機器學習觀止：核心原理與實踐

目 錄

機器學習基礎知識篇

第1章 人工智能概述 002
1.1 人工智能的定義 002
1.2 人工智能發(fā)展簡史 003
1.3 人工智能經(jīng)典流派 016
1.4 人工智能與機器學習 027
1.5 如何選擇機器學習算法 029
1.6 機器學習的典型應用場景 032
1.7 本書的組織結(jié)構(gòu) 043

第2章 機器學習中的數(shù)學基礎 045
2.1 微分學 045
2.2 線性代數(shù) 047
2.3 概率論 060
2.4 統(tǒng)計學 065
2.5 最優(yōu)化理論 068
2.6 其他 088

第3章 機器學習模型的度量指標 099
3.1 Precision、Recall和mAP 099
3.2 F1 Score 101
3.3 混淆矩陣 102
3.4 ROC 103
3.5 AUC 105
3.6 PRC 107
3.7 工業(yè)界使用的典型AI指標 108

經(jīng)典機器學習篇

第4章 回歸算法 112
4.1 回歸分析 112
4.2 線性回歸 112
4.3 邏輯回歸 115

第5章 K-NN算法 122
5.1 K-NN概述 122
5.2 K-NN分類算法 123
5.3 K-NN回歸算法 124
5.4 K-NN的優(yōu)缺點 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算法的優(yōu)缺點 131
6.4 k-means工程范例 132

第7章 樸素貝葉斯 135
7.1 樸素貝葉斯分類算法 135
7.2 樸素貝葉斯的實際應用 137

第8章 決策樹和隨機森林 141
8.1 決策樹 141
8.2 隨機森林 146

第9章 支持向量機 149
9.1 SVM可以做什么 149
9.2 SVM的數(shù)學表述 151
9.4 硬間隔SVM 174
9.5 軟間隔SVM 177
9.6 核函數(shù)技巧 182
9.7 多分類SVM 187
9.8 SVM實踐 193

第10章 PCA降維 196
10.1 降維概述 196
10.2 PCA降維實現(xiàn)原理 197
10.3 PCA實例 200

第11章 集成學習 202
11.1 集成學習概述 202
11.2 集成學習架構(gòu) 203
11.3 典型的集成方法 206

深度學習進階篇

第12章 深度神經(jīng)網(wǎng)絡 212
12.1 神經(jīng)元 212
12.2 激活函數(shù) 214
12.4 損失函數(shù) 224

第13章 卷積神經(jīng)網(wǎng)絡 232
13.1 CNN發(fā)展歷史簡述 232
13.2 CNN的核心組成元素 233
13.3 CNN經(jīng)典框架 237
13.4 CNN的典型特性 249

第14章 RNN與LSTM 256
14.1 RNN 256
14.2 RNN的多種形態(tài) 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 深度強化學習 265
15.1 強化學習和MDP 265
15.2 MDP問題的解決方案分類 268
15.3 基于模型的動態(tài)規(guī)劃算法 269
15.4 基于無模型的強化學習算法 272
15.5 DQN 278
15.6 基于策略的強化學習算法 280

第16章 MCTS 285
16.1 MCTS概述 285
16.2 MCTS算法核心處理過程 286
16.3 UCB和UCT 286
16.4 MCTS實例解析 288

機器學習應用實踐及相關原理

第17章 數(shù)據(jù)集的建設 292
17.1 數(shù)據(jù)集建設的核心目標 292
17.2 數(shù)據(jù)采集和標注 294
17.3 數(shù)據(jù)分析和處理 299

第18章 CNN訓練技巧 304
18.1 數(shù)據(jù)預處理 304
18.2 數(shù)據(jù)增強 308
18.3 CNN核心組件擇優(yōu) 309
18.4 參數(shù)初始化策略 310
18.5 模型過擬合解決方法 319
18.6 模型的可解釋性 328
18.7 Auto ML 346

第19章 CV和視覺識別經(jīng)典模型 348
19.1 CV發(fā)展簡史 348
19.2 視覺識別概述 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來實現(xiàn)目標識別 390

第20章 自然語言處理和CNN 397
20.1 NLP簡述 397
20.2 NLP發(fā)展歷史 399
20.3 自然語言基礎 400
20.4 詞的表達方式 403
20.5 自然語言模型 405
20.6 word2vec 416
20.6.1 word2vec簡介 416
20.7 常用語料庫 420
20.8 NLP應用：文本分類 424

第21章 自然語言處理和CNN 430
21.1 應用程序場景識別背景 430
21.2 特征向量 431
21.3 數(shù)據(jù)采集 432
21.4 算法模型 433
21.5 落地應用 433

第22章 軟件自動修復 436
22.1 什么是軟件自動修復 436
22.2 軟件自動修復基礎知識 437
22.3 階段1：缺陷定位 441
22.4 階段2：補丁生成 458
22.5 APR領域經(jīng)典框架 462

第23章 基于強化學習的經(jīng)典應用—AlphaGO 479
23.1 AlphaGO簡述 479
23.2 AlphaGO核心原理 480
23.3 策略網(wǎng)絡 481
23.4 估值網(wǎng)絡 483
23.5 MCTS 483

機器學習平臺篇

第24章 分布式機器學習框架基礎知識 488
24.1 分布式機器學習核心理念 488
24.2 GPU硬件設備 491
24.3 網(wǎng)絡標準 498
24.4 分布式通信框架 500
24.5 經(jīng)典分布式ML框架Caffe-MPI 511

第25章 Tensorflow 514
25.1 Tensorflow安裝過程 514
25.2 Tensorflow基礎知識 516
25.3 Tensorflow分布式訓練 533
25.4 Tensorflow分布式部署 549
25.5 Tensorflow范例解析 560
25.6 Tensorflow的“變種” 563

第26章 Caffe 568
26.1 Caffe的安裝 568
26.2 Caffe支持的數(shù)據(jù)集格式 587
26.3 Caffe中的網(wǎng)絡模型構(gòu)建 594
26.4 Google Protocol Buffer 598
26.5 Caffe2源碼結(jié)構(gòu) 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的安裝 610
27.2 scikit-learn中的機器學習算法 610
27.3 scikit-learn中的Model selection 613
27.4 scikit-learn中的預處理 619

第28章 主流AI云平臺 628
28.1 Microsoft OpenPAI 628
28.2 Google Cloud 631
28.3 Baidu 631
28.4 Alibaba 637

第29章 圖像處理基礎 650
29.1 光、色彩和人類視覺系統(tǒng) 650
29.2 圖像的顏色模型 653
29.3 圖像的基本屬性 655
29.4 圖像特征 659
29.5 圖像的典型特征描述子 661
29.6 圖像處理實例(圖像質(zhì)量檢測) 690

第30章 程序切片技術(shù) 693
30.1 程序切片綜述 693
30.2 程序切片基礎知識 695
30.3 靜態(tài)切片技術(shù) 715
30.4 動態(tài)切片技術(shù) 721

第31章 業(yè)界主流數(shù)據(jù)集分析 726
31.1 ImageNet簡述 726
31.2 ImageNet的構(gòu)建邏輯 726
31.3 ImageNet數(shù)據(jù)源的選擇與處理 730
31.4 ImageNet的下載 733

參考文獻 736