前言
第1章 機(jī)器學(xué)習(xí)概述/
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介/
1.1.1 機(jī)器學(xué)習(xí)的含義/
1.1.2 機(jī)器學(xué)習(xí)概述/
1.1.3 不同類(lèi)型的機(jī)器學(xué)習(xí)算法/
1.2 數(shù)據(jù)處理/
1.2.1 數(shù)據(jù)特征分類(lèi)及表示/
1.2.2 數(shù)據(jù)預(yù)處理/
1.2.3 數(shù)據(jù)缺失處理/
1.2.4 特征衍生和交叉/
1.2.5 特征篩選/
1.3 衡量標(biāo)準(zhǔn)/
1.3.1 模型評(píng)估指標(biāo)/
1.3.2 數(shù)據(jù)集劃分/
1.3.3 超參數(shù)優(yōu)化/
1.4 優(yōu)化目標(biāo)/
1.4.1 損失函數(shù)/
1.4.2 梯度下降優(yōu)化/
1.4.3 受約束優(yōu)化：Lagrange函數(shù)/
1.5 實(shí)戰(zhàn)：簡(jiǎn)單模型實(shí)現(xiàn)Titanic乘客生存概率預(yù)測(cè)/
1.5.1 問(wèn)題描述與數(shù)據(jù)特征/
1.5.2 簡(jiǎn)單屬性分類(lèi)模型實(shí)現(xiàn)預(yù)測(cè)/
第2章 PyTorch基本操作介紹/
2.1 PyTorch簡(jiǎn)介/
2.2 核心概念：Tensor/
2.2.1 Tensor基本操作/
2.2.2 基本數(shù)學(xué)運(yùn)算/
2.2.3 索引分片操作/
2.2.4 類(lèi)成員方法/
2.3 自動(dòng)求導(dǎo)（Autograd）/
2.3.1 可微分張量/
2.3.2 Function：實(shí)現(xiàn)自動(dòng)微分的基礎(chǔ)/
2.4 神經(jīng)網(wǎng)絡(luò)核心模塊：torch.nn/
2.4.1 nn.Module概述/
2.4.2 函數(shù)式操作nn.functional/
2.5 優(yōu)化器（optimizer）/
2.5.1 optimizer概述/
2.5.2 學(xué)習(xí)率調(diào)節(jié)/
2.5.3 經(jīng)典優(yōu)化器介紹/
2.6 數(shù)據(jù)加載/
2.6.1 Dataset與DataLoader介紹/
2.6.2 預(yù)處理變換torchvision.transforms/
2.7 高級(jí)操作/
2.7.1 GPU運(yùn)算/
2.7.2 利用C++實(shí)現(xiàn)自定義算子/
2.8 實(shí)戰(zhàn)：Wide & Deep模型實(shí)現(xiàn)Criteo點(diǎn)擊率預(yù)估/
2.8.1 問(wèn)題定義與數(shù)據(jù)特征/
2.8.2 Wide & Deep模型介紹/
2.8.3 完整實(shí)驗(yàn)流程/
第3章 監(jiān)督學(xué)習(xí)/
3.1 線性回歸（Linear Regression）/
3.1.1 小二乘法（Least Square Method）/
3.1.2 嶺回歸（Ridge Regression）/
3.1.3 貝葉斯線性回歸（Bayesian Linear Regression）/
3.2 邏輯回歸（Logistic Regression）/
3.2.1 二分類(lèi)邏輯回歸/
3.2.2 多分類(lèi)Softmax回歸/
3.2.3 貝葉斯邏輯回歸（Bayesian Logistic Regression）/
3.3 支持向量機(jī)（Support Vector Machine，SVM）/
3.3.1 線性可分下SVM的定義/
3.3.2 利用隨機(jī)梯度下降求解/
3.3.3 凸優(yōu)化簡(jiǎn)介/
3.3.4 SVM對(duì)偶問(wèn)題表示/
3.3.5 梯度下降法求解對(duì)偶問(wèn)題/
3.3.6 從Hard SVM擴(kuò)展到Soft SVM/
3.3.7 支持向量回歸（Support Vector Regression，SVR）/
