第 1章 數據科學——鳥瞰全景 1
1．1 通過示例了解數據科學 2
1．2 設計數據科學算法的流程 7
1．2．1 數據預處理 8
1．2．2 特征選擇 8
1．2．3 模型選擇 9
1．2．4 學習過程 9
1．2．5 評估模型 9
1．3 開始學習 10
1．4 實現魚類識別/檢測模型 12
1．4．1 知識庫/數據集 12
1．4．2 數據分析預處理 14
1．4．3 搭建模型 17
1．5 不同學習類型 22
1．5．1 監(jiān)督學習 22
1．5．2 無監(jiān)督學習 23
1．5．3 半監(jiān)督學習 24
1．5．4 強化學習 24
1．6 數據量和行業(yè)需求 25
1．7 總結 25
第 2章 數據建模實戰(zhàn)——“泰坦尼克號”示例 27
2．1 線性回歸模型 27
2．1．1 原因 28
2．1．2 廣告—— 一個財務方面的例子 28
2．2 線性分類模型 36
2．3 “泰坦尼克號”示例——建立和訓練模型 38
2．3．1 數據處理和可視化 39
2．3．2 數據分析——監(jiān)督機器學習 44
2．4 不同類型的誤差解析 47
2．5 表現（訓練集）誤差 47
2．6 泛化/真實誤差 48
2．7 總結 48
第3章 特征工程與模型復雜性——重溫“泰坦尼克號”示例 49
3．1 特征工程 49
3．1．1 特征工程的類型 50
3．1．2 重溫“泰坦尼克號”示例 51
3．2 維度災難 62
3．3 重溫“泰坦尼克號”示例——融會貫通 64
3．4 偏差-方差分解 78
3．5 學習可見性 80
3．6 總結 80
第4章 TensorFlow入門實戰(zhàn) 82
4．1 安裝TensorFlow 82
4．1．1 在Ubuntu 16．04系統上安裝GPU版的TensorFlow 83
4．1．2 在Ubuntu 16．04系統上安裝CPU版的TensorFlow 86
4．1．3 在Mac OS X上安裝CPU版的TensorFlow 88
4．1．4 在Windows系統上安裝CPU/GPU版的TensorFlow 88
4．2 TensorFlow運行環(huán)境 89
4．3 計算圖 90
4．4 TensorFlow中的數據類型、變量、占位符 91
4．4．1 變量 91
4．4．2 占位符 92
4．4．3 數學運算 92
4．5 獲取TensorFlow的輸出 94
4．6 TensorBoard——可視化學習過程 95
4．7 總結 101
第5章 TensorFlow基礎示例實戰(zhàn) 102
5．1 神經元的結構 102
5．2 激活函數 104
5．2．1 sigmoid 105
5．2．2 tanh 105
5．2．3 ReLU 105
5．3 前饋神經網絡 106
5．4 需要多層網絡的原因 107
5．4．1 訓練MLP——反向傳播算法 108
5．4．2 前饋傳播 109
5．4．3 反向傳播和權值更新 110
5．5 TensorFlow術語回顧 110
5．5．1 使用Tensorflow定義多維數組 112
5．5．2 為什么使用張量 114
5．5．3 變量 115
5．5．4 占位符 116
5．5．5 操作 117
5．6 構建與訓練線性回歸模型 118
5．7 構建與訓練邏輯回歸模型 123
5．8 總結 130
第6章 深度前饋神經網絡——實現數字分類 131
6．1 隱藏單元與架構設計 131
6．2 MNIST數據集分析 133
6．3 數字分類——構建與訓練模型 135
6．3．1 分析數據 137
6．3．2 構建模型 140
6．3．3 訓練模型 144
6．4 總結 148
第7章 卷積神經網絡 149
7．1 卷積運算 149
7．2 動機 152
7．3 CNN的不同層 153
7．3．1 輸入層 153
7．3．2 卷積步驟 154
7．3．3 引入非線性 155
7．3．4 池化步驟 156
7．3．5 全連接層 157
7．4 CNN基礎示例——MNIST手寫數字分類 159
7．4．1 構建模型 162
