程序員的AI書：從代碼開始

上篇
第1章 機器學習的HELLO WORLD 2
1.1 機器學習簡介 2
1.2 機器學習應用的核心開發(fā)流程 3
1.3 從代碼開始 6
1.3.1 搭建環(huán)境 6
1.3.2 一段簡單的代碼 7
1.4 本章小結 9
1.5 本章參考文獻 9

第2章 手工實現(xiàn)神經網(wǎng)絡 10
2.1 感知器 10
2.1.1 從神經元到感知器 10
2.1.2 實現(xiàn)簡單的感知器 12
2.2 線性回歸、梯度下降及實現(xiàn) 15
2.2.1 分類的原理 15
2.2.2 損失函數(shù)與梯度下降 16
2.2.3 神經元的線性回歸實現(xiàn) 18
2.3 隨機梯度下降及實現(xiàn) 21
2.4 單層神經網(wǎng)絡的Python實現(xiàn) 23
2.4.1 從神經元到神經網(wǎng)絡 23
2.4.2 單層神經網(wǎng)絡：初始化 25
2.4.3 單層神經網(wǎng)絡：核心概念 27
2.4.4 單層神經網(wǎng)絡：前向傳播 28
2.4.5 單層神經網(wǎng)絡：反向傳播 29
2.4.6 網(wǎng)絡訓練及調整 34
2.5 本章小結 38
2.6 本章參考文獻 38

第3章 上手KERAS 39
3.1 Keras簡介 39
3.2 Keras開發(fā)入門 40
3.2.1 構建模型 40
3.2.2 訓練與測試 42
3.3 Keras的概念說明 44
3.3.1 Model 44
3.3.2 Layer 48
3.3.3 Loss 65
3.4 再次代碼實戰(zhàn) 70
3.4.1 XOR運算 70
3.4.2 房屋價格預測 73
3.5 本章小結 75
3.6 本章參考文獻 76

第4章 預測與分類：簡單的機器學習應用 77
4.1 機器學習框架之sklearn簡介 77
4.1.1 安裝sklearn 78
4.1.2 sklearn中的常用模塊 78
4.1.3 對算法和模型的選擇 79
4.1.4 對數(shù)據(jù)集的劃分 80
4.2 初識分類算法 80
4.2.1 分類算法的性能度量指標 81
4.2.2 樸素貝葉斯分類及案例實現(xiàn) 86
4.3 決策樹 90
4.3.1 算法介紹 90
4.3.2 決策樹的原理 91
4.3.3 實例演練 96
4.3.4 決策樹優(yōu)化 99
4.4 線性回歸 101
4.4.1 算法介紹 101
4.4.2 實例演練 101
4.5 邏輯回歸 102
4.5.1 算法介紹 102
4.5.2 多分類問題與實例演練 107
4.6 神經網(wǎng)絡 108
4.6.1 神經網(wǎng)絡的歷史 108
4.6.2 實例演練 114
4.6.3 深度學習中的一些算法細節(jié) 117
4.7 本章小結 120
4.8 本章參考文獻 120

下篇
第5章 推薦系統(tǒng)基礎 122
5.1 推薦系統(tǒng)簡介 122
5.2 相似度計算 124
5.3 協(xié)同過濾 125
5.3.1 基于用戶的協(xié)同過濾 126
5.3.2 基于物品的協(xié)同過濾 128
5.3.3 算法實現(xiàn)與案例演練 129
5.4 LR模型在推薦場景下的應用 131
5.5 多模型融合推薦模型：Wide&Deep模型 135
5.5.1 探索-利用困境的問題 135
5.5.2 Wide&Deep模型 137
5.5.3 交叉特征 137
5.6 本章小結 145
5.7 本章參考文獻 145

第6章 項目實戰(zhàn)：聊天機器人 146
6.1 聊天機器人的發(fā)展歷史 146
6.2 循環(huán)神經網(wǎng)絡 148
6.2.1 Slot Filling 148
6.2.2 NLP中的單詞處理 150
6.2.3 循環(huán)神經網(wǎng)絡簡介 153
6.2.4 LSTM網(wǎng)絡簡介 154
6.3 Seq2Seq原理介紹及實現(xiàn) 157
6.3.1 Seq2Seq原理介紹 157
6.3.2 用Keras實現(xiàn)Seq2Seq算法 158
6.4 Attention 173
6.4.1 Seq2Seq的問題 174
6.4.2 Attention的工作原理 175
6.4.3 Attention在Keras中的實現(xiàn) 178
6.4.4 Attention示例 180
6.5 本章小結 185
6.6 本章參考文獻 185

第7章 圖像分類實戰(zhàn) 187
7.1 圖像分類與卷積神經網(wǎng)絡 187
7.1.1 卷積神經網(wǎng)絡的歷史 187
7.1.2 圖像分類的3個問題 188
7.2 卷積神經網(wǎng)絡的工作原理 190
7.2.1 卷積運算 191
7.2.2 傳統(tǒng)圖像處理中的卷積運算 193
7.2.3 Pooling 195
7.2.4 為什么卷積神經網(wǎng)絡能達到較好的效果 197
7.3 案例實戰(zhàn)：交通圖標分類 200
7.3.1 交通圖標數(shù)據(jù)集 200
7.3.2 卷積神經網(wǎng)絡的Keras實現(xiàn) 202
7.4 優(yōu)化策略 209
7.4.1 數(shù)據(jù)增強 210
7.4.2 ResNet 214
7.5 本章小結 216
7.6 本章參考文獻 217

第8章 目標識別 218
8.1 CNN的演化 218
8.1.1 CNN和滑動窗口 218
8.1.2 RCNN 220
8.1.3 從Fast RCNN到Faster RCNN 223
8.1.4 Faster RCNN核心代碼解析 228
8.2 YOLO 242
8.2.1 YOLO v1 242
8.2.2 YOLO v2 248
8.2.3 YOLO v3 251
8.3 YOLO v3的具體實現(xiàn) 253
8.3.1 數(shù)據(jù)預處理 253
8.3.2 模型訓練 260
8.4 本章小結 293
8.5 本章參考文獻 294

第9章 模型部署與服務 296
9.1 生產環(huán)境中的模型服務 296
9.2 TensorFlow Serving的應用 299
9.2.1 轉換Keras模型 299
9.2.2 TensorFlow Serving部署 302
9.2.3 接口驗證 303
9.3 本章小結 307
9.4 本章參考文獻 308