機器學(xué)習(xí)與人工智能：從理論到實踐

序
前言
致謝
第一部分 簡介
第1章 人工智能和機器學(xué)習(xí)簡介
1．1 引言
1．2 什么是人工智能
1．3 什么是機器學(xué)習(xí)
1．4 本書的結(jié)構(gòu)
1．4．1 簡介
1．4．2 機器學(xué)習(xí)
1．4．3 構(gòu)建端到端管道
1．4．4 人工智能
1．4．5 實現(xiàn)
1．4．6 結(jié)語
第2章 人工智能和機器學(xué)習(xí)的基本概念
2．1 引言
2．2 大數(shù)據(jù)和非大數(shù)據(jù)
2．2．1 什么是大數(shù)據(jù)
2．2．2 為什么我們應(yīng)該區(qū)別對待大數(shù)據(jù)
2．3 學(xué)習(xí)類型
2．3．1 監(jiān)督學(xué)習(xí)
2．3．2 無監(jiān)督學(xué)習(xí)
2．3．3 強化學(xué)習(xí)
2．4 基于時間的機器學(xué)習(xí)方法
2．4．1 靜態(tài)學(xué)習(xí)
2．4．2 動態(tài)學(xué)習(xí)
2．5 維數(shù)
2．6 線性和非線性
2．7 奧卡姆剃刀原理
2．8 “沒有免費的午餐”定理
2．9 收益遞減規(guī)律
2．10 機器學(xué)習(xí)的早期趨勢
2．11 小結(jié)
第3章 數(shù)據(jù)的理解、表示和可視化
3．1 引言
3．2 理解數(shù)據(jù)
3．2．1 理解實體
3．2．2 理解屬性
3．2．3 理解數(shù)據(jù)類型
3．3 數(shù)據(jù)的表示和可視化
3．3．1 主成分分析
3．3．2 線性判別分析
3．4 小結(jié)
第二部分 機器學(xué)習(xí)
第4章 線性方法
4．1 引言
4．2 線性模型和廣義線性模型
4．3 線性回歸
4．3．1 定義問題
4．3．2 解決問題
4．4 正則化的線性回歸
4．4．1 正則化
4．4．2 嶺回歸
4．4．3 Lasso回歸
4．5 廣義線性模型
4．6 k最近鄰算法
4．6．1 KNN的定義
4．6．2 分類和回歸
4．6．3 KNN的其他變體
4．7 小結(jié)
第5章 感知器和神經(jīng)網(wǎng)絡(luò)
5．1 引言
5．2 感知器
5．3 多層感知器或人工神經(jīng)網(wǎng)絡(luò)
5．3．1 前饋操作
5．3．2 非線性多層感知器或非線性人工神經(jīng)網(wǎng)絡(luò)
5．3．3 訓(xùn)練多層感知器
5．3．4 隱藏層
5．4 徑向基函數(shù)網(wǎng)絡(luò)
5．5 過度擬合與正則化
5．5．1 L1和L2正則化
5．5．2 丟棄正則化
5．6 小結(jié)
第6章 決策樹
6．1 引言
6．2 為什么使用決策樹
6．3 構(gòu)建決策樹的算法
6．4 回歸樹
6．5 分類樹
6．6 決策指標(biāo)
6．6．1 誤分類誤差
6．6．2 基尼指數(shù)
6．6．3 交叉熵或偏差
6．7 卡方自動交叉檢驗
6．8 訓(xùn)練決策樹
6．9 集成決策樹
6．10 Bagging集成樹
6．11 隨機森林
6．12 Boosted集成樹
6．12．1 AdaBoost
6．12．2 梯度提升
6．13小結(jié)
……
第三部分 構(gòu)建端到端管道
第四部分 人工智能
第五部分 實現(xiàn)
第六部分 結(jié)語
參考文獻(xiàn)