●第1章 機器學習概述1
1.1 什麼是機器學習2
1.2 人工智能的發展趨勢3
1.2.1 人工智能的發展程度3
1.2.2 人工智能的應用4
第2章 機器學習的準備工作7
2.1 機器學習的知識準備8
2.2 機器學習的環境準備10
2.2.1 安裝編譯語言Python10
2.2.2 安裝包11
2.2.3 安裝適用於Python的集成開發環境12
2.3 機器學習模型開發的工作流程14
第3章 Sklearn概述16
3.1 Sklearn的環境搭建與安裝17
3.2 Sklearn常用類及其結構18
3.2.1 數據源、數據預處理及數據提取19
3.2.2 模型建立20
3.2.3 模型驗證21
3.2.4 模型調優21
3.3 本章小結22
第4章 Sklearn之數據預處理23
4.1 數據預處理的種類24
4.2 缺失值處理24
4.3 數據的規範化26
4.3.1 縮放規範化26
4.3.2 標準化29
4.3.3 範數規範化31
4.4 非線性變換34
4.4.1 二值化變換34
4.4.2 分位數變換34
4.4.3 冪變換39
4.4.4 多項式變換42
4.5 自定義預處理44
4.6 非結構性數據預處理45
4.7 文本數據處理46
4.7.1 分詞技術46
4.7.2 對已提取數據的處理47
4.7.3 文本的特征提取52
4.8 圖形的特征提取57
第5章 Sklearn之建立模型（上）59
5.1 監督學習概述60
5.2 線性回歸61
5.2.1 最小二乘法62
5.2.2 線性回歸中的收斂方法64
5.2.3 嶺回歸65
5.2.4 LASSO回歸69
5.2.5 彈性網絡回歸79
5.2.6 匹配追蹤80
5.2.7 多項式回歸84
5.3 廣義線性模型86
5.3.1 極大似然估計87
5.3.2 優選後驗估計88
5.3.3 貝葉斯估計89
5.3.4 二項式回歸91
5.3.5 邏輯回歸93
5.3.6 貝葉斯回歸94
5.4 穩健回歸97
5.4.1 隨機樣本一致法98
5.4.2 泰爾-森估計102
5.5 支持向量機103
5.5.1 硬間隔和軟間隔104
5.5.2 核函數106
5.6 高斯過程110
5.7 梯度下降115
5.8 決策樹117
5.8.1 特征選擇117
5.8.2 決策樹的剪枝121
5.9 分類122
5.9.1 多類別分類122
5.9.2 多標簽分類126
第6章 Sklearn之建立模型（下）128
6.1 無監督學習概述129
6.2 聚類129
6.2.1 K-mean聚類131
6.2.2 均值偏移聚類136
6.2.3 親和傳播139
6.2.4 譜聚類143
6.2.5 層次聚類151
6.2.6 DBSCAN聚類155
6.2.7 BIRCH聚類159
6.2.8 高斯混合模型164
6.3 降維168
6.3.1 主成因分析169
6.3.2 獨立成因分析175
6.3.3 隱含狄利克雷分布179
6.3.4 流形學習185
6.3.5 多維度縮放186
6.3.6 ISOMAP189
6.3.7 局部線性嵌入191
6.3.8 譜嵌入195
第7章 Sklearn之模型優化198
7.1 模型優化199
7.2 模型優化的具體方法199
7.2.1 訓練樣本對模型的影響200
7.2.2 訓練樣本問題的解決方案201
7.2.3 第三方采樣庫imbalanced-learn203
7.3 過采樣205
7.3.1 隨機過采樣205
7.3.2 合成少數類過采樣技術207
7.3.3 自適應綜合過采樣方法210
7.4 欠采樣212
7.4.1 近丟失方法212
7.4.2 編輯最鄰近方法216
7.4.3 Tomek鏈接移除218
7.4.4 混合采樣方法219
7.5 調整類別權重220
7.6 針對模型本身的調優223
7.7 集成學習228
7.7.1 投票分類器229
7.7.2 套袋法230
7.7.3 隨機森林232
7.7.4 提升法234
7.7.5 自適應性提升法235
7.7.6 梯度提升法237
7.7.7 套袋法和提升法的比較239
第8章 Keras主要API及架構介紹241
8.1 Keras概述242
8.1.1 為什麼選擇Keras242
8.1.2 Keras的安裝243
8.2 序列模型和函數式模型243
8.2.1 兩種模型的代碼實現244
