机器学习从入门到入职 用sklearn与keras搭建人工智能模型

近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。本书分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。本书可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。

第1章 机器学习概述1
1.1 什么是机器学习2
1.2 人工智能的发展趋势3
1.2.1 人工智能的发展程度3
1.2.2 人工智能的应用4
第2章 机器学习的准备工作7
2.1 机器学习的知识准备8
2.2 机器学习的环境准备10
2.2.1 安装编译语言Python10
2.2.2 安装包11
2.2.3 安装适用于Python的集成开发环境12
2.3 机器学习模型开发的工作流程14
第3章 Sklearn概述16
3.1 Sklearn的环境搭建与安装17
3.2 Sklearn常用类及其结构18
3.2.1 数据源、数据预处理及数据提取19
3.2.2 模型建立20
3.2.3 模型验证21
3.2.4 模型调优21
3.3 本章小结22
第4章 Sklearn之数据预处理23
4.1 数据预处理的种类24
4.2 缺失值处理24
4.3 数据的规范化26
4.3.1 缩放规范化26
4.3.2 标准化29
4.3.3 范数规范化31
4.4 非线性变换34
4.4.1 二值化变换34
4.4.2 分位数变换34
4.4.3 幂变换39
4.4.4 多项式变换42
4.5 自定义预处理44
4.6 非结构性数据预处理45
4.7 文本数据处理46
4.7.1 分词技术46
4.7.2 对已提取数据的处理47
4.7.3 文本的特征提取52
4.8 图形的特征提取57
第5章 Sklearn之建立模型（上）59
5.1 监督学习概述60
5.2 线性回归61
5.2.1 最小二乘法62
5.2.2 线性回归中的收敛方法64
5.2.3 岭回归65
5.2.4 LASSO回归69
5.2.5 弹性网络回归79
5.2.6 匹配追踪80
5.2.7 多项式回归84
5.3 广义线性模型86
5.3.1 极大似然估计87
5.3.2 优选后验估计88
5.3.3 贝叶斯估计89
5.3.4 二项式回归91
5.3.5 逻辑回归93
5.3.6 贝叶斯回归94
5.4 稳健回归97
5.4.1 随机样本一致法98
5.4.2 泰尔-森估计102
5.5 支持向量机103
5.5.1 硬间隔和软间隔104
5.5.2 核函数106
5.6 高斯过程110
5.7 梯度下降115
5.8 决策树117
5.8.1 特征选择117
5.8.2 决策树的剪枝121
5.9 分类122
5.9.1 多类别分类122
5.9.2 多标签分类126
第6章 Sklearn之建立模型（下）128
6.1 无监督学习概述129
6.2 聚类129
6.2.1 K-mean聚类131
6.2.2 均值偏移聚类136
6.2.3 亲和传播139
6.2.4 谱聚类143
6.2.5 层次聚类151
6.2.6 DBSCAN聚类155
6.2.7 BIRCH聚类159
6.2.8 高斯混合模型164
6.3 降维168
6.3.1 主成因分析169
6.3.2 独立成因分析175
6.3.3 隐含狄利克雷分布179
6.3.4 流形学习185
6.3.5 多维度缩放186
6.3.6 ISOMAP189
6.3.7 局部线性嵌入191
6.3.8 谱嵌入195
第7章 Sklearn之模型优化198
7.1 模型优化199
7.2 模型优化的具体方法199
7.2.1 训练样本对模型的影响200
7.2.2 训练样本问题的解决方案201
7.2.3 第三方采样库imbalanced-learn203
7.3 过采样205
7.3.1 随机过采样205
7.3.2 合成少数类过采样技术207
7.3.3 自适应综合过采样方法210
7.4 欠采样212
7.4.1 近丢失方法212
7.4.2 编辑最邻近方法216
7.4.3 Tomek链接移除218
7.4.4 混合采样方法219
7.5 调整类别权重220
7.6 针对模型本身的调优223
7.7 集成学习228
7.7.1 投票分类器229
7.7.2 套袋法230
7.7.3 随机森林232
7.7.4 提升法234
7.7.5 自适应性提升法235
7.7.6 梯度提升法237
7.7.7 套袋法和提升法的比较239
第8章 Keras主要API及架构介绍241
8.1 Keras概述242
8.1.1 为什么选择Keras242
8.1.2 Keras的安装243
8.2 序列模型和函数式模型243
8.2.1 两种模型的代码实现244
8.2.2 模型的其他API248
8.3 Keras的架构250
8.4 网络层概述250
8.4.1 核心层251
8.4.2 卷积层252
8.4.3 池化层253
8.4.4 局部连接层255
8.4.5 循环层257
8.4.6 嵌入层259
8.4.7 融合层259
8.4.8 高级激活层261
8.4.9 规范化层261
8.4.10 噪声层261
8.4.11 层级包装器262
8.5 配置项265
8.5.1 损失函数265
8.5.2 验证指标268
8.5.3 初始化函数269
8.5.4 约束项271
8.5.5 回调函数272
第9章 一个神经网络的迭代优化279
9.1 神经网络概述281
9.2 神经网络的初步实现283
9.3 感知器层284
9.3.1 梯度消失/爆炸问题287
9.3.2 激活函数及其进化288
9.3.3 激活函数的代码实现294
9.3.4 批量规范化295
9.4 准备训练模型299
9.5 定义一个神经网络模型301
9.6 隐藏层对模型的影响306
9.7 关于过拟合的情况310
9.7.1 规则化方法311
9.7.2 Dropout方法313
9.8 优化器314
9.8.1 批量梯度下降316
9.8.2 灵活的学习率318
9.8.3 适应性梯度法319
9.8.4 适应性差值法320
9.8.5 均方差传播322
9.8.6 Nesterov加速下降324
9.8.7 Adam325
9.8.8 优化器之间的对比326
9.9 模型调优的其他途径329
9.10 本章小结331
第10章 卷积神经网络333
10.1 卷积神经网络概述335
10.1.1 局部感受场335
10.1.2 共享权重和偏差338
10.1.3 卷积层339
10.1.4 池化层342
10.1.5 卷积神经网络的代码实现344
10.1.6 卷积神经网络的调优348
10.2 常见的卷积神经网络352
10.2.1 LeNet352
10.2.2 AlexNet356
10.2.3 VGGNet359
10.2.4 残差网络366
10.2.5 Inception网络模型373
10.2.6 胶囊网络378
10.2.7 结语388
第11章 生成性对抗网络389
11.1 生成性对抗网络概述391
11.1.1 生成性对抗网络的原理391
11.1.2 生成性对抗网络的代码实现393
11.2 常见的生成性对抗网络399
11.2.1 深度卷积生成性对抗网络399
11.2.2 环境条件生成性对抗网络406
11.3 自动编码器411
11.3.1 自动编码器的代码实现412
11.3.2 变分自动编码器414
第12章 循环神经网络420
12.1 词嵌入422
12.1.1 Word2Vec423
12.1.2 GloVe428
12.1.3 词嵌入的代码实现429
12.2 循环神经网络概述430
12.2.1 简单循环神经网络单元432
12.2.2 关于循环神经网络的梯度下降433
12.2.3 长短期记忆单元435
12.2.4 门控递归单元443
12.2.5 双向循环神经网络444
第13章 机器学习的入职准备448
13.1 人工智能岗位及求职者的分布449
13.1.1 机器学习的生态449
13.1.2 应用场景450
13.2 机器学习岗位的发展路径454
13.2.1 机器学习岗位画像454
13.2.2 面试考察什么456