3.3.8 帶有松弛變量的SVR及對(duì)偶優(yōu)化方法/
3.4 決策樹(shù)模型（Decision Tree）/
3.4.1 構(gòu)建單個(gè)樹(shù)模型/
3.4.2 集成學(xué)習(xí)（Ensemble Learning）/
3.5 K近鄰算法（K Nearest Neighbors，KNN）/
3.6 實(shí)戰(zhàn)：復(fù)雜模型實(shí)現(xiàn)Titanic旅客生存概率預(yù)測(cè)/
3.6.1 Titanic數(shù)據(jù)集特征處理/
3.6.2 多種模型預(yù)測(cè)性能對(duì)比/
第4章 無(wú)監(jiān)督學(xué)習(xí)/
4.1 聚類(lèi)方法（Clustering Method）/
4.1.1 KMeans聚類(lèi)/
4.1.2 譜聚類(lèi)（Spectral Clustering）/
4.1.3 聚合聚類(lèi)（Agglomerative Clustering）/
4.2 密度估計(jì)（Density Estimation）/
4.2.1 高斯混合模型（Gaussian Mixture Model）/
4.2.2 期望大化算法（Expectation Maximization，EM）/
4.3 降維與嵌入（Dimension Reduction & Embedding）/
4.3.1 主成分分析（Principal Component Analysis，PCA）/
4.3.2 局部線性嵌入（Locally Linear Embedding，LLE）/
4.3.3 隨機(jī)鄰居嵌入算法（t�睸NE）/
4.4 實(shí)戰(zhàn)：無(wú)監(jiān)督方法實(shí)現(xiàn)異常檢測(cè)（Anomaly Detection）/
4.4.1 異常檢測(cè)問(wèn)題與應(yīng)用/
4.4.2 實(shí)現(xiàn)基于PCA的異常檢測(cè)方法/
4.4.3 實(shí)現(xiàn)基于Mahalanobis距離的異常檢測(cè)方法/
4.4.4 實(shí)現(xiàn)基于聚類(lèi)的局部異常因子檢測(cè)方法/
第5章 PyTorch高級(jí)機(jī)器學(xué)習(xí)實(shí)戰(zhàn)概率圖模型/
5.1 有向圖：貝葉斯網(wǎng)絡(luò)（Bayesian Network）/
5.1.1 有向圖的概率分解/
5.1.2 條件獨(dú)立性（Conditional Independence）/
5.2 無(wú)向圖：馬爾可夫隨機(jī)場(chǎng)（Markov Random Field，MRF）/
5.2.1 無(wú)向圖的概率分解/
5.2.2 具體應(yīng)用：圖像去噪（Image Denoising）/
5.3 隱馬爾可夫模型（Hidden Markov Model，HMM）/
5.3.1 隱馬爾可夫模型介紹/
5.3.2 前向后向算法（Forward�睟ackward Algorithm）/
5.3.3 放縮提升運(yùn)算穩(wěn)定性/
5.3.4 代碼實(shí)現(xiàn)/
5.4 變分推斷（Variational Inference，VI）/
5.4.1 后驗(yàn)分布優(yōu)化與ELBO/
5.4.2 黑盒變分推斷算法（Black�睟ox Variational Inference，BBVI）/
5.5 蒙特卡羅采樣（Monte Carlo Sampling）/
5.5.1 拒絕采樣（Rejection Sampling）/
5.5.2 馬爾可夫鏈蒙特卡羅（Markov Chain Monte Carlo）/
5.5.3 吉布斯采樣（Gibbs Sampling）/
5.5.4 哈密頓蒙特卡羅采樣（Hamiltonian Monte Carlo，HMC）/
5.6 實(shí)戰(zhàn)：變分高斯混合模型（Variational Gaussian Mixture Model）/
5.6.1 擴(kuò)展GMM：貝葉斯高斯混合模型（Bayesian Gaussian Mixture Model）/
5.6.2 變分推斷近似/
5.6.3 代碼實(shí)現(xiàn)/
第6章 核方法/
