機器學(xué)習(xí)觀止-核心原理與實踐

機器學(xué)習(xí)觀止——核心原理與實踐讀書筆記模板01思維導(dǎo)圖目錄分析讀書筆記內(nèi)容摘要作者介紹精彩摘錄目錄0305020406思維導(dǎo)圖機器核心算法技術(shù)觀止讀者機器基礎(chǔ)第章模型機器核心算法應(yīng)用經(jīng)典框架典型數(shù)據(jù)基礎(chǔ)本書關(guān)鍵字分析思維導(dǎo)圖內(nèi)容摘要內(nèi)容摘要在寫作伊始，就把讀者設(shè)想為一位雖然沒有任何AI基礎(chǔ)，但對技術(shù)本身抱有濃厚興趣、喜歡“抽絲剝繭”、探究真相的“有識之士”。有別于市面上部分AI技術(shù)書籍從一開始就直接講解各種“高深莫測”算法的敘述手法，《機器學(xué)習(xí)觀止——核心原理與實踐》嘗試先從零開始構(gòu)建基礎(chǔ)技術(shù)點，而后“循序漸進”地引領(lǐng)讀者前進，最終“直搗黃龍”，贏取最后的勝利。全書據(jù)此分為5篇，共31章，內(nèi)容基本覆蓋了由AI發(fā)展歷史、數(shù)學(xué)基礎(chǔ)知識、機器學(xué)習(xí)算法等經(jīng)典知識點以及深度學(xué)習(xí)、深度強化學(xué)習(xí)等較新理論知識所組成的AI核心技術(shù)。同時注重“理論聯(lián)系實踐”，通過多個章節(jié)重點介紹了如何在工程項目中運用AI來解決問題的諸多經(jīng)驗以及相應(yīng)的模型算法，以期讓讀者既能享受到“知其所以然”的樂趣，還能體會到“知其然”的輕松和愉悅。目錄分析第1章人工智能概述第3章機器學(xué)習(xí)模型的度量指標(biāo)第2章機器學(xué)習(xí)中的數(shù)學(xué)基礎(chǔ)機器學(xué)習(xí)基礎(chǔ)知識篇第1章人工智能概述1.1人工智能的定義1.2人工智能發(fā)展簡史1.3人工智能經(jīng)典流派1.4人工智能與機器學(xué)習(xí)1.5如何選擇機器學(xué)習(xí)算法1.6機器學(xué)習(xí)的典型應(yīng)用場景1.7本書的組織結(jié)構(gòu)第2章機器學(xué)習(xí)中的數(shù)學(xué)基礎(chǔ)2.1微分學(xué)2.2線性代數(shù)2.3概率論2.4統(tǒng)計學(xué)2.5最優(yōu)化理論2.6其他第3章機器學(xué)習(xí)模型的度量指標(biāo)3.1Precision、Recall和mAP3.2F1Score3.3混淆矩陣3.4ROC3.5AUC3.6PRC3.7工業(yè)界使用的典型AI指標(biāo)第4章回歸算法第5章K-NN算法第6章k-means第7章樸素貝葉斯第8章決策樹和隨機森林12345經(jīng)典機器學(xué)習(xí)篇第9章支持向量機第11章集成學(xué)習(xí)第10章PCA降維經(jīng)典機器學(xué)習(xí)篇第4章回歸算法4.1回歸分析4.2線性回歸4.3邏輯回歸第5章K-NN算法5.1K-NN概述5.2K-NN分類算法5.3K-NN回歸算法5.4K-NN的優(yōu)缺點5.5K-NN工程范例第6章k-means6.1k-means概述6.2k-means核心算法6.3k-means算法的優(yōu)缺點6.4k-means工程范例第7章樸素貝葉斯7.1樸素貝葉斯分類算法7.2樸素貝葉斯的實際應(yīng)用第8章決策樹和隨機森林8.1決策樹8.2隨機森林第9章支持向量機9.1SVM可以做什么9.2SVM的數(shù)學(xué)表述9.3SVM相關(guān)的最優(yōu)化理論9.4硬間隔SVM9.5軟間隔SVM9.6核函數(shù)技巧9.7多分類SVM9.8SVM實踐第10章PCA降維10.1降維概述10.2PCA降維實現(xiàn)原理10.3PCA實例第11章集成學(xué)習(xí)11.1集成學(xué)習(xí)概述11.2集成學(xué)習(xí)架構(gòu)11.3典型的集成方法第12章深度神經(jīng)網(wǎng)絡(luò)第13章卷積神經(jīng)網(wǎng)絡(luò)第14章RNN與LSTM第15章深度強化學(xué)習(xí)第16章MCTS12345深度學(xué)習(xí)進階篇第12章深度神經(jīng)網(wǎng)絡(luò)12.1神經(jīng)元12.2激活函數(shù)12.3前向傳播和后向傳播算法12.4損失函數(shù)第13章卷積神經(jīng)網(wǎng)絡(luò)13.1CNN發(fā)展歷史簡述13.2CNN的核心組成元素13.3CNN經(jīng)典框架13.4CNN的典型特性第14章RNN與LSTM14.1RNN14.2RNN的多種形態(tài)14.3RNN存在的不足14.4LSTM14.5LSTM核心框架14.6GRU第15章深度強化學(xué)習(xí)15.1強化學(xué)習(xí)和MDP15.2MDP問題的解決方案分類15.3基