为你推荐
关于作者
前言
第1章 绪论
1.1 机器学习简介
1.2 Python简介
1.3 前期准备
1.4 本章小结
第2章 经典传统机器学习算法简介
2.1 朴素贝叶斯
2.2 决策树
2.3 支持向量机
2.4 Logistic回归
2.5 本章小结
第3章 神经网络入门
3.1 神经网络的结构
3.2 前向传导算法
3.3* 反向传播算法
3.4 参数的更新
3.5 TensorFlow模型的基本框架
3.6 朴素神经网络的实现与评估
3.7 本章小结
第4章 从传统算法走向神经网络
4.1 朴素贝叶斯的线性形式
4.2 决策树生成算法的本质
4.3 模型转换的实际意义
4.4 模型转换的局限性
4.5 本章小结
第5章 神经网络进阶
5.1 层结构内部的额外工作
5.2 “浅”与“深”的结合
5.3 神经网络中的“决策树”
5.4 神经网络中的剪枝
5.5 AdvancedNN的结构设计
5.6 AdvancedNN的实际性能
5.7 本章小结
第6章 半自动化机器学习框架
6.1 数据的准备
6.2 数据的转换
6.3 AutoBase的实现补足
6.4 AutoMeta的实现
6.5 训练过程的监控
6.6 本章小结
第7章 工程化机器学习框架
7.1 输出信息的管理
7.2 多次实验的管理
7.3 参数搜索的管理
7.4 DistAdvanced的性能
7.5 本章小结
附录A SVM的TensorFlow实现
附录B numba的基本应用
附录C 装饰器的基本应用
附录D 可视化
附录E 模型的评估指标
附录F 实现补足
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
