深度解析机器学习（全6册）

卡蒂克·雷迪·博卡高敬鹏江志烨赵娜等

扉页
版权信息
+书签
基于深度学习的自然语言处理
版权信息
译者序
前言
第1章自然语言处理
1.1 本章概览
1.2 自然语言处理的基础知识
1.3 自然语言处理的能力
1.4 自然语言处理中的应用
1.4.1 文本预处理
1.4.2 文本预处理技术
1.5 词嵌入
1.6 本章小结
第2章自然语言处理的应用
2.1 本章概览
2.2 词性标注
2.2.1 词性
2.2.2 词性标注器
2.3 词性标注的应用
2.4 分块
2.5 加缝
2.6 命名实体识别
2.6.1 命名实体
2.6.2 命名实体识别器
2.6.3 命名实体识别的应用
2.6.4 命名实体识别器类型
2.7 本章小结
第3章神经网络
3.1 本章概览
3.1.1 深度学习简介
3.1.2 机器学习与深度学习的比较
3.2 神经网络
3.3 训练神经网络
3.3.1 计算权重
3.3.2 损失函数
3.3.3 梯度下降算法
3.3.4 反向传播
3.4 神经网络的设计及其应用
3.4.1 有监督神经网络
3.4.2 无监督神经网络
3.5 部署模型即服务的基础
3.6 本章小结
第4章卷积神经网络
4.1 本章概览
4.2 理解CNN的架构
4.2.1 特征提取
4.2.2 随机失活
4.2.3 卷积神经网络的分类
4.3 训练CNN
4.4 CNN的应用领域
4.5 本章小结
第5章循环神经网络
5.1 本章概览
5.2 神经网络的早期版本
5.3 RNN
5.3.1 RNN架构
5.3.2 BPTT
5.4 更新和梯度流
5.4.1 调整权重矩阵Wy
5.4.2 调整权重矩阵Ws
5.4.3 关于更新Wx
5.5 梯度
5.5.1 梯度爆炸
5.5.2 梯度消失
5.5.3 Keras实现RNN
5.5.4 有状态与无状态
5.6 本章小结
第6章门控循环单元
6.1 本章概览
6.2 简单RNN的缺点
6.3 门控循环单元
6.3.1 门的类型
6.3.2 更新门
6.3.3 重置门
6.3.4 候选激活函数
6.3.5 GRU变体
6.4 基于GRU的情感分析
6.5 本章小结
第7章长短期记忆网络
7.1 本章概览
7.1.1 LSTM
7.1.2 遗忘门
7.2 输入门和候选单元状态
7.3 输出门和当前激活
7.4 神经语言翻译
7.5 本章小结
第8章自然语言处理前沿
8.1 本章概览
8.1.1 注意力机制
8.1.2 注意力机制模型
8.1.3 使用注意力机制的数据标准化
8.1.4 编码器
8.1.5 解码器
8.1.6 注意力机制
8.1.7 α的计算
8.2 其他架构和发展状况
8.2.1 transformer
8.2.2 BERT
8.2.3 Open AI GPT-2
8.3 本章小结
第9章组织中的实际NLP项目工作流
9.1 本章概览
9.1.1 机器学习产品开发的一般工作流
9.1.2 演示工作流
9.1.3 研究工作流
9.1.4 面向生产的工作流
9.2 问题定义
9.3 数据采集
9.4 谷歌Colab
9.5 Flask
9.6 部署
9.6.1 对Flask网络应用程序进行更改
9.6.2 使用Docker将Flask网络应用程序包装到容器中
9.6.3 将容器托管在亚马逊网络服务EC2实例上
9.6.4 改进
9.7 本章小结
附录
机器学习：基于OpenCV和Python的智能图像处理
版权信息
前言
第1章智能图像处理入门
1.1 智能图像处理概述
1.2 环境搭建
1.2.1 安装Python
1.2.2 安装PyCharm
1.2.3 PyCharm的初始化
1.2.4 OpenCV及常用库的配置
1.3 思考与练习
第2章 Python基础
2.1 数据类型
2.1.1 数值类型
2.1.2 字符串类型
2.1.3 布尔类型
2.2 变量与常量
2.3 运算符
2.3.1 运算符简介
2.3.2 运算符优先级
2.4 选择与循环
2.4.1 if语句
2.4.2 while循环
2.4.3 for循环
2.4.4 break和continue语句
2.5 列表与元组
2.5.1 创建
2.5.2 查询
2.5.3 修改
2.5.4 删除
2.6 字典
2.6.1 字典的创建
2.6.2 字典的常规操作
2.6.3 字典的遍历
2.7 函数
2.7.1 函数的定义与调用
2.7.2 参数传递
2.8 面向对象编程
2.8.1 类与对象
2.8.2 继承与多态
2.9 思考与练习
第3章图像处理基础
3.1 图像的基本表示方法
3.1.1 二值图像
3.1.2 灰度图像
3.1.3 彩色图像
3.2 图像处理的基本操作
3.2.1 图像的读取、显示和保存