7．4．2 訓練模型 167
7．5 總結 174
第8章 目標檢測——CIFAR-10示例 175
8．1 目標檢測 175
8．2 CIFAR-10目標圖像檢測——構建與訓練模型 176
8．2．1 使用軟件包 176
8．2．2 加載CIFAR-10數據集 177
8．2．3 數據分析與預處理 178
8．2．4 建立網絡 183
8．2．5 訓練模型 186
8．2．6 測試模型 191
8．3 總結 195
第9章 目標檢測——CNN遷移學習 196
9．1 遷移學習 196
9．1．1 遷移學習背后的直覺 197
9．1．2 傳統機器學習與遷移學習之間的不同 198
9．2 CIFAR-10目標檢測——回顧 199
9．2．1 解決方案大綱 199
9．2．2 加載和探索CIFAR-10數據集 200
9．2．3 inception模型遷移值 204
9．2．4 遷移值分析 207
9．2．5 模型構建與訓練 211
9．3 總結 219
第 10章 循環(huán)神經網絡——語言模型 220
10．1 RNN的直觀解釋 220
10．1．1 RNN的架構 221
10．1．2 RNN的示例 222
10．1．3 梯度消失問題 224
10．1．4 長期依賴問題 225
10．2 LSTM網絡 226
10．3 語言模型的實現 227
10．3．1 生成訓練的最小批 230
10．3．2 構建模型 232
10．3．3 訓練模型 238
10．4 總結 243
第 11章 表示學習——實現詞嵌入 244
11．1 表示學習簡介 244
11．2 Word2Vec 245
11．3 skip-gram架構的一個實際例子 248
11．4 實現skip-gram Word2Vec 250
11．4．1 數據分析與預處理 251
11．4．2 構建模型 257
11．4．3 訓練模型 259
11．5 總結 264
第 12章 神經網絡在情感分析中的應用 265
12．1 常用的情感分析模型 265
12．1．1 RNN——情感分析背景 267
12．1．2 梯度爆炸與梯度消失——回顧 269
12．2 情感分析——模型實現 270
12．2．1 Keras 270
12．2．2 數據分析與預處理 271
12．2．3 構建模型 282
12．2．4 模型訓練和結果分析 284
12．3 總結 288
第 13章 自動編碼器——特征提取和降噪 289
13．1 自動編碼器簡介 289
13．2 自動編碼器的示例 290
13．3 自動編碼器架構 291
13．4 壓縮MNIST數據集 292
13．4．1 MNIST數據集 292
13．4．2 構建模型 293
13．4．3 訓練模型 295
13．5 卷積自動編碼器 297
13．5．1 數據集 297
13．5．2 構建模型 299
13．5．3 訓練模型 301
13．6 降噪自動編碼器 304
13．6．1 構建模型 305
13．6．2 訓練模型 307
13．7 自動編碼器的應用 310
13．7．1 圖像著色 310
13．7．2 更多的應用 311
13．8 總結 311
第 14章 生成對抗網絡 312
14．1 直觀介紹 312
14．2 GAN的簡單實現 313
14．2．1 模型輸入 315
14．2．2 變量作用域 316
14．2．3 Leaky ReLU 316
14．2．4 生成器 317
14．2．5 判別器 318
14．2．6 構建GAN網絡 319
14．2．7 訓練模型 322
14．2．8 從生成器中采樣 327
14．3 總結 328
第 15章 面部生成與標簽缺失處理 329
15．1 面部生成 329
15．1．1 獲取數據 330
15．1．2 探討數據集 331
15．1．3 構建模型 332
15．2 用生成對抗網絡進行半監(jiān)督學習 340
15．2．1 直觀解釋 340
15．2．2 數據分析與預處理 341
15．2．3 構建模型 345
15．3 總結 359
附錄A 實現魚類識別 360
鄂公網安備 42010302001612號 