目 錄
前言

第1章 機器學習基礎(chǔ) 1
1.1 機器學習簡介 1
1.2 機器學習任務(wù) 4
1.2.1 機器學習問題 4
1.2.2 機器學習典型任務(wù) 5
1.2.3 機器學習應(yīng)用場景 7
1.3 搭建機器學習開發(fā)環(huán)境 7
1.3.1 開發(fā)環(huán)境系統(tǒng)要求 7
1.3.2 Windows10系統(tǒng)平臺下搭建開發(fā)
環(huán)境 7
1.3.3 Linux系統(tǒng)平臺下搭建開發(fā)環(huán)境 16
1.4 機器學習常用庫概述 21
1.4.1 庫簡介 21
1.4.2 庫安裝及集成 22
1.5 機器學習框架概述 24
1.6 機器學習開源平臺 25
1.7 小結(jié) 29
習題 29
參考文獻 29
第2章 特征選擇與降維 30
2.1 特征選擇簡介 30
2.2 特征選擇方法 32
2.2.1 過濾式方法 32
2.2.2 包裹式方法 37
2.2.3 嵌入式方法 41
2.3 降維技術(shù) 46
2.4 主成分分析 56
2.5 綜合案例：基于feature_selector
庫的商業(yè)信貸特征選擇 60
2.6 小結(jié) 64
習題 65
參考文獻 65
第3章 典型學習算法 66
3.1 回歸算法 66
3.1.1 回歸簡介 66
3.1.2 回歸技術(shù) 67
3.1.3 常用回歸算法 68
3.1.4 回歸評價標準 74
3.1.5 案例：房屋價格回歸分析 75
3.2 聚類算法 77
3.2.1 聚類簡介 77
3.2.2 聚類技術(shù) 78
3.2.3 常用聚類算法 78
3.2.4 聚類評價標準 82
3.2.5 案例：用戶社區(qū)聚類分析 83
3.3 分類算法 85
3.3.1 分類簡介 86
3.3.2 分類技術(shù) 86
3.3.3 常用分類算法 86
3.3.4 分類評價標準 90
3.3.5 案例：新聞分類 92
3.4 支持向量機 95
3.4.1 支持向量機簡介 95
3.4.2 間隔 96
3.4.3 核函數(shù)與方法 99
3.4.4 案例：垃圾郵件過濾 100
3.5 決策樹 102
3.5.1 決策樹簡介 102
3.5.2 構(gòu)造及基本流程 103
3.5.3 剪枝方法 105
3.5.4 案例：鳶尾花預測應(yīng)用 106
3.6 綜合案例：基于隨機森林回歸的
空氣質(zhì)量預測 107
3.7 小結(jié) 111
習題 111
參考文獻 111
第4章 深度學習與神經(jīng)網(wǎng)絡(luò) 113
4.1 深度學習 113
4.1.1 深度學習簡介 113
4.1.2 深度學習框架 115
4.2 神經(jīng)網(wǎng)絡(luò) 116
4.2.1 神經(jīng)網(wǎng)絡(luò)簡介 116
4.2.2 前饋神經(jīng)網(wǎng)絡(luò) 119
4.2.3 圖神經(jīng)網(wǎng)絡(luò) 121
4.2.4 圖卷積神經(jīng)網(wǎng)絡(luò) 123
4.3 深度神經(jīng)網(wǎng)絡(luò) 126
4.3.1 深度神經(jīng)網(wǎng)絡(luò)簡介 126
4.3.2 深度神經(jīng)網(wǎng)絡(luò)模型 128
4.3.3 案例：手寫數(shù)字識別 129
4.4 卷積神經(jīng)網(wǎng)絡(luò) 133
4.4.1 卷積神經(jīng)網(wǎng)絡(luò)簡介 133
4.4.2 典型卷積神經(jīng)網(wǎng)絡(luò)算法 135
4.4.3 案例：貓狗分類應(yīng)用 143
4.5 循環(huán)神經(jīng)網(wǎng)絡(luò) 147
4.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 147