3.2.2 图像通道的基本操作
3.2.3 图像属性的获取
3.3 初识Numpy.array
3.4 图像运算
3.4.1 加法运算
3.4.2 减法运算
3.4.3 乘法运算
3.4.4 除法运算
3.4.5 逻辑运算
3.5 图像的色彩空间转换
3.5.1 色彩空间类型转换函数
3.5.2 RGB色彩空间
3.5.3 GRAY色彩空间
3.5.4 YCrCb色彩空间
3.5.5 HSV色彩空间
3.6 思考与练习
第4章图像几何变换
4.1 仿射变换
4.1.1 平移
4.1.2 缩放
4.1.3 旋转
4.2 重映射
4.2.1 复制
4.2.2 绕x轴翻转
4.2.3 绕y轴翻转
4.2.4 绕x轴与y轴翻转
4.3 投影变换
4.3.1 原理简介
4.3.2 Python实现
4.4 极坐标变换
4.4.1 原理简介
4.4.2 Python实现
4.5 思考与练习
第5章图像直方图处理
5.1 直方图概述
5.2 直方图的绘制
5.2.1 用OpenCV绘制直方图
5.2.2 用pyplot绘制直方图
5.3 直方图正规化
5.3.1 正规化原理
5.3.2 Python实现
5.3.3 使用normalize实现
5.4 直方图均衡化
5.4.1 均衡化原理简介
5.4.2 Python实现
5.4.3 自适应直方图均衡化
5.5 思考与练习
第6章图像平滑滤波处理
6.1 图像平滑概述
6.2 高斯滤波
6.2.1 原理简介
6.2.2 Python实现
6.3 均值滤波
6.3.1 原理简介
6.3.2 Python实现
6.4 方框滤波
6.4.1 原理简介
6.4.2 Python实现
6.5 中值滤波
6.5.1 原理简介
6.5.2 Python实现
6.6 双边滤波
6.6.1 原理简介
6.6.2 Python实现
6.7 2D卷积核的实现
6.8 思考与练习
第7章图像阈值处理
7.1 阈值处理概述
7.2 全局阈值处理
7.2.1 原理简介
7.2.2 OpenCV阈值函数cv2.threshold()
7.2.3 阈值分割实例
7.3 局部阈值处理
7.3.1 原理简介
7.3.2 cv2.adaptiveThreshold()函数
7.4 Otsu阈值处理
7.4.1 原理简介
7.4.2 Python实现
7.5 思考与练习
第8章图像形态学处理
8.1 腐蚀
8.1.1 原理简介
8.1.2 Python实现
8.2 膨胀
8.2.1 原理简介
8.2.2 Python实现
8.3 形态学梯度运算
8.3.1 原理简介
8.3.2 Python实现
8.4 开运算与闭运算
8.4.1 原理简介
8.4.2 Python实现
8.5 黑帽与礼帽运算
8.5.1 原理简介
8.5.2 Python实现
8.6 思考与练习
第9章图像分割处理
9.1 分水岭算法的介绍与实现
9.1.1 算法原理
9.1.2 OpenCV中的相关函数
9.2 图像的金字塔分割
9.2.1 图像金字塔简介
9.2.2 OpenCV中的相关函数
9.2.3 用金字塔算法实现图像分割
9.3 思考与练习
第10章图像梯度及边缘检测
10.1 Sobel算子
10.1.1 原理简介
10.1.2 Python实现
10.2 Scharr算子
10.2.1 原理简介
10.2.2 Python实现
10.3 Canny边缘检测
10.3.1 原理简介
10.3.2 Python实现
10.4 Laplacian算子
10.4.1 原理简介
10.4.2 Python实现
10.5 高斯拉普拉斯边缘检测
10.5.1 原理简介
10.5.2 Python实现
10.6 思考与练习
第11章图像轮廓检测与拟合
11.1 OpenCV中轮廓的查找与绘制
11.1.1 轮廓的查找与绘制
11.1.2 查找绘制轮廓的实例
11.2 OpenCV中轮廓的周长与面积
11.2.1 周长计算：cv2.arcLength()函数
11.2.2 面积计算：cv2.contourArea()函数
11.3 几何图形的最小外包与拟合
11.3.1 最小外包矩形
11.3.2 最小外包圆形
11.3.3 最小外包三角形
11.3.4 最小外包椭圆
11.3.5 最优拟合直线
11.4 霍夫检测
11.4.1 霍夫直线检测
11.4.2 霍夫圆检测
11.5 思考与练习
第12章人脸识别实现
12.1 绘图基础
12.1.1 绘制直线：cv2.line()函数
12.1.2 绘制矩形：cv2.rectangle()函数
12.1.3 绘制圆形：cv2.circle()函数
12.1.4 绘制椭圆：cv2.ellipse()函数
12.1.5 在图形上绘制文字：cv2.putText()函数
