第一部分　传统机器学习的理论和实践

第1章　机器学习概述 3

　　　　1. 1　初探机器学习 4

　　　　1. 2　监督学习与无监督学习 5

　　　　1. 3　传统机器学习与流行的深度学习 8

　　　　1. 4　数据分析“三剑客” 9

第2章　判别式分类算法——k-近邻 11

　　　　2. 1　k-近邻算法概述 11

　　　　2. 2　k-近邻算法的思想 13

　　　　2. 3　采用Python 和NumPy 实现k-近邻算法分类 16

　　　　2. 4　采用Scikit-Learn 实现k-近邻算法分类 25

第3章　预测连续值数据——回归 29

　　　　3. 1　线性回归 29

　　　　3. 2　多元线性回归 51

　　　　3. 3　多项式回归 56

第4章　预测离散型数据——分类 60

　　　　4. 1　逻辑回归 60

　　　　4. 2　多分类 78

第5章　模型的优化 86

　　　　5. 1　过拟合 86

　　　　5. 2　解决过拟合———正则化 88

　　　　5. 3　深入理解正则化 89

　　　　5. 4　线性回归中的正则化 90

　　　　5. 5　逻辑回归分类中的正则化 92

　　　　5. 6　训练集、验证集与测试集 95

　　　　5. 7　交叉验证 97

　　　　5. 8　高偏差与高方差 98

　　　　5. 9　学习曲线 99

　　　　5. 10　网格搜索 102

第6章　支持向量机 105

　　　　6. 1　从逻辑回归到SVM  105

　　　　6. 2　SVM 与大间隔分类器 107

　　　　6. 3　支持向量 109

　　　　6. 4　SVM 的数学建模∗ 111

　　　　6. 5　核函数 113

　　　　6. 6　硬间隔与软间隔 116

　　　　6. 7　训练使用核函数的SVM  119

　　　　6. 8　SVM 的设置 120

　　　　6. 9　Scikit-Learn 实现SVM 分类示例 121

 第7章　基于概率论的分类——朴素贝叶斯 125

　　　　7. 1　贝叶斯思想和贝叶斯定理 125

　　　　7. 2　根据贝叶斯公式推算后验概率 128

　　　　7. 3　理解朴素贝叶斯与分类 130

　　　　7. 4　训练朴素贝叶斯模型 130

　　　　7. 5　采用Python 和Numpy 实现朴素贝叶斯分类 133

　　　　7. 6　采用Scikit-Learn 实现朴素贝叶斯分类 139

　　　　7. 7　关于TF-IDF  143

　　　　7. 8　采用TF-IDF 及朴素贝叶斯实现文本分类 146

第8章　无监督学习 150

　　　　8. 1　聚　类 150

　　　　8. 2　降　维 162

第二部分　现代深度学习的理论和实践

第9章　深度学习与神经网络 177

　　　　9. 1　深度学习概述 177

　　　　9. 2　回溯机器学习与神经网络的发展 178

　　　　9. 3　神经网络的结构和预测 180

　　　　9. 4　神经网络的训练与学习 198

第10章　基于PyTorch 实现深度学习 213

　　　　10. 1　PyTorch 基础 213

　　　　10. 2　采用PyTorch 实现线性神经网络 222

　　　　10. 3　采用PyTorch 实现多层感知机MLP 229

　　　　10. 4　梯度下降的优化 239

第三部分　卷积神经网络及计算机视觉领域应用案例

第11章　深度学习与计算机视觉——卷积神经网络 253

　　　　11. 1　从MLP 到CNN 253

　　　　11. 2　理解卷积运算 259

　　　　11. 3　卷积神经网络的核心组件 268

　　　　11. 4　CNN 的感受野 274

　　　　11. 5　完整的CNN 示例 275

　　　　11. 6　为什么要使用卷积 276

　　　　11. 7　基于PyTorch 实现LeNet-5 277

　　　　11. 8　基于PyTorch 实现AlexNet 283

　　　　11. 9　ResNet 的结构和实现 293

　　参考文献 301