于模型的動態(tài)規(guī)劃算法15.4基于無模型的強化學(xué)習(xí)算法15.5DQN15.6基于策略的強化學(xué)習(xí)算法第16章MCTS16.1MCTS概述16.2MCTS算法核心處理過程16.3UCB和UCT16.4MCTS實例解析第17章數(shù)據(jù)集的建設(shè)第18章CNN訓(xùn)練技巧第19章CV和視覺識別經(jīng)典模型第20章自然語言處理和CNN第21章自然語言處理和CNN12345機器學(xué)習(xí)應(yīng)用實踐及相關(guān)原理第23章基于強化學(xué)習(xí)的經(jīng)典應(yīng)用——AlphaGO第22章軟件自動修復(fù)機器學(xué)習(xí)應(yīng)用實踐及相關(guān)原理第17章數(shù)據(jù)集的建設(shè)17.1數(shù)據(jù)集建設(shè)的核心目標(biāo)17.2數(shù)據(jù)采集和標(biāo)注17.3數(shù)據(jù)分析和處理第18章CNN訓(xùn)練技巧18.1數(shù)據(jù)預(yù)處理18.2數(shù)據(jù)增強18.3CNN核心組件擇優(yōu)18.4參數(shù)初始化策略18.5模型過擬合解決方法18.6模型的可解釋性18.7AutoML第19章CV和視覺識別經(jīng)典模型19.1CV發(fā)展簡史19.2視覺識別概述19.3R-CNN19.4FastR-CNN19.5SPP-Net19.6FasterR-CNN19.7YOLO19.8SSD19.9不基于CNN來實現(xiàn)目標(biāo)識別第20章自然語言處理和CNN20.1NLP簡述20.2NLP發(fā)展歷史20.3自然語言基礎(chǔ)20.4詞的表達方式20.5自然語言模型20.6word2vec20.7常用語料庫20.8NLP應(yīng)用：文本分類第21章自然語言處理和CNN21.1應(yīng)用程序場景識別背景21.2特征向量21.3數(shù)據(jù)采集21.4算法模型21.5落地應(yīng)用第22章軟件自動修復(fù)22.1什么是軟件自動修復(fù)22.2軟件自動修復(fù)基礎(chǔ)知識22.3階段1：缺陷定位22.4階段2：補丁生成22.5APR領(lǐng)域經(jīng)典框架第23章基于強化學(xué)習(xí)的經(jīng)典應(yīng)用——AlphaGO23.1AlphaGO簡述23.2AlphaGO核心原理23.3策略網(wǎng)絡(luò)23.4估值網(wǎng)絡(luò)23.5MCTS第24章分布式機器學(xué)習(xí)框架基礎(chǔ)知識第25章Tensorflow第26章Caffe第27章scikit-learn機器學(xué)習(xí)平臺篇第28章主流AI云平臺第29章圖像處理基礎(chǔ)第30章程序切片技術(shù)第31章人工智能概述機器學(xué)習(xí)平臺篇第24章分布式機器學(xué)習(xí)框架基礎(chǔ)知識24.1分布式機器學(xué)習(xí)核心理念24.2GPU硬件設(shè)備24.3網(wǎng)絡(luò)標(biāo)準(zhǔn)24.4分布式通信框架24.5經(jīng)典分布式ML框架Caffe-MPI第25章Tensorflow25.1Tensorflow安裝過程25.2Tensorflow基礎(chǔ)知識25.3Tensorflow分布式訓(xùn)練25.4Tensorflow分布式部署25.5Tensorflow范例解析25.6Tensorflow的“變種”第26章Caffe26.1Caffe的安裝26.2Caffe支持的數(shù)據(jù)集格式26.3Caffe中的網(wǎng)絡(luò)模型構(gòu)建26.4GoogleProtocolBuffer26.5Caffe2源碼結(jié)構(gòu)26.6Caffe工程范例26.7Caffe中的ModelZoo第27章scikit-learn27.1scikit-learn的安裝27.2scikit-learn中的機器學(xué)習(xí)算法27.3scikit-learn中的Modelselection27.4scikit-learn中的預(yù)處理第28章主流AI云平臺28.1MicrosoftOpenPAI28.2GoogleCloud28.3Baidu28.4Alibaba第29章圖像處理基礎(chǔ)29.1光、色彩和人類視覺系統(tǒng)29.2圖像的顏色模型29.3圖像的基本屬性29.4圖像特征29.5圖像的典型特征描述子29.6圖像處理實例（圖像質(zhì)量檢測）第30章程序切片技術(shù)30.1程序切片綜述30.2程序切片基礎(chǔ)知識30.3靜態(tài)切片技術(shù)30.4動態(tài)切片技術(shù)第31章人工智能概述31.1ImageNet簡述31.2ImageNet的構(gòu)建邏輯31.3ImageNet數(shù)