12.2 人脸检测
12.2.1 OpenCV中级联分类器的使用
12.2.2 Python实现
12.3 人脸识别
12.3.1 原理简介
12.3.2 相关函数
12.3.3 LBPH人脸识别的Python实现
12.4 用Fisherfaces与EigenFaces算法进行人脸识别
12.4.1 相关函数
12.4.2 Python实现
12.5 思考与练习
TensorFlow自然语言处理
版权信息
译者序
前言
关于作者
关于审阅者
第1章自然语言处理简介
1.1 什么是自然语言处理
1.2 自然语言处理的任务
1.3 传统的自然语言处理方法
1.3.1 理解传统方法
1.3.2 传统方法的缺点
1.4 自然语言处理的深度学习方法
1.4.1 深度学习的历史
1.4.2 深度学习和NLP的当前状况
1.4.3 理解一个简单的深层模型——全连接神经网络
1.5 本章之外的学习路线
1.6 技术工具简介
1.6.1 工具说明
1.6.2 安装Python和scikit-learn
1.6.3 安装Jupyter Notebook
1.6.4 安装TensorFlow
1.7 总结
第2章理解TensorFlow
2.1 TensorFlow是什么
2.1.1 TensorFlow入门
2.1.2 TensorFlow客户端详细介绍
2.1.3 TensorFlow架构：当你执行客户端时发生了什么
2.1.4 Cafe Le TensorFlow：使用类比理解TensorFlow
2.2 输入、变量、输出和操作
2.2.1 在TensorFlow中定义输入
2.2.2 在TensorFlow中定义变量
2.2.3 定义TensorFlow输出
2.2.4 定义TensorFlow操作
2.3 使用作用域重用变量
2.4 实现我们的第一个神经网络
2.4.1 准备数据
2.4.2 定义TensorFLow图
2.4.3 运行神经网络
2.5 总结
第3章 Word2vec——学习词嵌入
3.1 单词的表示或含义是什么
3.2 学习单词表示的经典方法
3.2.1 WordNet——使用外部词汇知识库来学习单词表示
3.2.2 独热编码表示方式
3.2.3 TF-IDF方法
3.2.4 共现矩阵
3.3 Word2vec——基于神经网络学习单词表示
3.3.1 练习：queen=king–he+she吗
3.3.2 为学习词嵌入定义损失函数
3.4 skip-gram算法
3.4.1 从原始文本到结构化的数据
3.4.2 使用神经网络学习词嵌入
3.4.3 使用TensorFlow实现skip-gram
3.5 连续词袋算法
3.6 总结
第4章高级Word2vec
4.1 原始skip-gram算法
4.1.1 实现原始skip-gram算法
4.1.2 比较原始skip-gram算法和改进的skip-gram算法
4.2 比较skip-gram算法和CBOW算法
4.2.1 性能比较
4.2.2 哪个更胜一筹：skip-gram还是CBOW
4.3 词嵌入算法的扩展
4.3.1 使用unigram分布进行负采样
4.3.2 实现基于unigram的负采样
4.3.3 降采样：从概率上忽视常用词
4.3.4 实现降采样
4.3.5 比较CBOW及其扩展算法
4.4 最近的skip-gram和CBOW的扩展算法
4.4.1 skip-gram算法的限制
4.4.2 结构化skip-gram算法
4.4.3 损失函数
4.4.4 连续窗口模型
4.5 GloVe：全局向量表示
4.5.1 理解GloVe
4.5.2 实现GloVe
4.6 使用Word2vec进行文档分类
4.6.1 数据集
4.6.2 用词向量进行文档分类
4.6.3 实现：学习词嵌入
4.6.4 实现：词嵌入到文档嵌入
4.6.5 文本聚类以及用t-SNE可视化文档嵌入
4.6.6 查看一些特异点
4.6.7 实现：用K-means对文档进行分类/聚类
4.7 总结
第5章用卷积神经网络进行句子分类
5.1 介绍卷积神经网络
5.1.1 CNN基础
5.1.2 卷积神经网络的力量
5.2 理解卷积神经网络
5.2.1 卷积操作
5.2.2 池化操作
5.2.3 全连接层
5.2.4 组合成完整的CNN
5.3 练习：在MNIST数据集上用CNN进行图片分类
5.3.1 关于数据
5.3.2 实现CNN
5.3.3 分析CNN产生的预测结果
5.4 用CNN进行句子分类
5.4.1 CNN结构
5.4.2 随时间池化
5.4.3 实现：用CNN进行句子分类
5.5 总结
第6章递归神经网络
6.1 理解递归神经网络
6.1.1 前馈神经网络的问题
6.1.2 用递归神经网络进行建模
