前言
Chapter 1:神經網路與基於梯度的優化
本書的學習之旅
什麼是機器學習?
監督式學習
非監督式學習
強化學習
設定工作區
使用Kaggle內核
使用AWS深度學習AMI
優化模型參數
測量模型損失
建立更深層的網路
Keras簡介
張量和運算圖
練習題
小結
Chapter 2:機器學習在結構化資料之應用
人工合成資料
啟發式模型、特徵式模型和E2E模型
機器學習軟體需求
啟發式方法
特徵工程方法
準備Keras資料
使用Keras建立預測模型
決策樹簡介
E2E模型
練習題
小結
Chapter 3:電腦視覺應用
卷積神經網路
彩色影像過濾器
ConvNets在Keras的程式區塊
為我們的神經網路提供更多樣的功能
處理大型影像資料集
使用預先訓練的模型
權衡模組化
分類之外的電腦視覺技術
練習題
小結
Chapter 4:理解時間序列
Pandas資料視覺化準備工作
快速傅立葉變換
自相關性
建立訓練和測試規則
回溯測試說明
預測中位數
ARIMA
卡爾曼過濾器
Conv1D卷積層
擴張和因果卷積層
簡易RNN
LSTM
遞歸丟棄
貝葉斯深度學習
練習題
小結
Chapter 5:使用自然語言處理解析文字資料
spaCy入門指引
命名實體識別
詞性(POS)標記
基於規則的匹配方式
正規表示法
文字分類任務
準備資料
詞袋
主題模型
詞嵌入
「詞嵌入」的文件相似性
快速瀏覽Kera函數式API
注意力機制
Seq2seq模型
練習題
小結
Chapter 6:使用生成模型
了解自動編碼器
使用t-SNE視覺化潛在空間
變分自動編碼器
用於時間序列的VAE
GAN
使用較少的資料-主動學習
將SGAN應用於詐欺偵測
練習題
小結
Chapter 7:在金融市場中應用強化學習
Catch:強化學習的快速入門
更正式地介紹RL:「馬可夫過程」和「貝爾曼方程式」
優勢行動者-評論家模型
進化策略和基因演算法
RL工程之實用提示
最先進的RL技術
練習題
小結
Chapter 8:隱私權、除錯和發佈你的產品
對資料進行除錯
對你的模型進行除錯
部署
效能提示
練習題
小結
Chapter 9:對抗偏差或偏見
機器學習中不公平的來源
法律觀點
觀察公平性
公平訓練
因果學習
解讀模型以確保公平性
複雜系統失敗的不公平現象
制定公平模式的清單
練習題
小結
Chapter 10:貝氏推論和機率規劃
貝氏推論的直觀指南
小結
後會有期
延伸閱讀