上篇
第1章 機(jī)器學(xué)習(xí)的HELLO WORLD 2
1.1 機(jī)器學(xué)習(xí)簡介 2
1.2 機(jī)器學(xué)習(xí)應(yīng)用的核心開發(fā)流程 3
1.3 從代碼開始 6
1.3.1 搭建環(huán)境 6
1.3.2 一段簡單的代碼 7
1.4 本章小結(jié) 9
1.5 本章參考文獻(xiàn) 9

第2章 手工實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò) 10
2.1 感知器 10
2.1.1 從神經(jīng)元到感知器 10
2.1.2 實(shí)現(xiàn)簡單的感知器 12
2.2 線性回歸、梯度下降及實(shí)現(xiàn) 15
2.2.1 分類的原理 15
2.2.2 損失函數(shù)與梯度下降 16
2.2.3 神經(jīng)元的線性回歸實(shí)現(xiàn) 18
2.3 隨機(jī)梯度下降及實(shí)現(xiàn) 21
2.4 單層神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 23
2.4.1 從神經(jīng)元到神經(jīng)網(wǎng)絡(luò) 23
2.4.2 單層神經(jīng)網(wǎng)絡(luò)：初始化 25
2.4.3 單層神經(jīng)網(wǎng)絡(luò)：核心概念 27
2.4.4 單層神經(jīng)網(wǎng)絡(luò)：前向傳播 28
2.4.5 單層神經(jīng)網(wǎng)絡(luò)：反向傳播 29
2.4.6 網(wǎng)絡(luò)訓(xùn)練及調(diào)整 34
2.5 本章小結(jié) 38
2.6 本章參考文獻(xiàn) 38

第3章 上手KERAS 39
3.1 Keras簡介 39
3.2 Keras開發(fā)入門 40
3.2.1 構(gòu)建模型 40
3.2.2 訓(xùn)練與測試 42
3.3 Keras的概念說明 44
3.3.1 Model 44
3.3.2 Layer 48
3.3.3 Loss 65
3.4 再次代碼實(shí)戰(zhàn) 70
3.4.1 XOR運(yùn)算 70
3.4.2 房屋價格預(yù)測 73
3.5 本章小結(jié) 75
3.6 本章參考文獻(xiàn) 76

第4章 預(yù)測與分類：簡單的機(jī)器學(xué)習(xí)應(yīng)用 77
4.1 機(jī)器學(xué)習(xí)框架之sklearn簡介 77
4.1.1 安裝sklearn 78
4.1.2 sklearn中的常用模塊 78
4.1.3 對算法和模型的選擇 79
4.1.4 對數(shù)據(jù)集的劃分 80
4.2 初識分類算法 80
4.2.1 分類算法的性能度量指標(biāo) 81
4.2.2 樸素貝葉斯分類及案例實(shí)現(xiàn) 86
4.3 決策樹 90
4.3.1 算法介紹 90
4.3.2 決策樹的原理 91
4.3.3 實(shí)例演練 96
4.3.4 決策樹優(yōu)化 99
4.4 線性回歸 101
4.4.1 算法介紹 101
4.4.2 實(shí)例演練 101
4.5 邏輯回歸 102
4.5.1 算法介紹 102
4.5.2 多分類問題與實(shí)例演練 107
4.6 神經(jīng)網(wǎng)絡(luò) 108
4.6.1 神經(jīng)網(wǎng)絡(luò)的歷史 108
4.6.2 實(shí)例演練 114
4.6.3 深度學(xué)習(xí)中的一些算法細(xì)節(jié) 117
4.7 本章小結(jié) 120
4.8 本章參考文獻(xiàn) 120

下篇
第5章 推薦系統(tǒng)基礎(chǔ) 122
5.1 推薦系統(tǒng)簡介 122
5.2 相似度計算 124
5.3 協(xié)同過濾 125
5.3.1 基于用戶的協(xié)同過濾 126
5.3.2 基于物品的協(xié)同過濾 128
5.3.3 算法實(shí)現(xiàn)與案例演練 129
5.4 LR模型在推薦場景下的應(yīng)用 131
5.5 多模型融合推薦模型：Wide＆Deep模型 135
5.5.1 探索-利用困境的問題 135
5.5.2 Wide＆Deep模型 137
5.5.3 交叉特征 137
5.6 本章小結(jié) 145
5.7 本章參考文獻(xiàn) 145

第6章 項(xiàng)目實(shí)戰(zhàn)：聊天機(jī)器人 146
6.1 聊天機(jī)器人的發(fā)展歷史 146
6.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 148
6.2.1 Slot Filling 148
6.2.2 NLP中的單詞處理 150
6.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 153
6.2.4 LSTM網(wǎng)絡(luò)簡介 154
6.3 Seq2Seq原理介紹及實(shí)現(xiàn) 157
6.3.1 Seq2Seq原理介紹 157
6.3.2 用Keras實(shí)現(xiàn)Seq2Seq算法 158
6.4 Attention 173
6.4.1 Seq2Seq的問題 174
6.4.2 Attention的工作原理 175
6.4.3 Attention在Keras中的實(shí)現(xiàn) 178
6.4.4 Attention示例 180
6.5 本章小結(jié) 185
6.6 本章參考文獻(xiàn) 185

第7章 圖像分類實(shí)戰(zhàn) 187
7.1 圖像分類與卷積神經(jīng)網(wǎng)絡(luò) 187
7.1.1 卷積神經(jīng)網(wǎng)絡(luò)的歷史 187
7.1.2 圖像分類的3個問題 188
7.2 卷積神經(jīng)網(wǎng)絡(luò)的工作原理 190
7.2.1 卷積運(yùn)算 191
7.2.2 傳統(tǒng)圖像處理中的卷積運(yùn)算 193
7.2.3 Pooling 195
7.2.4 為什么卷積神經(jīng)網(wǎng)絡(luò)能達(dá)到較好的效果 197
7.3 案例實(shí)戰(zhàn)：交通圖標(biāo)分類 200
7.3.1 交通圖標(biāo)數(shù)據(jù)集 200
7.3.2 卷積神經(jīng)網(wǎng)絡(luò)的Keras實(shí)現(xiàn) 202
7.4 優(yōu)化策略 209
7.4.1 數(shù)據(jù)增強(qiáng) 210
7.4.2 ResNet 214
7.5 本章小結(jié) 216
7.6 本章參考文獻(xiàn) 217

第8章 目標(biāo)識別 218
8.1 CNN的演化 218
8.1.1 CNN和滑動窗口 218
8.1.2 RCNN 220
8.1.3 從Fast RCNN到Faster RCNN 223
8.1.4 Faster RCNN核心代碼解析 228
8.2 YOLO 242
8.2.1 YOLO v1 242
8.2.2 YOLO v2 248
8.2.3 YOLO v3 251
8.3 YOLO v3的具體實(shí)現(xiàn) 253
8.3.1 數(shù)據(jù)預(yù)處理 253
8.3.2 模型訓(xùn)練 260
8.4 本章小結(jié) 293
8.5 本章參考文獻(xiàn) 294

第9章 模型部署與服務(wù) 296
9.1 生產(chǎn)環(huán)境中的模型服務(wù) 296
9.2 TensorFlow Serving的應(yīng)用 299
9.2.1 轉(zhuǎn)換Keras模型 299
9.2.2 TensorFlow Serving部署 302
9.2.3 接口驗(yàn)證 303
9.3 本章小結(jié) 307
9.4 本章參考文獻(xiàn) 308