Python與神經(jīng)網(wǎng)絡(luò)實戰(zhàn)研究

第1章 Python與機器學習入門
1．1 機器學習緒論
1．2 Python簡介
1．3 第一個機器學習樣例
第2章 經(jīng)典傳統(tǒng)機器學習算法
2．1 樸素貝葉斯
2．2 決策樹
2．3 支持向量機
2．4 Logistic回歸
第3章 神經(jīng)網(wǎng)絡(luò)
3．1 從感知機到多層感知機
3．2 前向傳導(dǎo)算法
3．3 反向傳播算法
3．4 特殊的層結(jié)構(gòu)
3．5 參數(shù)的更新
3．6 樸素的網(wǎng)絡(luò)結(jié)構(gòu)
3．7 “大數(shù)據(jù)”下的網(wǎng)絡(luò)結(jié)構(gòu)
第4章 從傳統(tǒng)算法走向神經(jīng)網(wǎng)絡(luò)
4．1 樸素貝葉斯的線性形式
4．2 決策樹生成算法的本質(zhì)
4．3 模型轉(zhuǎn)換的局限性
第5章 卷積神經(jīng)網(wǎng)絡(luò)
5．1 卷積神經(jīng)網(wǎng)絡(luò)速成
5．2 手寫數(shù)字識別
5．3 Keras中的圖像增強
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò)
6．1 循環(huán)神經(jīng)網(wǎng)絡(luò)速成
6．2 多層感知器的時間序列預(yù)測：國際旅行游客人數(shù)預(yù)測
6．3 LSTM時間序列問題預(yù)測：國際旅行游客人數(shù)預(yù)測
6．4 序列分類：IMDB影評分類
6．5 多變量時間序列預(yù)測：PM2．5預(yù)報
第7章 神經(jīng)網(wǎng)絡(luò)進階
7．1 層結(jié)構(gòu)內(nèi)部的額外工作
7．2 “淺”與“深”的結(jié)合
7．3 神經(jīng)網(wǎng)絡(luò)中的“決策樹”
7．4 神經(jīng)網(wǎng)絡(luò)中的剪枝
7．5 AdvancedNN的結(jié)構(gòu)設(shè)計
7．6 AdvancedNN的實際性能
第8章 文本處理
8．1 逗號分隔值（CSV）
8．2 JSON
8．3 可擴展標記語言
8．4 相關(guān)模塊
第9章 因特網(wǎng)客戶端編程
9．1 因特網(wǎng)客戶端簡介
9．2 文件傳輸
9．3 網(wǎng)絡(luò)新聞
9．4 電子郵件
9．5 實戰(zhàn)
第10章 深度神經(jīng)網(wǎng)絡(luò)
10．1 創(chuàng)建一個感知器
10．2 創(chuàng)建一個單層神經(jīng)網(wǎng)絡(luò)
10．3 創(chuàng)建一個深度神經(jīng)網(wǎng)絡(luò)
10．4 創(chuàng)建一個向量量化器
10．5 為序列數(shù)據(jù)分析創(chuàng)建一個遞歸神經(jīng)網(wǎng)絡(luò)
10．6 在光學字符識別數(shù)據(jù)庫中將字符可視化
第11章 半自動化機器學習框架
11．1 數(shù)據(jù)的準備
11．2 數(shù)據(jù)的轉(zhuǎn)換
11．3 AutoBase的實現(xiàn)補足
11．4 AutoMeta的實現(xiàn)
11．5 訓(xùn)練過程的監(jiān)控