6.1 核函數(shù)及核技巧/
6.2核化KMeans算法（Kernel KMeans）/
6.2.1 KMeans算法回顧/
6.2.2 具體實(shí)現(xiàn)/
6.3 核化支持向量機(jī)（Kernel SVM）/
6.3.1 SVM對(duì)偶問(wèn)題及核函數(shù)表示/
6.3.2 核化支持向量回歸（Kernel SVR）/
6.4 核化主成分分析 (Kernel PCA，KPCA）/
6.4.1 回顧PCA及核化表示/
6.4.2 核中心化技巧及實(shí)現(xiàn)/
6.5 高斯過(guò)程（Gaussian Process，GP）/
6.5.1 高斯過(guò)程定義及基本性質(zhì)/
6.5.2 核函數(shù)參數(shù)選取優(yōu)化/
6.6 實(shí)戰(zhàn)：利用高斯過(guò)程進(jìn)行超參數(shù)優(yōu)化/
6.6.1 超參數(shù)優(yōu)化（Hyper�瞤arameter Optimization）/
6.6.2 具體實(shí)現(xiàn)/
第7章 深度神經(jīng)網(wǎng)絡(luò)/
7.1 神經(jīng)網(wǎng)絡(luò)（Neural Network）/
7.1.1 基本算子操作/
7.1.2 常見(jiàn)網(wǎng)絡(luò)結(jié)構(gòu)/
7.1.3 網(wǎng)絡(luò)訓(xùn)練/
7.2 變分自編碼器（Variational Auto�睧ncoder，VAE）/
7.2.1 多種自編碼器介紹/
7.2.2 變分自編碼器/
7.3 深度生成模型（Deep Generative Model，DGM）/
7.3.1 受限玻爾茲曼機(jī)（Restricted Boltzmann Machine,RBM）/
7.3.2 生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network,GAN）/
7.4 實(shí)戰(zhàn)：利用CycleGAN進(jìn)行圖片風(fēng)格轉(zhuǎn)換/
7.4.1 CycleGAN模型介紹/
7.4.2 模型實(shí)現(xiàn)/
第8章 強(qiáng)化學(xué)習(xí)/
8.1 經(jīng)典強(qiáng)化學(xué)習(xí)介紹/
8.1.1 基本概念介紹/
8.1.2 強(qiáng)化學(xué)習(xí)環(huán)境OpenAI Gym/
8.2 馬爾可夫決策過(guò)程（Markov Decision Process，MDP）/
8.2.1 MDP定義及貝爾曼優(yōu)方程/
8.2.2 策略迭代（Policy Iteration）和價(jià)值迭代（Value Iteration）/
8.2.3 蒙特卡羅采樣學(xué)習(xí)（Monte Carlo Learning）/
8.2.4 時(shí)序差分學(xué)習(xí)（Temporal Difference Learning，TD�睱earning）/
8.3 基于Q價(jià)值函數(shù)的深度強(qiáng)化學(xué)習(xí)/
8.3.1 深度Q網(wǎng)絡(luò)（Deep Q�睳etwork，DQN）/
8.3.2 其他DQN改進(jìn)模型/
8.4 基于策略?xún)?yōu)化的深度強(qiáng)化學(xué)習(xí)/
8.4.1 策略梯度算法（Policy Gradient）/
8.4.2 Advantage Actor�睠ritic（A2C）算法/
8.4.3 近鄰策略?xún)?yōu)化法（Proximal Policy Optimization，PPO）/
8.4.4 深度確定性策略梯度算法（Deep Deterministic Policy Gradient，DDPG）/
8.4.5 Soft Actor Critic（SAC）算法/
8.5 實(shí)戰(zhàn)：在Atari游戲環(huán)境中進(jìn)行深度強(qiáng)化學(xué)習(xí)評(píng)測(cè)/
8.5.1 Atari游戲環(huán)境及預(yù)處理方式/
8.5.2 多種深度強(qiáng)化學(xué)習(xí)性能比較/
參考文獻(xiàn)/