大數(shù)據(jù)與機器學習經典案例：微課視頻版

目錄


第1章房價預測與回歸問題

1.1數(shù)據(jù)集

1.2訓練集觀察

1.3列變量觀察

1.4相關矩陣

1.5缺失數(shù)據(jù)

1.6離群值

1.7正態(tài)分布

1.8同方差與異方差

1.9線性回歸假設

1.10參數(shù)估計

1.11決定系數(shù)

1.12特征工程

1.13數(shù)據(jù)集劃分與標準化

1.14線性回歸模型

1.15嶺回歸模型

1.16Lasso回歸模型

1.17ElasticNet回歸模型

1.18XGBoost回歸模型

1.19Voting回歸模型

1.20Stacking回歸模型

1.21模型比較

小結

習題

第2章人體蛋白圖譜與卷積神經網(wǎng)絡

2.1數(shù)據(jù)集

2.2訓練集觀察

2.3標簽向量化

2.4均衡性檢查

2.5構建新訓練集

2.6卷積運算

2.7邊緣擴充

2.8卷積步長

2.9三維卷積





2.10定義卷積層

2.11簡單卷積神經網(wǎng)絡

2.12定義池化層

2.13經典結構LeNet5





2.14卷積網(wǎng)絡結構剖析

2.15為什么使用卷積

2.16數(shù)據(jù)集劃分

2.17圖像的特征表示

2.18蛋白圖像的特征矩陣

2.19數(shù)據(jù)標準化

2.20模型定義

2.21模型訓練

2.22模型評估

2.23模型預測

小結

習題

第3章細胞圖像與深度卷積

3.1數(shù)據(jù)集

3.2數(shù)據(jù)采集

3.3數(shù)據(jù)集觀察

3.4數(shù)據(jù)分布

3.5篩選數(shù)據(jù)集

3.6神經網(wǎng)絡

3.7符號化表示

3.8激勵函數(shù)

3.9損失函數(shù)

3.10梯度下降

3.11正向傳播

3.12反向傳播

3.13偏差與方差

3.14正則化

3.15MiniBatch梯度下降

3.16優(yōu)化算法

3.17參數(shù)與超參數(shù)

3.18Softmax回歸

3.19VGG16卷積網(wǎng)絡

3.20ResNet卷積網(wǎng)絡

3.211×1卷積

3.22Inception卷積網(wǎng)絡

3.23合成細胞彩色圖像

3.24數(shù)據(jù)集劃分

3.25制作HDF5數(shù)據(jù)集

3.26遷移學習與特征提取

3.27基于VGG16的遷移學習

3.28訓練ResNet50模型

3.29ResNet50模型預測

小結

習題

第4章自動駕駛與YOLO算法

4.1認識自動駕駛

4.2數(shù)據(jù)集

4.3數(shù)據(jù)集觀察

4.4變量觀察

4.5場景觀察

4.6場景動畫

4.7目標檢測

4.8特征點檢測

4.9滑動窗口實現(xiàn)目標檢測

4.10卷積方法實現(xiàn)滑動窗口

4.11初識YOLO算法

4.12交并比

4.13非極大值抑制

4.14Anchor Boxes

4.15YOLO技術演進

4.16用OpenCV顯示圖像

4.17用OpenCV播放視頻

4.18用GoogLeNet對圖像分類

4.19用GoogLeNet對視頻逐幀分類

4.20YOLO v3預訓練模型

4.21YOLO v3對圖像做目標檢測

4.22YOLO v3對視頻做目標檢測

4.23YOLO v3對駕駛場景做目標檢測

小結

習題

第5章AlphaFold與蛋白質結構預測

5.1什么是AlphaFold

5.2肽鍵、多肽與肽鏈

5.3蛋白質的四級結構

5.4數(shù)據(jù)集

5.5篩選蛋白質序列

5.6計算殘基之間的距離

5.7二面角與拉氏構象圖

5.8計算二面角Phi（Φ）和Psi（Ψ）

5.9裁剪殘基序列的OneHot矩陣

5.10裁剪評分矩陣和二面角標簽

5.11定義二面角預測模型

5.12二面角模型參數(shù)設定與訓練

5.13二面角模型預測與評價

5.14定義距離預測模型

5.15構建殘基序列3D特征矩陣

5.16構建3D評分矩陣

5.17定義距離標簽的3D矩陣

5.18距離模型參數(shù)設定與訓練

5.19距離模型預測與評價

小結

習題

第6章機器問答與BERT模型

6.1Google開放域數(shù)據(jù)集

6.2序列模型與RNN

6.3詞向量

6.4注意力機制

6.5Transformer模型

6.6BERT模型

6.7數(shù)據(jù)集分析

6.8F1分數(shù)

6.9定義BERT模型和RoBERTa模型

6.10訓練BERT微調模型

6.11用BERT微調模型預測

小結

習題

第7章蘋果樹病蟲害識別與模型集成

7.1數(shù)據(jù)集

7.2葉片觀察

7.3RGB通道觀察

7.4葉片圖像分類觀察

7.5葉片類別分布統(tǒng)計

7.6Canny邊緣檢測

7.7數(shù)據(jù)增強

7.8劃分數(shù)據(jù)集

7.9DenseNet模型定義

7.10DenseNet模型訓練

7.11DenseNet模型預測與評估

7.12EfficientNet模型定義

7.13EfficientNet模型訓練

7.14EfficientNet模型預測與評估

7.15EfficientNet Noisy Student模型

7.16EfficientDet模型

7.17模型集成

小結

習題

參考文獻