机器学习从入门到入职：用sklearn与keras搭建人工智能模型

封面

版权信息

内容简介

前言

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

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

2.3 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

3.3 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

4.4 非线性变换

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

4.8 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

5.3 广义线性模型

5.4 稳健回归

5.5 支持向量机

5.6 高斯过程

5.7 梯度下降

5.8 决策树

5.9 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

6.3 降维

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

7.3 过采样

7.4 欠采样

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

第8章 Keras主要API及架构介绍

8.1 Keras概述

8.2 序列模型和函数式模型

8.3 Keras的架构

8.4 网络层概述

8.5 配置项

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

9.4 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

9.8 优化器

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

10.2 常见的卷积神经网络

第11章 生成性对抗网络

11.1 生成性对抗网络概述

11.2 常见的生成性对抗网络

11.3 自动编码器

第12章 循环神经网络

12.1 词嵌入

12.2 循环神经网络概述

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