機(jī)器學(xué)習(xí)與人工智能：從理論到實(shí)踐

序
前言
致謝
第一部分 簡(jiǎn)介
第1章 人工智能和機(jī)器學(xué)習(xí)簡(jiǎn)介
1．1 引言
1．2 什么是人工智能
1．3 什么是機(jī)器學(xué)習(xí)
1．4 本書(shū)的結(jié)構(gòu)
1．4．1 簡(jiǎn)介
1．4．2 機(jī)器學(xué)習(xí)
1．4．3 構(gòu)建端到端管道
1．4．4 人工智能
1．4．5 實(shí)現(xiàn)
1．4．6 結(jié)語(yǔ)
第2章 人工智能和機(jī)器學(xué)習(xí)的基本概念
2．1 引言
2．2 大數(shù)據(jù)和非大數(shù)據(jù)
2．2．1 什么是大數(shù)據(jù)
2．2．2 為什么我們應(yīng)該區(qū)別對(duì)待大數(shù)據(jù)
2．3 學(xué)習(xí)類(lèi)型
2．3．1 監(jiān)督學(xué)習(xí)
2．3．2 無(wú)監(jiān)督學(xué)習(xí)
2．3．3 強(qiáng)化學(xué)習(xí)
2．4 基于時(shí)間的機(jī)器學(xué)習(xí)方法
2．4．1 靜態(tài)學(xué)習(xí)
2．4．2 動(dòng)態(tài)學(xué)習(xí)
2．5 維數(shù)
2．6 線性和非線性
2．7 奧卡姆剃刀原理
2．8 “沒(méi)有免費(fèi)的午餐”定理
2．9 收益遞減規(guī)律
2．10 機(jī)器學(xué)習(xí)的早期趨勢(shì)
2．11 小結(jié)
第3章 數(shù)據(jù)的理解、表示和可視化
3．1 引言
3．2 理解數(shù)據(jù)
3．2．1 理解實(shí)體
3．2．2 理解屬性
3．2．3 理解數(shù)據(jù)類(lèi)型
3．3 數(shù)據(jù)的表示和可視化
3．3．1 主成分分析
3．3．2 線性判別分析
3．4 小結(jié)
第二部分 機(jī)器學(xué)習(xí)
第4章 線性方法
4．1 引言
4．2 線性模型和廣義線性模型
4．3 線性回歸
4．3．1 定義問(wèn)題
4．3．2 解決問(wèn)題
4．4 正則化的線性回歸
4．4．1 正則化
4．4．2 嶺回歸
4．4．3 Lasso回歸
4．5 廣義線性模型
4．6 k最近鄰算法
4．6．1 KNN的定義
4．6．2 分類(lèi)和回歸
4．6．3 KNN的其他變體
4．7 小結(jié)
第5章 感知器和神經(jīng)網(wǎng)絡(luò)
5．1 引言
5．2 感知器
5．3 多層感知器或人工神經(jīng)網(wǎng)絡(luò)
5．3．1 前饋操作
5．3．2 非線性多層感知器或非線性人工神經(jīng)網(wǎng)絡(luò)
5．3．3 訓(xùn)練多層感知器
5．3．4 隱藏層
5．4 徑向基函數(shù)網(wǎng)絡(luò)
5．5 過(guò)度擬合與正則化
5．5．1 L1和L2正則化
5．5．2 丟棄正則化
5．6 小結(jié)
第6章 決策樹(shù)
6．1 引言
6．2 為什么使用決策樹(shù)
6．3 構(gòu)建決策樹(shù)的算法
6．4 回歸樹(shù)
6．5 分類(lèi)樹(shù)
6．6 決策指標(biāo)
6．6．1 誤分類(lèi)誤差
6．6．2 基尼指數(shù)
6．6．3 交叉熵或偏差
6．7 卡方自動(dòng)交叉檢驗(yàn)
6．8 訓(xùn)練決策樹(shù)
6．9 集成決策樹(shù)
6．10 Bagging集成樹(shù)
6．11 隨機(jī)森林
6．12 Boosted集成樹(shù)
6．12．1 AdaBoost
6．12．2 梯度提升
6．13小結(jié)
……
第三部分 構(gòu)建端到端管道
第四部分 人工智能
第五部分 實(shí)現(xiàn)
第六部分 結(jié)語(yǔ)
參考文獻(xiàn)