6.1.3 递归神经网络的技术描述
6.2 基于时间的反向传播
6.2.1 反向传播的工作原理
6.2.2 为什么RNN不能直接使用反向传播
6.2.3 基于时间的反向传播：训练RNN
6.2.4 截断的BPTT：更有效地训练RNN
6.2.5 BPTT的限制：梯度消失和梯度爆炸
6.3 RNN的应用
6.3.1 一对一RNN
6.3.2 一对多RNN
6.3.3 多对一RNN
6.3.4 多对多RNN
6.4 用RNN产生文本
6.4.1 定义超参数
6.4.2 将输入随时间展开用于截断的BPTT
6.4.3 定义验证数据集
6.4.4 定义权重和偏置
6.4.5 定义状态持续变量
6.4.6 用展开的输入计算隐藏状态和输出
6.4.7 计算损失
6.4.8 在新文本片段的开头重置状态
6.4.9 计算验证输出
6.4.10 计算梯度和优化
6.4.11 输出新生成的文本块
6.5 评估RNN的文本结果输出
6.6 困惑度：衡量文本结果的质量
6.7 有上下文特征的递归神经网络：更长记忆的RNN
6.7.1 RNN-CF的技术描述
6.7.2 实现RNN-CF
6.7.3 RNN-CF产生的文本
6.8 总结
第7章长短期记忆网络
7.1 理解长短期记忆网络
7.1.1 LSTM是什么
7.1.2 更详细的LSTM
7.1.3 LSTM与标准RNN的区别
7.2 LSTM如何解决梯度消失问题
7.2.1 改进LSTM
7.2.2 贪婪采样
7.2.3 集束搜索
7.2.4 使用词向量
7.2.5 双向LSTM（BiLSTM）
7.3 其他LSTM的变体
7.3.1 窥孔连接
7.3.2 门循环单元
7.4 总结
第8章 LSTM应用：文本生成
8.1 数据集
8.1.1 关于数据集
8.1.2 数据预处理
8.2 实现LSTM
8.2.1 定义超参数
8.2.2 定义参数
8.2.3 定义LSTM单元及操作
8.2.4 定义输入和标签
8.2.5 定义处理序列数据所需的序列计算
8.2.6 定义优化器
8.2.7 随时间衰减学习率
8.2.8 做预测
8.2.9 计算困惑度（损失）
8.2.10 重置状态
8.2.11 贪婪采样避免单峰
8.2.12 生成新文本
8.2.13 生成的文本样例
8.3 LSTM与窥孔LSTM和GRU对比
8.3.1 标准LSTM
8.3.2 门控循环单元（GRU）
8.3.3 窥孔LSTM
8.3.4 训练和验证随时间的困惑度
8.4 改进LSTM：集束搜索
8.4.1 实现集束搜索
8.4.2 集束搜索生成文本的示例
8.5 LSTM改进：用单词替代n-gram生成文本
8.5.1 维度灾难
8.5.2 Word2vec补救
8.5.3 使用Word2vec生成文本
8.5.4 使用LSTM-Word2vec和集束搜索生成的文本示例
8.5.5 随时间困惑度
8.6 使用TensorFlow RNN API
8.7 总结
第9章 LSTM应用：图像标题生成
9.1 了解数据
9.1.1 ILSVRC ImageNet数据集
9.1.2 MS-COCO数据集
9.2 图像标题生成实现路径
9.3 使用CNN提取图像特征
9.4 实现：使用VGG-16加载权重和推理
9.4.1 构建和更新变量
9.4.2 预处理输入
9.4.3 VGG-16推断
9.4.4 提取图像的向量化表达
9.4.5 使用VGG-16预测类别概率
9.5 学习词嵌入
9.6 准备输入LSTM的标题
9.7 生成LSTM的数据
9.8 定义LSTM
9.9 定量评估结果
9.9.1 BLEU
9.9.2 ROUGE
9.9.3 METEOR
9.9.4 CIDEr
9.9.5 模型随着时间变化的BLEU-4
9.10 为测试图像生成标题
9.11 使用TensorFlow RNN API和预训练的GloVe词向量
9.11.1 加载GloVe词向量
9.11.2 清洗数据
9.11.3 使用TensorFlow RNN API和预训练的词嵌入
9.12 总结
第10章序列到序列学习：神经机器翻译
10.1 机器翻译
10.2 机器翻译简史
10.2.1 基于规则的翻译
10.2.2 统计机器翻译（SMT）
10.2.3 神经机器翻译（NMT）
10.3 理解神经机器翻译
10.3.1 NMT原理
10.3.2 NMT架构
10.4 为NMT系统准备数据
10.4.1 训练阶段
10.4.2 反转源句
10.4.3 测试阶段
10.5 训练NMT
10.6 NMT推理
10.7 BLEU评分：评估机器翻译系统
10.7.1 修正的精确度
10.7.2 简短惩罚项
10.7.3 最终BLEU得分
10.8 从头开始实现NMT：德语到英语的翻译
