●第一部分機器學習基礎
第1章人類是如何學習的3
邁向思考型機器4
機器推理的曙光4
哥德爾不完備定理4
計算機的形式化5
邁向人類思想的形式化5
人工智能學科的誕生6
學習原理7
什麼是智能軟件7
大棒加胡蘿卜法14
應變能力15
人工智能的形式16
原始智能16
專家繫統16
自治繫統19
人工情感的形式20
小結22
第2章智能軟件23
應用人工智能23
軟件智能的發展24
專家繫統25
通用人工智能27
無監督學習27
監督學習29
小結32
第3章映射問題和算法33
基本問題33
對像分類34
結果預測36
對像分組38
更復雜的問題40
圖像分類41
目標檢測41
文本分析42
自動機器學習42
AutoML平臺概述42
AutoML模型構建器實戰45
小結48
第4章機器學習解決方案的一般步驟49
數據收集50
組織中的數據驅動文化50
存儲選項51
數據準備52
提高數據質量53
清洗數據53
特征工程54
最終確定訓練數據集56
模型選擇及訓練58
算法速查表59
神經網絡案例61
評估模型性能62
模型部署64
選擇合適的主機平臺64
公開API65
小結66
第5章數據因素67
數據質量67
數據有效性68
數據收集69
數據完整性70
完備性70
專享性70
及時性71
準確性71
一致性71
什麼是數據科學家71
工作中的數據科學家72
數據科學家的工具箱73
數據科學家和軟件開發人員73
小結74
第二部分.NET中的機器學習
第6章.NET方式77
為什麼用/不用Python78
為什麼Python在機器學習中如此受歡迎78
Python機器學習庫的分類80
基於Python模型的端到端解決方案82
ML.NET簡介83
在ML.NET中創建和使用模型84
學習環境的要素87
小結91
第7章實現ML.NET管道93
從數據開始93
探索數據集94
應用公共數據轉換94
關於數據集的注意事項95
訓練步驟96
選擇算法96
測量算法的實際值97
計劃測試階段97
指標預覽98
從客戶端應用程序中預測價格99
獲取模型文件99
設置ASP.NET應用程序99
預測出租車費用100
設計適當的用戶界面102
質疑數據和解決問題的方法103
小結103
第8章ML.NET任務和算法105
ML.NET的整體框架105
涉及的類型和接口105
數據表示107
支持的目錄109
分類任務111
二進制分類111
多類分類116
聚類任務122
準備工作數據122
訓練模型123
評估模型124
遷移學習126
建立圖像分類器的步驟127
應用必要的數據轉換127
模型的構建和訓練129
關於遷移學習的補充說明131
小結132
第三部分淺層學習基礎
第9章機器學習的數學基礎135
統計數據135
均值136
眾數138
中位數139
偏差和方差141
方差142
偏差144
數據表示145
五數概括法145
直方圖146
散點圖148
散點圖矩陣148
以適當的比例繪制149
小結150
第10章機器學習的度量151
統計與機器學習151
機器學習的終極目標152
從統計模型到機器學習模型153
機器學習模型的評價155
從數據集到預測155
測量模型的精度157
為處理準備數據162
縮放162
標準化163
歸一化163
小結163
第11章進行簡單預測：線性回歸165
問題165
用數據指導預測結果166
對關繫做假設167
線性算法169
總體思路169
確定代價函數170
普通的最小二乘算法171
梯度下降算法174
判斷算法的好壞178
改進解決方案178
多項式方法178
正則化179
小結180
第12章進行復雜的預測和決策：決策樹181
問題181
什麼是樹182
機器學習中的樹183
基於樹的算法示例183
基於樹的算法的設計原理185
決策樹與專家繫統185
樹算法的種類186
分類樹187
CART算法的工作原理187
ID3算法的工作原理191
回歸樹194
算法的工作原理194
剪枝195
小結196
第13章進行更好的決策：集成學習算法197
問題197
bagging技術198
隨機森林算法198
算法步驟200
優點與缺點202
boosting技術203
boosting的功能203
梯度boosting206
優點與缺點210
小結210
第14章概率方法：樸素貝葉斯211
貝葉斯統計快速入門211
貝葉斯概率簡介212
基本符號212
貝葉斯定理214
一個實用的代碼審查示例215
貝葉斯統計在分類中的應用216
問題的初始表述217
簡化的有效分子式217
貝葉斯分類器實踐218
樸素貝葉斯分類器219
通用算法219
多項式樸素貝葉斯220
伯努利樸素貝葉斯223
高斯樸素貝葉斯224
樸素貝葉斯回歸226
貝葉斯線性回歸的基礎226
貝葉斯線性回歸的應用228
小結228
第15章對數據進行分組：分類與聚類229
有監督分類的基本方法230
K–近鄰算法230
算法步驟232
應用場景234
支持向量機235
算法概述235
數學知識回顧239
算法步驟240
無監督聚類245
應用案例：縮減數據集245
K–均值算法246
K–模型算法247
DBSCAN算法248
小結251
第四部分深度學習基礎
第16章前饋神經網絡255
神經網絡簡史255
McCulloch-Pit255
前饋網絡256
更復雜的網絡256
人的類型257
感知257
邏260
訓練神經網絡263
整體學習策略263
反向傳播算法264
小結270
第17章神經網絡的設計273
神經網絡概覽273
激活函數274
隱層277
輸出層281
構建神經網絡282
現成的框架282
你的第一個Keras神經網絡284
神經網絡與其他算法287
小結289
第18章其他類型的神經網絡291
前饋神經網絡的常見問題291
遞歸神經網絡292
有狀態神經網絡的結構292
LSTM神經網絡295
卷積神經網絡298
圖像分類與識別298
卷積層299
池化層301
全連接層303
神經網絡的進一步發展304
生成對抗神經網絡304
自動編碼器305
小結307
第19章情感分析：端到端解決方案309
為訓練準備數據310
對問題進行形式化310
獲取數據311
處理數據311
關於中間格式的注意事項313
訓練模型313
選擇生態繫統314
建立單詞字典314
選擇訓練器315
網絡的其他方面319
客戶端應用321
獲取模型的輸入321
從模型中預測322
將響應轉化為可用信息323
小結323
第五部分思考
第20章面向現實世界的AI雲服務327
Azure認知服務327
Azure機器學習工作室329
Azure機器學習服務331
數據科學虛擬機333
本地服務333
SQLServer機器學習服務333
機器學習服務器334
微軟數據處理服務334
Azure數據湖334
AzureDatabricks334
AzureHDInsight335
用於ApacheSpark的.NET335
Azure數據分享336
Azure數據工廠336
小結336
第21章人工智能的商業願景339
工業界對AI的看法339
挖掘潛能339
AI可以為你做什麼340
面臨的挑戰342
端到端解決方案343
我們就叫它咨詢吧344
軟件和數據科學之間的界線344
敏捷AI346
小結349

本書介紹學習深度學習的基礎知識，了解機器學習流程：產生可交付模型的步驟，掌握進行預測，改進決策，並應用概率方法，以及通過分類和聚類對數據進行分組機器學習可以解決哪些問題。提出了一繫列可以用來解決現實問題的算法，以及利用神經網絡的深度學習技術。本書適合對於想要構建機器學習應用程序的專業人員。