8.2.2 模型的其他API248
8.3 Keras的架構250
8.4 網絡層概述250
8.4.1 核心層251
8.4.2 卷積層252
8.4.3 池化層253
8.4.4 局部連接層255
8.4.5 循環層257
8.4.6 嵌入層259
8.4.7 融合層259
8.4.8 高級激活層261
8.4.9 規範化層261
8.4.10 噪聲層261
8.4.11 層級包裝器262
8.5 配置項265
8.5.1 損失函數265
8.5.2 驗證指標268
8.5.3 初始化函數269
8.5.4 約束項271
8.5.5 回調函數272
第9章 一個神經網絡的迭代優化279
9.1 神經網絡概述281
9.2 神經網絡的初步實現283
9.3 感知器層284
9.3.1 梯度消失/爆炸問題287
9.3.2 激活函數及其進化288
9.3.3 激活函數的代碼實現294
9.3.4 批量規範化295
9.4 準備訓練模型299
9.5 定義一個神經網絡模型301
9.6 隱藏層對模型的影響306
9.7 關於過擬合的情況310
9.7.1 規則化方法311
9.7.2 Dropout方法313
9.8 優化器314
9.8.1 批量梯度下降316
9.8.2 靈活的學習率318
9.8.3 適應性梯度法319
9.8.4 適應性差值法320
9.8.5 均方差傳播322
9.8.6 Nesterov加速下降324
9.8.7 Adam325
9.8.8 優化器之間的對比326
9.9 模型調優的其他途徑329
9.10 本章小結331
第10章 卷積神經網絡333
10.1 卷積神經網絡概述335
10.1.1 局部感受場335
10.1.2 共享權重和偏差338
10.1.3 卷積層339
10.1.4 池化層342
10.1.5 卷積神經網絡的代碼實現344
10.1.6 卷積神經網絡的調優348
10.2 常見的卷積神經網絡352
10.2.1 LeNet352
10.2.2 AlexNet356
10.2.3 VGGNet359
10.2.4 殘差網絡366
10.2.5 Inception網絡模型373
10.2.6 膠囊網絡378
10.2.7 結語388
第11章 生成性對抗網絡389
11.1 生成性對抗網絡概述391
11.1.1 生成性對抗網絡的原理391
11.1.2 生成性對抗網絡的代碼實現393
11.2 常見的生成性對抗網絡399
11.2.1 深度卷積生成性對抗網絡399
11.2.2 環境條件生成性對抗網絡406
11.3 自動編碼器411
11.3.1 自動編碼器的代碼實現412
11.3.2 變分自動編碼器414
第12章 循環神經網絡420
12.1 詞嵌入422
12.1.1 Word2Vec423
12.1.2 GloVe428
12.1.3 詞嵌入的代碼實現429
12.2 循環神經網絡概述430
12.2.1 簡單循環神經432
12.2.2 關於循環神經網絡的梯度下降433
12.2.3 長短期435
12.2.4 門控443
12.2.5 雙向循環神經網絡444
第13章 機器學習的入職準備448
13.1 人工智能崗位及求職者的分布449
13.1.1 機器學習的生態449
13.1.2 應用場景450
13.2 機器學習崗位的發展路徑454
13.2.1 機器學習崗位畫像454
13.2.2 面試考察什麼456

近年來機器學習是一個熱門的技術方向，但機器學習本身並不是一門新興學科，而是多門成熟學科（微積分、統計學與概率論、線性代數等）的集合。其知識體繫結構龐大而復雜，為了使讀者朋友能夠把握機器學習的清晰的脈絡，本書盡可能從整體上對機器學習的知識架構進行整理，並以Sklearn和Keras等機器學習框架對涉及的相關理論概念進行代碼實現，使理論與實踐相結合。本書分為4個部分：第1章至第3章主要介紹機器學習的概念、開發環境的搭建及模型開發的基本流程等；第4章至第7章涵蓋回歸、分類、聚類、降維的實現原理，以及機器學習框架Sklearn的具體實現與應用；第8章至第12章主要闡述深度學習，如卷積神經網絡、生成性對抗網絡、循環神經網絡的實現原理，以及深度學習框架Keras的具體實現與應用；第13章簡單介紹機器學習崗位的入職技巧。本書可作為機器學習入門者、對機器學習感興趣的群體和相關崗位求職者的參考用書。