10.8.1 数据介绍
10.8.2 处理数据
10.8.3 学习词嵌入
10.8.4 定义编码器和解码器
10.8.5 定义端到端输出计算
10.8.6 翻译结果
10.9 结合词嵌入训练NMT
10.9.1 最大化数据集词汇表和预训练词嵌入之间的匹配
10.9.2 将嵌入层定义为TensorFlow变量
10.10 改进NMT
10.10.1 教师强迫
10.10.2 深度LSTM
10.11 注意力
10.11.1 突破上下文向量瓶颈
10.11.2 注意力机制细节
10.11.3 注意力NMT的翻译结果
10.11.4 源句子和目标句子注意力可视化
10.12 序列到序列模型的其他应用：聊天机器人
10.12.1 训练聊天机器人
10.12.2 评估聊天机器人：图灵测试
10.13 总结
第11章自然语言处理的现状与未来
11.1 NLP现状
11.1.1 词嵌入
11.1.2 神经机器翻译
11.2 其他领域的渗透
11.2.1 NLP与计算机视觉结合
11.2.2 强化学习
11.2.3 NLP生成式对抗网络
11.3 走向通用人工智能
11.3.1 一个模型学习全部
11.3.2 联合多任务模型：为多个NLP任务生成神经网络
11.4 社交媒体NLP
11.4.1 社交媒体中的谣言检测
11.4.2 社交媒体中的情绪检测
11.4.3 分析推特中的政治框架
11.5 涌现的新任务
11.5.1 讽刺检测
11.5.2 语言基础
11.5.3 使用LSTM略读文本
11.6 新兴的机器学习模型
11.6.1 阶段LSTM
11.6.2 扩张RNN（DRNN）
11.7 总结
11.8 参考文献
附录数学基础与高级TensorFlow
Python人工智能项目实战
版权信息
译者序
前言
作者简介
审校者简介
第1章人工智能系统基础知识
1.1 神经网络
1.2 神经激活单元
1.2.1 线性激活单元
1.2.2 sigmoid激活单元
1.2.3 双曲正切激活函数
1.2.4 修正线性单元
1.2.5 softmax激活单元
1.3 用反向传播算法训练神经网络
1.4 卷积神经网络
1.5 循环神经网络
1.6 生成对抗网络
1.7 强化学习
1.7.1 Q学习
1.7.2 深度Q学习
1.8 迁移学习
1.9 受限玻尔兹曼机
1.10 自编码器
1.11 总结
第2章迁移学习
2.1 技术要求
2.2 迁移学习简介
2.3 迁移学习和糖尿病视网膜病变检测
2.4 糖尿病视网膜病变数据集
2.5 定义损失函数
2.6 考虑类别不平衡问题
2.7 预处理图像
2.8 使用仿射变换生成额外数据
2.8.1 旋转
2.8.2 平移
2.8.3 缩放
2.8.4 反射
2.8.5 通过仿射变换生成额外的图像
2.9 网络架构
2.9.1 VGG16迁移学习网络
2.9.2 InceptionV3迁移学习网络
2.9.3 ResNet50迁移学习网络
2.10 优化器和初始学习率
2.11 交叉验证
2.12 基于验证对数损失的模型检查点
2.13 训练过程的Python实现
2.14 类别分类结果
2.15 在测试期间进行推断
2.16 使用回归而非类别分类
2.17 使用keras sequential工具类生成器
2.18 总结
第3章神经机器翻译
3.1 技术要求
3.2 基于规则的机器翻译
3.2.1 分析阶段
3.2.2 词汇转换阶段
3.2.3 生成阶段
3.3 统计机器学习系统
3.3.1 语言模型
3.3.2 翻译模型
3.4 神经机器翻译
3.4.1 编码器-解码器模型
3.4.2 使用编码器-解码器模型进行推断
3.5 实现序列到序列的神经机器翻译
3.5.1 处理输入数据
3.5.2 定义神经翻译机器的模型
3.5.3 神经翻译机器的损失函数
3.5.4 训练模型
3.5.5 构建推断模型
3.5.6 单词向量嵌入
3.5.7 嵌入层
3.5.8 实现基于嵌入的NMT
3.6 总结
第4章基于GAN的时尚风格迁移
4.1 技术要求
4.2 DiscoGAN
4.3 CycleGAN
4.4 学习从手绘轮廓生成自然手提包
4.5 预处理图像
4.6 DiscoGAN的生成器
4.7 DiscoGAN的判别器
4.8 构建网络和定义损失函数
4.9 构建训练过程
4.10 GAN训练中的重要参数值
4.11 启动训练
4.12 监督生成器和判别器的损失
4.13 DiscoGAN生成的样例图像
4.14 总结
第5章视频字幕应用
5.1 技术要求
5.2 视频字幕中的CNN和LSTM
5.3 基于序列到序列的视频字幕系统
5.4 视频字幕系统数据集
5.5 处理视频图像以创建CNN特征
5.6 处理视频的带标签字幕
5.7 构建训练集和测试集
