第1章 神经网络和基于梯度的优化
1.1 本书的内容概要
1.2 什么是机器学习
1.3 监督学习
1.4 非监督学习
1.5 强化学习
1.5.1 极其有效的数据
1.5.2 模型即是错
1.6 创建工作区
1.7 使用Kaggle内核
1.8 使用AWS深度学习AMI
1.9 近似函数
1.10 前向传递
1.11 逻辑回归器
1.12 优化模型参数
1.13 评估模型损失
1.13.1 梯度下降
1.13.2 反向传播
1.13.3 参数更新
1.13.4 阶段小结
1.14 深度网络
1.15 Keras简介
1.15.1 导入Keras库
1.15.2 Keras中的双层模型
1.15.3 Keras和TensorFlow
1.16 张量和计算图
1.17 练习
1.18 本章小结
第2章 机器学习在结构化数据中的应用
2.1 数据
2.2 启发式模型、基于特征的模型和E2E模型
2.3 机器学习软件栈
2.4 启发式方法
2.4.1 使用启发式模型来预测
2.4.2 F1分数
2.4.3 基于混淆矩阵的评价
2.5 特征工程方法
2.5.1 特征源于直觉—诈骗者永不眠
……
第3章 计算机视觉的应用
第4章 理解时间序列
第5章 用自然语言处理解析文本数据
第6章 生成模型的应用
第7章 金融市场中的强化学习
第8章 调试和发布产品
第9章 挑战偏见
第10章 贝叶斯推理和概率编程
结束语
推荐读物
展开