第1章 机器学习概述

1.1 什么是机器学习

1.2 人工智能的发展趋势

1.2.1 人工智能的发展程度

1.2.2 人工智能的应用

第2章 机器学习的准备工作

2.1 机器学习的知识准备

2.2 机器学习的环境准备

2.2.1 安装编译语言Python

2.2.2 安装包

2.2.3 安装适用于Python的集成开发环境

2.3 机器学习模型开发的工作流程

第3章 Sklearn概述

3.1 Sklearn的环境搭建与安装

3.2 Sklearn常用类及其结构

3.2.1 数据源、数据预处理及数据提取

3.2.2 模型建立

3.2.3 模型验证

3.2.4 模型调优

3.3 本章小结

第4章 Sklearn之数据预处理

4.1 数据预处理的种类

4.2 缺失值处理

4.3 数据的规范化

4.3.1 缩放规范化

4.3.2 标准化

4.3.3 范数规范化

4.4 非线性变换

4.4.1 二值化变换

4.4.2 分位数变换

4.4.3 幂变换

4.4.4 多项式变换

4.5 自定义预处理

4.6 非结构性数据预处理

4.7 文本数据处理

4.7.1 分词技术

4.7.2 对已提取数据的处理

4.7.3 文本的特征提取

4.8 图形的特征提取

第5章 Sklearn之建立模型（上）

5.1 监督学习概述

5.2 线性回归

5.2.1 最小二乘法

5.2.2 线性回归中的收敛方法

5.2.3 岭回归

5.2.4 LASSO回归

5.2.5 弹性网络回归

5.2.6 匹配追踪

5.2.7 多项式回归

5.3 广义线性模型

5.3.1 极大似然估计

5.3.2 最大后验估计

5.3.3 贝叶斯估计

5.3.4 二项式回归

5.3.5 逻辑回归

5.3.6 贝叶斯回归

5.4 稳健回归

5.4.1 随机样本一致法

5.4.2 泰尔-森估计

5.5 支持向量机

5.5.1 硬间隔和软间隔

5.5.2 核函数

5.6 高斯过程

5.7 梯度下降

5.8 决策树

5.8.1 特征选择

5.8.2 决策树的剪枝

5.9 分类

5.9.1 多类别分类

5.9.2 多标签分类

第6章 Sklearn之建立模型（下）

6.1 无监督学习概述

6.2 聚类

6.2.1 K-mean聚类

6.2.2 均值偏移聚类

6.2.3 亲和传播

6.2.4 谱聚类

6.2.5 层次聚类

6.2.6 DBSCAN聚类

6.2.7 BIRCH聚类

6.2.8 高斯混合模型

6.3 降维

6.3.1 主成因分析

6.3.2 独立成因分析

6.3.3 隐含狄利克雷分布

6.3.4 流形学习

6.3.5 多维度缩放

6.3.6 ISOMAP

6.3.7 局部线性嵌入

6.3.8 谱嵌入

第7章 Sklearn之模型优化

7.1 模型优化

7.2 模型优化的具体方法

7.2.1 训练样本对模型的影响

7.2.2 训练样本问题的解决方案

7.2.3 第三方采样库imbalanced-learn

7.3 过采样

7.3.1 随机过采样

7.3.2 合成少数类过采样技术

7.3.3 自适应综合过采样方法

7.4 欠采样

7.4.1 近丢失方法

7.4.2 编辑最邻近方法

7.4.3 Tomek链接移除

7.4.4 混合采样方法

7.5 调整类别权重

7.6 针对模型本身的调优

7.7 集成学习

7.7.1 投票分类器

7.7.2 套袋法

7.7.3 随机森林

7.7.4 提升法

7.7.5 自适应性提升法

7.7.6 梯度提升法

7.7.7 套袋法和提升法的比较

第8章 Keras主要API及架构介绍

8.1 Keras概述

8.1.1 为什么选择Keras

8.1.2 Keras的安装

8.2 序列模型和函数式模型

8.2.1 两种模型的代码实现

8.2.2 模型的其他API

8.3 Keras的架构

8.4 网络层概述

8.4.1 核心层

8.4.2 卷积层

8.4.3 池化层

8.4.4 局部连接层

8.4.5 循环层

8.4.6 嵌入层

8.4.7 融合层

8.4.8 高级激活层

8.4.9 规范化层

8.4.10 噪声层

8.4.11 层级包装器

8.5 配置项

8.5.1 损失函数

8.5.2 验证指标

8.5.3 初始化函数

8.5.4 约束项

8.5.5 回调函数

第9章 一个神经网络的迭代优化

9.1 神经网络概述

9.2 神经网络的初步实现

9.3 感知器层

9.3.1 梯度消失／爆炸问题

9.3.2 激活函数及其进化

9.3.3 激活函数的代码实现

9.3.4 批量规范化

9.4 准备训练模型

9.5 定义一个神经网络模型

9.6 隐藏层对模型的影响

9.7 关于过拟合的情况

9.7.1 规则化方法

9.7.2 Dropout方法

9.8 优化器

9.8.1 批量梯度下降

9.8.2 灵活的学习率

9.8.3 适应性梯度法

9.8.4 适应性差值法

9.8.5 均方差传播

9.8.6 Nesterov加速下降

9.8.7 Adam

9.8.8 优化器之间的对比

9.9 模型调优的其他途径

9.10 本章小结

第10章 卷积神经网络

10.1 卷积神经网络概述

10.1.1 局部感受场

10.1.2 共享权重和偏差

10.1.3 卷积层

10.1.4 池化层

10.1.5 卷积神经网络的代码实现

10.1.6 卷积神经网络的调优

10.2 常见的卷积神经网络

10.2.1 LeNet

10.2.2 AlexNet

10.2.3 VGGNet

10.2.4 残差网络

10.2.5 Inception网络模型

10.2.6 胶囊网络

10.2.7 结语

第11章 生成性对抗网络

11.1 生成性对抗网络概述

11.1.1 生成性对抗网络的原理

11.1.2 生成性对抗网络的代码实现

11.2 常见的生成性对抗网络

11.2.1 深度卷积生成性对抗网络

11.2.2 环境条件生成性对抗网络

11.3 自动编码器

11.3.1 自动编码器的代码实现

11.3.2 变分自动编码器

第12章 循环神经网络

12.1 词嵌入

12.1.1 Word2Vec

12.1.2 GloVe

12.1.3 词嵌入的代码实现

12.2 循环神经网络概述

12.2.1 简单循环神经网络单元

12.2.2 关于循环神经网络的梯度下降

12.2.3 长短期记忆单元

12.2.4 门控递归单元

12.2.5 双向循环神经网络

第13章 机器学习的入职准备

13.1 人工智能岗位及求职者的分布

13.1.1 机器学习的生态

13.1.2 应用场景

13.2 机器学习岗位的发展路径

13.2.1 机器学习岗位画像

13.2.2 面试考察什么