5.8 构建模型
5.8.1 定义模型的变量
5.8.2 编码阶段
5.8.3 解码阶段
5.8.4 计算小批量损失
5.9 为字幕创建单词词汇表
5.10 训练模型
5.11 训练结果
5.12 对未见过的视频进行推断
5.12.1 推断函数
5.12.2 评估结果
5.13 总结
第6章智能推荐系统
6.1 技术要求
6.2 什么是推荐系统
6.3 基于潜在因子分解的推荐系统
6.4 深度学习与潜在因子协同过滤
6.5 SVD++
6.6 基于受限玻尔兹曼机的推荐系统
6.7 对比分歧
6.8 使用RBM进行协同过滤
6.9 使用RBM实现协同过滤
6.9.1 预处理输入
6.9.2 构建RBM网络进行协作过滤
6.9.3 训练RBM
6.10 使用训练好的RBM进行推断
6.11 总结
第7章用于电影评论情感分析的移动应用程序
7.1 技术要求
7.2 使用TensorFlow mobile构建Android移动应用程序
7.3 Android应用中的电影评论评分
7.4 预处理电影评论文本
7.5 构建模型
7.6 训练模型
7.7 将模型冻结为protobuf格式
7.8 为推断创建单词到表征的字典
7.9 应用程序交互界面设计
7.10 Android应用程序的核心逻辑
7.11 测试移动应用
7.12 总结
第8章提供客户服务的AI聊天机器人
8.1 技术要求
8.2 聊天机器人的架构
8.3 基于LSTM的序列到序列模型
8.4 建立序列到序列模型
8.5 Twitter平台上的聊天机器人
8.5.1 构造聊天机器人的训练数据
8.5.2 将文本数据转换为单词索引
8.5.3 替换匿名用户名
8.5.4 定义模型
8.5.5 用于训练模型的损失函数
8.5.6 训练模型
8.5.7 从模型生成输出响应
8.5.8 所有代码连起来
8.5.9 开始训练
8.5.10 对一些输入推特的推断结果
8.6 总结
第9章基于增强学习的无人驾驶
9.1 技术要求
9.2 马尔科夫决策过程
9.3 学习Q值函数
9.4 深度Q学习
9.5 形式化损失函数
9.6 深度双Q学习
9.7 实现一个无人驾驶车的代码
9.8 深度Q学习中的动作离散化
9.9 实现深度双Q值网络
9.10 设计智能体
9.11 自动驾驶车的环境
9.12 将所有代码连起来
9.13 训练结果
9.14 总结
第10章从深度学习的角度看CAPTCHA
10.1 技术要求
10.2 通过深度学习破解CAPTCHA
10.2.1 生成基本的CAPTCHA
10.2.2 生成用于训练CAPTCHA破解器的数据
10.2.3 CAPTCHA破解器的CNN架构
10.2.4 预处理CAPTCHA图像
10.2.5 将CAPTCHA字符转换为类别
10.2.6 数据生成器
10.2.7 训练CAPTCHA破解器
10.2.8 测试数据集的准确性
10.3 通过对抗学习生成CAPTCHA
10.3.1 优化GAN损失
10.3.2 生成器网络
10.3.3 判别器网络
10.3.4 训练GAN
10.3.5 噪声分布
10.3.6 数据预处理
10.3.7 调用训练
10.3.8 训练期间CAPTCHA的质量
10.3.9 使用训练后的生成器创建CAPTCHA
10.4 总结
Python人脸识别：从入门到工程实践
版权信息
前言
第1章人脸识别入门
1.1 人脸识别概况
1.1.1 何为人脸识别
1.1.2 人脸识别的应用
1.1.3 人脸识别的目标
1.1.4 人脸识别的一般方法
1.2 人脸识别发展状况
1.2.1 人脸识别历史沿革
1.2.2 DT时代的呼唤
1.2.3 计算机视觉的新起点
1.3 本章小结
第2章数学与机器学习基础
2.1 矩阵
2.1.1 矩阵的形式
2.1.2 行列式
2.1.3 转置
2.1.4 矩阵的一般运算
2.2 向量
2.2.1 向量的形式
2.2.2 向量的点乘
2.2.3 向量的范数
2.3 距离度量
2.3.1 欧式距离
2.3.2 曼哈顿距离
2.3.3 余弦距离
2.3.4 汉明距离
2.4 卷积
2.4.1 一维卷积
2.4.2 二维卷积
2.5 机器学习基础
2.5.1 机器学习类别
2.5.2 分类算法
2.6 本章小结
第3章计算机视觉原理与应用
3.1 计算机视觉介绍
3.2 颜色模型
3.2.1 彩色图像
3.2.2 灰度图像与二值图像
3.3 信号与噪声
3.3.1 信号
3.3.2 噪声
3.4 图像滤波
3.4.1 均值滤波
3.4.2 中值滤波
3.5 图像的几何变换
3.5.1 平移
3.5.2 旋转
3.5.3 缩放
3.6 图像特征
3.6.1 灰度直方图
3.6.2 LBP特征
3.6.3 Haar特征
