《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》是一本场景式的机器学习实践书，笔者努力做到“授人以渔，而非授人以鱼”。理论方面从人工智能（AI）与机器学习（ML）的基本要素讲起，逐步展开有监督学习、无监督学习、强化学习这三大类模型的应用场景与算法原理；实践方面通过金融预测、医疗诊断概率模型、月球登陆器、图像识别、写诗机器人、中国象棋博弈等案例启发读者将机器学习应用在各行各业里，其中后三个案例使用了深度学习技术。 《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》试图用通俗的语言讲解涵盖算法模型的机器学习，主要内容包括机器学习通用概念、三个基本科学计算工具、有监督学习、聚类模型、降维模型、隐马尔可夫模型、贝叶斯网络、自然语言处理、深度学习、强化学习、模型迁移等。在深入浅出地解析模型与算法之后，介绍使用Python相关工具进行开发的方法、解析经典案例，使读者做到“能理解、能设计、能编码、能调试”，没有任何专业基础的读者在学习本书后也能够上手设计与开发机器学习产品。 本书内容深入浅出、实例典型，适合对机器学习感兴趣的产品设计、技术管理、数据分析、软件开发或学生读者。阅读《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》既能了解当前工业界的主流机器学习与深度学习开发工具的使用方法，又能从战略方面掌握如何将人工智能技术应用到自己的企业与产品中。
前言
第1章 机器学习基础
1.1 引言
1.2 机器学习的一般流程
1.3 学习策略
1.4 评估理论
1.5 本章内容回顾
第2章 Python基础工具
2.1 Numpy
2.2 Matplot
2.3 Scipy
2.4 本章内容回顾
第3章 有监督学习:分类与回归
3.1 线性回归
3.2 梯度下降
3.3 支持向量机
3.4 朴素贝叶斯分类
3.5 高斯过程
3.6 决策树
3.7 集成学习
3.8 综合话题
3.9 本章内容回顾
第4章 无监督学习:聚类
4.1 动机
4.2 K-means
4.3 近邻算法
4.4 高斯混合模型
4.5 密度聚类
4.6 BIRCH
4.7 距离计算
4.8 聚类评估
4.9 本章内容回顾
第5章 无监督学习:数据降维
5.1 主成分分析
5.2 线性判别分析
5.3 多维标度法
5.4 流形学习之Isomap
5.5 流形学习之局部嵌入
5.6 流形学习之t-SNE
5.7 实战:降维模型之比较
5.8 本章内容回顾
第6章 隐马尔可夫模型
6.1 场景建模
6.2 离散型分布算法与应用
6.3 连续型概率分布
6.4 实战:股票预测模型
6.5 本章内容回顾
第7章 贝叶斯网络
7.1 什么是贝叶斯网络
7.2 网络构建
7.3 近似推理
7.4 利用共轭建模
7.5 实战:胸科疾病诊断
7.6 本章内容回顾
第8章 自然语言处理
8.1 文本建模
8.2 词汇处理
8.3 主题模型
8.4 实战:用LDA分析新闻库
8.5 本章内容回顾
第9章 深度学习
9.1 神经网络基础
9.2 TensorFlow核心应用
9.3 卷积神经网络
9.4 优化
9.5 循环神经网络与递归神经网络
9.6 前沿精选
9.7 CNN实战:图像识别
9.8 RNN实战:写诗机器人
9.9 本章内容回顾
第10章 强化学习
10.1 场景与原理
10.2 OpenAIGym
10.3 深度强化学习
10.4 博弈原理
10.5 实战:中国象棋版AlphaGo Zero
10.6 本章内容回顾
第11章 模型迁移
11.1 走向移动端
11.2 迁移学习
11.3 案例实战:基于TensorFlow Hub的迁移学习开发
11.4 本章内容回顾
后记
内容简介
