.3.2通用对抗扰动

9.4习题

参考文献