3.6.4 HOG特征
3.7 本章小结
第4章 OpenCV基础与应用
4.1 OpenCV介绍
4.2 科学计算库Numpy
4.2.1 array类型
4.2.2 线性代数相关
4.2.3 矩阵的高级函数
4.3 OpenCV基本操作
4.4 图像的基本变换
4.4.1 颜色变换
4.4.2 几何变换
4.4.3 图像噪声处理
4.5 本章小结
第5章深度学习与Keras工程实践
5.1 深度学习介绍
5.2 Keras框架简介
5.3 Keras的使用方法
5.3.1 深度学习的原理
5.3.2 Keras神经网络堆叠的两种方法
5.4 常用的神经网络层
5.4.1 全连接层
5.4.2 二维卷积层
5.4.3 池化层
5.4.4 BN层
5.4.5 dropout层
5.4.6 flatten层
5.5 激活函数
5.5.1 Sigmoid激活函数
5.5.2 Softmax激活函数
5.5.3 ReLU激活函数
5.5.4 Keras中激活函数的使用
5.6 优化器
5.6.1 SGD优化器
5.6.2 Adadelta优化器
5.7 损失函数
5.7.1 均方误差
5.7.2 交叉熵损失函数
5.7.3 Keras提供的损失函数
5.8 模型评估方法
5.8.1 交叉验证
5.8.2 分类器性能评估
5.9 数据增强
5.9.1 数据增强概述
5.9.2 Keras实现数据增强
5.9.3 自己实现数据增强
5.10 Keras的工程实践
5.10.1 训练时的回调函数
5.10.2 打印网络信息
5.10.3 输出网络结构图
5.10.4 获取某层的输出
5.11 本章小结
第6章常用人脸识别算法
6.1 特征脸法
6.2 OpenCV的方法
6.2.1 人脸检测方法
6.2.2 人脸识别方法
6.3 Dlib的人脸检测方法
6.4 基于深度学习的图片特征提取
6.4.1 AlexNet
6.4.2 VGGNet
6.4.3 GoogLeNet
6.4.4 ResNet
6.5 基于深度学习的人脸检测
6.5.1 基于深度学习的目标检测
6.5.2 MTCNN
6.6 基于深度学习的人脸识别
6.6.1 基于度量学习的方法
6.6.2 基于边界分类的方法
6.7 本章小结
第7章人脸识别项目实战
7.1 人脸图片数据集
7.1.1 Olivetti Faces人脸数据集
7.1.2 LFW人脸数据集
7.1.3 YouTube Faces人脸数据集
7.1.4 IMDB WIKI人脸数据集
7.1.5 FDDB人脸数据集
7.2 使用OpenCV的人脸检测
7.2.1 Haar级联分类器
7.2.2 OpenCV的SSD人脸检测器
7.3 使用Dlib的人脸检测
7.3.1 基于Hog-SVM的人脸检测
7.3.2 基于最大边界的对象检测器
7.4 深度学习实践
7.4.1 卷积神经网络实现
7.4.2 数据增强
7.4.3 自定义损失函数
7.4.4 数据预处理
7.4.5 模型训练
7.4.6 实现Web接口
7.4.7 模型调优与总结
7.5 人脸识别的拓展应用
7.6 本章小结
第8章人脸识别工程化
8.1 云平台实践
8.1.1 云计算介绍
8.1.2 云服务的形式
8.1.3 云平台架构设计
8.2 服务API设计
8.2.1 人脸检测
8.2.2 人脸对比
8.3 人脸图片存储
8.4 人脸图片检索
8.5 本章小结
附录参考文献
机器学习算法（原书第2版）
版权信息
译者序
前言
第1章机器学习简介
1.1 简介——经典机器和自适应的机器
1.1.1 描述性分析
1.1.2 预测性分析
1.2 关于学习
1.2.1 监督学习
1.2.2 无监督学习
1.2.3 半监督学习
1.2.4 强化学习
1.2.5 计算神经科学
1.3 超越机器学习——深度学习和基于生物启发的适应系统
1.4 机器学习和大数据
1.5 本章小结
第2章机器学习的重要元素
2.1 数据格式
2.2 可学习性
2.2.1 欠拟合和过拟合
2.2.2 误差度量和成本函数
2.2.3 PAC学习
2.3 统计学习方法介绍
2.3.1 最大后验概率学习
2.3.2 最大似然学习
2.4 类平衡
2.4.1 可置换的重采样
2.4.2 合成少数类过采样
2.5 信息论的要素
2.5.1 熵
2.5.2 交叉熵和互信息
2.5.3 两个概率分布的散度
2.6 本章小结
第3章特征选择与特征工程
3.1 scikit-learn的toy数据集
3.2 创建训练集和测试集
3.3 管理分类数据
3.4 管理缺失特征
3.5 数据缩放和归一化
3.6 特征选择和过滤
3.7 主成分分析
3.7.1 非负矩阵分解
3.7.2 稀疏PCA
3.7.3 核PCA
3.8 独立成分分析
