Python机器学习:基于PyTorch和Scikit-Learn电子书

The Translator's Words 译者序

Foreword 序

PREFACE 前言

About the Authors 作者简介

About the Reviewer 审校者简介

CHAPTER 1 第1章 赋予计算机从数据中学习的能力

1.1 将数据转化为知识的智能系统

1.2 三种机器学习类型

1.3 基本术语与符号

1.4 构建机器学习系统的路线图

1.5 使用Python实现机器学习算法

1.6 本章小结

CHAPTER 2 第2章 训练简单的机器学习分类算法

2.1 人工神经元——机器学习早期历史一瞥

2.2 使用Python实现感知机学习算法

2.3 自适应线性神经元与算法收敛

2.4 本章小结

CHAPTER 3 第3章 Scikit-Learn机器学习分类算法之旅

3.1 分类算法的选择

3.2 学习Scikit-Learn的第一步——训练感知机

3.3 用逻辑回归算法建模分类概率

3.4 基于最大分类间隔的支持向量机

3.5 使用核支持向量机求解非线性问题

3.6 决策树学习

3.7 基于惰性学习策略的k近邻算法

3.8 本章小结

CHAPTER 4 第4章 构建良好的训练数据集——数据预处理

4.1 处理缺失值

4.2 处理类别数据

4.3 将数据集划分为训练数据集和测试数据集

4.4 使特征具有相同的尺度

4.5 选择有意义的特征

4.6 用随机森林评估特征重要性

4.7 本章小结

CHAPTER 5 第5章 通过降维方法压缩数据

5.1 无监督降维的主成分分析方法

5.2 监督数据压缩的线性判别分析方法

5.3 非线性降维和可视化

5.4 本章小结

CHAPTER 6 第6章 模型评估和超参数调优的最佳实践

6.1 使用pipeline方法简化工作流程

6.2 使用k折交叉验证评估模型性能

6.3 用学习曲线和验证曲线调试算法

6.4 通过网格搜索微调机器学习模型

6.5 模型性能评估指标

6.6 本章小结

CHAPTER 7 第7章 组合不同模型的集成学习

7.1 集成学习

7.2 通过绝对多数投票组合分类器

7.3 bagging——基于bootstrap样本构建集成分类器

7.4 通过自适应boosting提高弱学习器的性能

7.5 梯度boosting——基于损失梯度训练集成分类器

7.6 本章小结

CHAPTER 8 第8章 用机器学习进行情感分析

8.1 对IMDb影评数据进行文本处理

8.2 词袋模型

8.3 训练用于文档分类的逻辑回归模型

8.4 处理更大的数据——在线算法和核外学习方法

8.5 用潜在狄利克雷分配实现主题建模

8.6 本章小结

CHAPTER 9 第9章 预测连续目标变量的回归分析

9.1 线性回归简介

9.2 探索艾姆斯住房数据集

9.3 最小二乘线性回归模型的实现

9.4 使用RANSAC拟合稳健回归模型

9.5 评估线性回归模型的性能

9.6 使用正则化方法进行回归

9.7 将线性回归模型转化为曲线——多项式回归

9.8 使用随机森林处理非线性关系

9.9 本章小结

CHAPTER 10 第10章 处理无标签数据的聚类分析

10.1 使用k均值算法对样本分组

10.2 把簇组织成层次树

10.3 通过DBSCAN定位高密度区域

10.4 本章小结

CHAPTER 11 第11章 从零开始实现多层人工神经网络

11.1 用人工神经网络建立复杂函数模型

11.2 识别手写数字

11.3 训练人工神经网络

11.4 关于神经网络的收敛性

11.5 关于神经网络实现的最后几句话

11.6 本章小结

CHAPTER 12 第12章 用PyTorch并行训练神经网络

12.1 PyTorch和模型的训练性能

12.2 学习PyTorch的第一步

12.3 在PyTorch中构建输入pipeline

12.4 在PyTorch中构建神经网络模型

12.5 为多层神经网络选择激活函数

12.6 本章小结

CHAPTER 13 第13章 深入探讨PyTorch的工作原理

13.1 PyTorch的主要功能

13.2 PyTorch的计算图

13.3 用于存储和更新模型参数的PyTorch张量

13.4 通过自动微分计算梯度

13.5 使用torch.nn模块简化常见结构

13.6 项目1：预测汽车的燃油效率

13.7 项目2：分类MNIST手写数字

13.8 高级PyTorch API：PyTorch Lightning简介

13.9 本章小结

CHAPTER 14 第14章 使用深度卷积神经网络对图像进行分类

14.1 卷积神经网络的组成模块

14.2 构建卷积神经网络

14.3 使用PyTorch实现深度卷积神经网络

14.4 使用卷积神经网络对人脸图像进行微笑分类

14.5 本章小结

CHAPTER 15 第15章 用循环神经网络对序列数据建模

15.1 序列数据

15.2 用于序列数据建模的循环神经网络

15.3 在PyTorch中实现循环神经网络

15.4 本章小结

CHAPTER 16 第16章 transformer：利用注意力机制改善自然语言处理效果

16.1 带有注意力机制的循环神经网络

16.2 自注意力机制

16.3 注意力是唯一需要的：最初的transformer

16.4 利用未标注的数据构建大型语言模型

16.5 用PyTorch微调BERT模型

16.6 本章小结

CHAPTER 17 第17章 用于合成新数据的生成对抗网络

17.1 生成对抗网络

17.2 从零开始实现生成对抗网络

17.3 用卷积GAN和Wasserstein GAN提高生成图像的质量

17.4 其他生成对抗网络应用

17.5 本章小结

CHAPTER 18 第18章 用于捕获图数据关系的图神经网络

18.1 图数据简介

18.2 理解图卷积

18.3 用PyTorch从零开始实现图神经网络

18.4 其他图神经网络层和最新的进展

18.5 本章小结

CHAPTER 19 第19章 在复杂环境中做决策的强化学习

19.1 从经验中学习概述

19.2 强化学习的理论基础

19.3 强化学习算法

19.4 实现第一个强化学习算法

19.5 深度Q学习概览

19.6 本章小结及本书总结