目录

第I 部分 用Scikit-Learn 进行机器学习

第1 章 机器学习   3

1.1 什么是机器学习          4

1.1.1 机器学习与人工智能      7

1.1.2 监督和无监督学习       9

1.2 使用k-means 聚类算法的无监督学习          10

1.2.1 将k-means 聚类算法应用于客户数据    13

1.2.2 使用两个以上的维度对客户进行细分    16

1.3 监督学习            19

1.3.1 k 近邻          22

1.3.2 使用k 近邻对花卉进行分类       24

1.4 小结         28

第2 章 回归模型       30

2.1 线性回归            30

2.2 决策树            34

2.3 随机森林            37

2.4 梯度提升机        39

2.5 支持向量机        41

2.6 回归模型的精度测量           42

2.7 使用回归来预测车费           46

2.8 小结         51

第3 章 分类模型       53

3.1 逻辑回归            54

3.2 分类模型的准确率度量          56

3.3 分类数据            61

3.4 二分类            63

3.4.2 检测信用卡欺诈          68

3.5 多分类            73

3.6 构建数字识别模型         74

3.7 小结         78

第4 章 文本分类       80

4.1 准备用于分类的文本           81

4.2 情感分析            84

4.3 朴素贝叶斯        88

4.4 垃圾邮件过滤       91

4.5 推荐系统            95

4.5.1 余弦相似性        96

4.5.2 构建一个电影推荐系统        98

4.6 小结       100

第5 章 支持向量机        102

5.1 支持向量机的工作原理        102

5.1.1 核            105

5.1.2 核技巧       106

5.2 超参数调整         109

5.3 数据归一化         112

5.4 管道化          117

5.5 使用SVM 进行面部识别      118

5.6 小结       124

第6 章 主成分分析        126

6.1 理解主成分分析          127

6.2 噪声过滤          133

6.3 数据匿名化         135

6.4 可视化高维数据          137

6.5 异常检测          140

6.5.1 使用PCA 检测信用卡欺诈       141

6.5.2 使用PCA 来预测轴承故障       145

6.5.3 多变量异常检测          150

6.6 小结       151

第7 章 机器学习模型的操作化    152

7.1 从Python 客户端使用Python 模型         153

7.2  pkl 文件的版本管理          157

7.3 从C# 客户端使用Python 模型       157

7.4 容器化机器学习模型         160

7.5 使用ONNX 来桥接不同的语言      161

7.6 用ML.NET 在C# 中构建ML 模型         165

7.6.1 用ML.NET 进行情感分析        166

7.6.2 保存和加载ML.NET 模型        169

7.7 为Excel 添加机器学习功能        169

7.8 小结       173

第II 部分 用Keras 和TensorFlow 进行深度学习

第8 章 深度学习         177

8.1 了解神经网络           178

8.2 训练神经网络           182

8.3 小结       185

第9 章 神经网络         187

9.1 用Keras 和TensorFlow 构建神经网络       188

9.1.1 设定神经网络的大小          192

9.1.2 使用神经网络来预测车费        193

9.2 用神经网络进行二分类        197

9.2.1 进行预测          199

9.2.2 训练神经网络来检测信用卡欺诈      200

9.3 用神经网络进行多分类        204

9.4 训练神经网络进行面部识别        207

9.5 Dropout            210

9.6 保存和加载模型          211

9.7 Keras 回调          213

9.8 小结       216

第10 章 用卷积神经网络进行图像分类       218

10.1 理解CNN         219

10.1.1 使用Keras 和TensorFlow 来构建CNN        223

10.1.2 训练CNN 来识别北极野生动物      227

10.2 预训练CNN      232

10.3 使用ResNet50V2 对图像分类      235

10.4 转移学习        237

10.5 通过转移学习来识别北极野生动物          240

10.6 数据增强        243

10.6.1 用ImageDataGenerator 进行图像增强         244

10.6.2 使用增强层进行图像增强       247

10.6.3 将图像增强应用于北极野生动物       248

10.7 全局池化        251

10.8 用CNN 进行音频分类        252

10.9 小结            259

第11 章 面部检测和识别          261

11.1 人脸检测        262

11.1.1 用Viola-Jones 算法进行人脸检测      263

11.1.2 使用Viola-Jones 的OpenCV 实现      265

11.1.3 用卷积神经网络检测人脸       267

11.1.4 从照片中提取人脸            271

11.2 面部识别        273

11.2.1 将迁移学习应用于人脸识别         274

11.2.2 用任务特定的权重强化转移学习       277

11.2.3 ArcFace          280

11.3 综合运用：检测和识别照片中的人脸      281

11.4 处理未知人脸：闭集和开集分类     287

11.5 小结            288

第12 章 目标检测       290

12.1 R-CNN           291

12.2 Mask R-CNN          294

12.3 YOLO            300

12.4 YOLOv3 和Keras      302

12.5 自定义目标检测         307

12.5.1 用自定义视觉服务训练自定义目标检测模型        308

12.5.2 使用导出的模型        315

12.6 小结            317

第13 章 自然语言处理          318

13.1 文本准备        319

13.2 词嵌入           322

13.3 文本分类        323

13.3.1 自动化文本矢量处理        327

13.3.2 在情感分析模型中使用TextVectorization       328

13.3.3 将词序纳入预测的因素       330

13.3.4 循环神经网络(RNN)        331

13.3.5 使用预训练模型进行文本分类        333

13.4 神经机器翻译         335

13.4.1 LSTM 编码器- 解码器        336

13.4.2 Transformer 编码器- 解码器        338

13.4.3 构建基于Transformer 的NMT 模型         340

13.4.4 使用预训练模型来翻译文本      349

13.5 基于变换器的双向编码器(BERT)         350

13.5.1 构建基于BERT 的答题系统         352

13.5.2 调优BERT 以进行情感分析         355

13.6 小结            359

第14 章 Azure 认知服务          361

14.1 Azure 认知服务简介        362

14.1.1 密钥和终结点         364

14.1.2 调用Azure 认知服务API       367

14.1.3 Azure 认知服务容器         369

14.2 计算机视觉服务         371

14.3 语言服务        380

14.4 翻译服务        383

14.5 语音服务        385

14.6 集大成者Contoso Travel           386

14.7 小结            391