3.9 原子提取和字典学习
3.10 使用t-SNE可视化高维数据集
3.11 本章小结
第4章回归算法
4.1 线性模型
4.2 一个二维的例子
4.3 基于scikit-learn的线性回归和更高维
4.3.1 决定系数
4.3.2 可解释方差
4.3.3 回归的解析表达
4.4 Ridge回归、Lasso回归和ElasticNet
4.4.1 Ridge回归
4.4.2 Lasso回归
4.4.3 ElasticNet
4.5 稳健回归
4.5.1 随机抽样一致算法
4.5.2 Huber回归
4.6 贝叶斯回归
4.7 多项式回归
4.8 保序回归
4.9 本章小结
第5章线性分类算法
5.1 线性分类
5.2 逻辑回归
5.3 实现和优化
5.4 随机梯度下降算法
5.5 被动攻击算法
5.6 通过网格搜索找到最优超参数
5.7 评估分类的指标
5.7.1 混淆矩阵
5.7.2 精确率
5.7.3 召回率
5.7.4 F-Beta
5.7.5 Kappa系数
5.7.6 分类报告
5.7.7 学习曲线
5.8 ROC曲线
5.9 本章小结
第6章朴素贝叶斯和判别分析
6.1 贝叶斯定理
6.2 朴素贝叶斯分类器
6.3 scikit-learn中的朴素贝叶斯
6.3.1 伯努利朴素贝叶斯
6.3.2 多项式朴素贝叶斯
6.3.3 高斯朴素贝叶斯
6.4 判别分析
6.5 本章小结
第7章支持向量机
7.1 线性支持向量机
7.2 scikit-learn实现
7.3 基于内核的分类
7.3.1 径向基函数
7.3.2 多项式核
7.3.3 Sigmoid核
7.3.4 自定义核
7.3.5 非线性例子
7.4 受控支持向量机
7.5 支持向量回归
7.6 半监督支持向量机简介
7.7 本章小结
第8章决策树和集成学习
8.1 二元决策树
8.1.1 二元决策
8.1.2 不纯度的衡量
8.1.3 特征重要度
8.2 基于scikit-learn的决策树分类
8.3 决策树回归
8.4 集成学习简介
8.4.1 随机森林
8.4.2 AdaBoost
8.4.3 梯度树提升
8.4.4 投票分类器
8.5 本章小结
第9章聚类原理
9.1 聚类基础
9.2 k-NN算法
9.3 高斯混合
9.4 k-means
9.5 基于样本标记的评价方法
9.5.1 同质性
9.5.2 完整性
9.5.3 修正兰德指数
9.6 本章小结
第10章高级聚类
10.1 DBSCAN
10.2 谱聚类
10.3 在线聚类
10.3.1 mini-batch k-means
10.3.2 BIRCH
10.4 双聚类
10.5 本章小结
第11章层次聚类
11.1 分层策略
11.2 凝聚聚类
11.2.1 树形图
11.2.2 scikit-learn中的凝聚聚类
11.2.3 连接限制
11.3 本章小结
第12章推荐系统介绍
12.1 朴素的基于用户的系统
12.2 基于内容的系统
12.3 无模式（或基于内存的）协同过滤
12.4 基于模型的协同过滤
12.4.1 奇异值分解策略
12.4.2 交替最小二乘法策略
12.4.3 用Apache Spark MLlib实现交替最小二乘法策略
12.5 本章小结
第13章自然语言处理简介
13.1 NLTK和内置语料库
13.2 词袋策略
13.2.1 标记
13.2.2 停止词的删除
13.2.3 词干抽取
13.2.4 向量化
13.3 词性
13.4 示例文本分类器
13.5 本章小结
第14章 NLP中的主题建模与情感分析
14.1 主题建模
14.1.1 隐性语义分析
14.1.2 概率隐性语义分析
14.1.3 隐性狄利克雷分配
14.2 使用Gensim的Word2vec简介
14.3 情感分析
14.4 本章小结
第15章神经网络介绍
15.1 深度学习简介
15.2 基于Keras的MLP
15.3 本章小结
第16章高级深度学习模型
16.1 深层结构
16.2 基于Keras的深度卷积网络示例
16.3 基于Keras的LSTM网络示例
16.4 TensorFlow简介
16.4.1 梯度计算
16.4.2 逻辑回归
16.4.3 用多层感知器进行分类
16.4.4 图像卷积
16.5 本章小结
第17章创建机器学习架构
17.1 机器学习框架
17.1.1 数据收集
17.1.2 归一化
17.1.3 降维
17.1.4 数据扩充
17.1.5 数据转换
17.1.6 建模、网格搜索和交叉验证
17.1.7 可视化
17.1.8 GPU支持
17.1.9 分布式架构简介
17.2 用于机器学习架构的scikit-learn工具
17.2.1 管道
17.2.2 特征联合
17.3 本章小结