4.5.2 典型循環(huán)神經(jīng)網(wǎng)絡(luò)算法 149
4.5.3 案例：文本分類 151
4.6 長短期記憶網(wǎng)絡(luò) 155
4.6.1 長短期記憶網(wǎng)絡(luò)簡介 155
4.6.2 典型長短期記憶網(wǎng)絡(luò)算法 156
4.6.3 案例：文本生成應(yīng)用 158
4.7 綜合案例 162
4.7.1 驗證碼識別 162
4.7.2 自動寫詩機器人 170
4.8 小結(jié) 174
習題 175
參考文獻 175
第5章 集成學習與遷移學習 178
5.1 集成學習 178
5.1.1 集成學習簡介 178
5.1.2 集成學習算法 179
5.1.3 集成學習應(yīng)用 181
5.2 遷移學習 182
5.2.1 遷移學習簡介 182
5.2.2 遷移學習分類 183
5.2.3 遷移學習算法 184
5.2.4 遷移學習應(yīng)用 187
5.3 綜合案例：欺詐檢測應(yīng)用 188
5.4 小結(jié) 191
習題 192
參考文獻 192
第6章 強化學習 194
6.1 強化學習簡介 194
6.2 強化學習技術(shù) 196
6.2.1 有模型強化學習與無模型強化
學習 196
6.2.2 推薦系統(tǒng) 197
6.2.3 模仿學習 200
6.2.4 Q-learning算法 201
6.2.5 蒙特卡羅強化學習 202
6.2.6 時序差分強化學習 202
6.3 綜合案例：飛揚小鳥游戲 203
6.4 小結(jié) 206
習題 207
參考文獻 207
第7章 計算機視覺技術(shù) 209
7.1 計算機視覺簡介 209
7.2 計算機視覺基礎(chǔ) 211
7.2.1 圖像表示 211
7.2.2 圖像讀取、存儲 212
7.2.3 視頻捕獲及流保存 218
7.2.4 圖像計算 220
7.2.5 圖像二值化及平滑 221
7.2.6 圖像變換及形態(tài)學操作 229
7.2.7 圖像輪廓檢測 237
7.3 計算機視覺開發(fā)平臺 242
7.3.1 ARM嵌入式人工智能開發(fā)平臺 242
7.3.2 嵌入式GPU人工智能開發(fā)平臺 242
7.3.3 計算機視覺綜合開發(fā)平臺 243
7.4 典型算法 244
7.4.1 LeNet算法 244
7.4.2 MobileNets算法 249
7.4.3 目標檢測算法 258
7.5 綜合案例：基于深度神經(jīng)網(wǎng)絡(luò)的
人臉表情識別 264
7.6 小結(jié) 271
習題 272
參考文獻 272
第8章 語音識別 274
8.1 語音識別技術(shù)簡介 274
8.2 常用工具及平臺 276
8.2.1 語音識別工具 276
8.2.2 語音識別平臺 279
8.3 語音數(shù)據(jù)特征處理 283
8.4 典型算法 286
8.5 在線語音識別 292
8.5.1 音頻流識別 293
8.5.2 文本轉(zhuǎn)語音 294
8.5.3 視頻字幕文本生成 295
8.6 綜合案例：基于端到端的中文
語音識別 302
8.7 小結(jié) 306
習題 306
參考文獻 306
第9章 AI云開發(fā)平臺 308
9.1 AI云開發(fā)簡介 308
9.2 云開發(fā)平臺 311
9.2.1 百度云開發(fā)平臺 312
9.2.2 阿里云開發(fā)平臺 320
9.2.3 Face 云開發(fā)平臺 324
9.2.4 科大訊飛云平臺 329
9.3 綜合案例 333
9.3.1 基于EasyDL的多物體識別 333
9.3.2 基于PaddlePaddle的CNN圖像
識別 340
9.4 小結(jié) 350
習題 350
參考文獻 351