速通機器學習

來自 孔夫子網 的圖片

《速通機器學習》，盧菁 著，出版社： 電子工業出版社。

電子工業出版社成立於1982年10月，是工業和信息化部直屬的科技與教育出版社，每年出版新書2400餘種，音像和電子出版物400餘種，期刊8種，出版物內容涵蓋了信息科技的各個專業分支以及工業技術、經濟管理、大眾生活、少兒科普等領域，綜合出版能力位居全國出版行業前列。

目錄

內容簡介

本書從傳統的機器學習，如線性回歸、邏輯回歸、樸素貝葉斯、支持向量機、集成學習，到前沿的深度學習和神經網絡，如DNN、CNN、BERT、ResNet等，對人工智能技術進行零基礎講解，內容涵蓋數學原理、公式推導、圖表展示、企業應用案例。

本書面向初中級讀者，能幫助讀者迅速掌握機器學習技術的相關概念及原理。本書內容結合作者多年的科研工作經驗，理論和實踐並重，對科研、學習、面試等均有幫助。

目錄

第1章　數據的量化和特徵提取 1

1.1　機器學習概述 1

1.2　特徵提取 2

1.3　向量距離計算 6

第2章　線性回歸 12

2.1　線性回歸的基本概念 13

2.2　損失函數和梯度下降法 14

2.3　訓練集和測試集 19

2.4　多項式回歸 21

2.5　線性回歸的高級技巧 23

2.5.1　特徵敏感性研究 23

2.5.2　損失函數的選擇 24

第3章　邏輯回歸 27

3.1　邏輯回歸的基本原理 28

3.2　交叉熵和KL距離 32

3.2.1　KL距離 32

3.2.2　梯度下降法 34

3.2.3　上採樣和下採樣 36

3.3　線性不可分及其解決方案 38

3.4　L1正則和L2正則 39

3.5　分類模型的評價標準 43

3.6　邏輯回歸的特徵提升技巧 47

3.6.1　特徵歸一化 47

3.6.2　特徵分段 49

3.7　深入理解損失函數和邏輯函數 51

第4章　因子分解模型 55

4.1　基本原理和特徵交叉 55

4.1.1　基本原理 55

4.1.2　特徵交叉簡化 58

4.1.3　參數學習 59

4.2　因子分解模型和矩陣分解 61

第5章　經典分類模型 63

5.1　支持向量機 63

5.1.1　支持向量機的基本原理 63

5.1.2　支持向量機和邏輯回歸的比較 68

5.2　核方法 70

5.2.1　核函數 70

5.2.2　核函數在支持向量機中的應用 72

5.3　樸素貝葉斯 73

5.3.1　樸素貝葉斯原理 73

5.3.2　樸素貝葉斯的參數估計 76

5.4　維數災難 78

5.5　奧卡姆剃刀定律的應用 82

5.6　經驗風險、期望風險和結構風險 83

第6章　無監督學習 85

6.1　K-Means聚類 86

6.1.1　K-Means算法的基本原理 86

6.1.2　改進型K-Means算法 88

6.1.3　K-Means算法和邏輯回歸的結合應用 91

6.2　主題模型 92

6.2.1　LDA模型的原理 93

6.2.2　LDA模型的訓練 95

第7章　集成學習 100

7.1　決策樹 100

7.2　隨機森林 105

7.3　GBDT 108

第8章　深度神經網絡 113

8.1　BP神經網絡的基本原理 113

8.2　多分類與Softmax函數 118

8.3　梯度下降法和鏈式法則 120

8.4　度量學習 125

第9章　神經網絡調優 130

9.1　激活函數選型 131

9.2　權重初始化 135

9.3　改進型梯度下降法 137

9.3.1　隨機梯度下降法 138

9.3.2　鞍點問題 141

9.3.3　梯度下降法的優化 142

9.4　過擬合解決方案 145

9.4.1　正則化 145

9.4.2　Dropout 146

9.4.3　提前終止 147

9.4.4　批標準化和層標準化 148

9.4.5　Shortcut 151

9.4.6　標籤平滑 151

9.4.7　人工製造數據 152

第10章　自然語言處理 154

10.1　自然語言處理模型 154

10.2　one-hot編碼和embedding技術 156

10.3　哈夫曼樹和負採樣 161

10.3.1　哈夫曼樹 161

10.3.2　負採樣 163

10.4　Word2vec的應用 165

10.5　fastText模型的原理及應用 166

第11章　卷積神經網絡 169

11.1　卷積層和池化層 169

11.2　卷積神經網絡在圖像處理中的應用 177

11.3　卷積神經網絡中的批標準化 179

11.4　TextCNN的原理及應用 180

第12章　深入卷積層 185

12.1　1 × 1卷積 185

12.2　小尺寸卷積 186

12.3　寬度卷積和Inception 187

12.4　Depthwise卷積和Pointwise卷積 189

12.5　特徵通道加權卷積 193

第13章　循環神經網絡和LSTM模型 196

13.1　循環神經網絡模型詳解 196

13.1.1　循環神經網絡的基本原理 196

13.1.2　循環神經網絡存在的一些問題 199

13.2　LSTM模型詳解 202

13.3　LSTM模型的改進和應用 206

13.4　CTC算法 208

第14章　Attention模型和Transformer模型 210

14.1　Attention模型詳解 210

14.1.1　注意力機制的基本原理 210

14.1.2　Attention模型概述 212

14.1.3　Attention模型的改進形式 214

14.1.4　Self-Attention模型 215

14.1.5　Multi-Head Attention模型 217

14.2　Transformer模型原理 219

14.3　BERT模型及應用 221