《机器学习》与《深度学习》目录便捷查找

《机器学习》目录

第1章 绪论 1

1.1 引言 1

1.2 基本术 2

1.3 假设空间 4

1.4 归纳偏好 6

1.5 发展历程 10

1.6 应用现状 13

1.7 阅读材料 16

习题 19

参考文献 20

休息一会儿 22

第2章 模型评估与选择 23

2.1 经验误差与过拟合 23

2.2 评估方法 24

2.2.1 留出法 25

2.2.2 交叉验证法 26

2.2.3 自助法 27

2.2.4 调参与 终模型 28

2.3 性能度量 28

2.3.1 错误率与精度 29

2.3.2 查准率、查全率与F1 30

2.3.3 ROC与AUC 33

2.3.4 代价敏感错误率与代价曲线 35

2.4 比较检验 37

2.4.1 假设检验 37

2.4.2 交叉验证t检验 40

2.4.3 McNemar检验 41

2.4.4 Friedman检验与后续检验 42

2.5 偏差与方差 44

2.6 阅读材料 46

习题 48

参考文献 49

休息一会儿 51

第3章 线性模型 53

3.1 基本形式 53

3.2 线性回归 53

3.3 对数几率回归 57

3.4 线性判别分析 60

3.5 多分类学习 63

3.6 类别不平衡问题 66

3.7 阅读材料 67

习题 69

参考文献 70

休息一会儿 72

第4章 决策树 73

4.1 基本流程 73

4.2 划分选择 75

4.2.1 信息增益 75

4.2.2 增益率 77

4.2.3 基尼指数 79

4.3 剪枝处理 79

4.3.1 预剪枝 80

4.3.2 后剪枝 82

4.4 连续与缺失值 83

4.4.1 连续值处理 83

4.4.2 缺失值处理 85

4.5 多变量决策树 88

4.6 阅读材料 92

习题 93

参考文献 94

休息一会儿 95

第5章 神经网络 97

5.1 神经元模型 97

5.2 感知机与多层网络 98

5.3 误差逆传播算法 101

5.4 全局 小与局部极小 106

5.5 其他常见神经网络 108

5.5.1 RBF网络 108

5.5.2 ART网络 108

5.5.3 SOM网络 109

5.5.4 级联相关网络 110

5.5.5 Elman网络 111

5.5.6 Boltzmann机 111

5.6 深度学习 113

5.7 阅读材料 115

习题 116

参考文献 117

休息一会儿 120

第6章 支持向量机 121

6.1 间隔与支持向量 121

6.2 对偶问题 123

6.3 核函数 126

6.4 软间隔与正则化 129

6.5 支持向量回归 133

6.6 核方法 137

6.7 阅读材料 139

习题 141

参考文献 142

休息一会儿 145

第7章 贝叶斯分类器 147

7.1 贝叶斯决策论 147

7.2 极大似然估计 149

7.3 朴素贝叶斯分类器 150

7.4 半朴素贝叶斯分类器 154

7.5 贝叶斯网 156

7.5.1 结构 157

7.5.2 学习 159

7.5.3 推断 161

7.6 EM算法 162

7.7 阅读材料 164

习题 166

参考文献 167

休息一会儿 169

第8章 集成学习 171

8.1 个体与集成 171

8.2 Boosting 173

8.3 Bagging与随机森林 178

8.3.1 Bagging 178

8.3.2 随机森林 179

8.4 结合策略 181

8.4.1 平均法 181

8.4.2 投票法 182

8.4.3 学习法 183

8.5 多样性 185

8.5.1 误差--分歧分解 185

8.5.2 多样性度量 186

8.5.3 多样性增强 188

8.6 阅读材料 190

习题 192

参考文献 193

休息一会儿 196

第9章 聚类 197

9.1 聚类任务 197

9.2 性能度量 197

9.3 距离计算 199

9.4 原型聚类 202

9.4.1 k均值算法 202

9.4.2 学习向量量化 204

9.4.3 高斯混合聚类 206

9.5 密度聚类 211

9.6 层次聚类 214

9.7 阅读材料 217

习题 220

参考文献 221

休息一会儿 224

第10章 降维与度量学习 225

10.1 k近邻学习 225

10.2 低维嵌入 226

10.3 主成分分析 229

10.4 核化线性降维 232

10.5 流形学习 234

10.5.1 等度量映射 234

10.5.2 局部线性嵌入 235

10.6 度量学习 237

10.7 阅读材料 240

习题 242

参考文献 243

休息一会儿 246

第11章 特征选择与稀疏学习 247

11.1 子集搜索与评价 247

11.2 过滤式选择 249

11.3 包裹式选择 250

11.4 嵌入式选择与L\(_1\)正则化 252

11.5 稀疏表示与字典学习 254

11.6 压缩感知 257

11.7 阅读材料 260

习题 262

参考文献 263

休息一会儿 266

第12章 计算学习理论 267

12.1 基础知识 267

12.2 PAC学习 268

12.3 有限假设空间 270

12.3.1 可分情形 270

12.3.2 不可分情形 272

12.4 VC维 273

12.5 Rademacher复杂度 279

12.6 稳定性 284

12.7 阅读材料 287

习题 289

参考文献 290

休息一会儿 292

第13章 半监督学习 293

13.1 未标记样本 293

13.2 生成式方法 295

13.3 半监督SVM 298

13.4 图半监督学习 300

13.5 基于分歧的方法 304

13.6 半监督聚类 307

13.7 阅读材料 311

习题 313

参考文献 314

休息一会儿 317

第14章 概率图模型 319

14.1 隐马尔可夫模型 319

14.2 马尔可夫随机场 322

14.3 条件随机场 325

14.4 学习与推断 328

14.4.1 变量消去 328

14.4.2 信念传播 330

14.5 近似推断 331

14.5.1 MCMC采样 331

14.5.2 变分推断 334

14.6 话题模型 337

14.7 阅读材料 339

习题 341

参考文献 342

休息一会儿 345

第15章 规则学习 347

15.1 基本概念 347

15.2 序贯覆盖 349

15.3 剪枝优化 352

15.4 一阶规则学习 354

15.5 归纳逻辑程序设计 357

15.5.1 小一般泛化 358

15.5.2 逆归结 359

15.6 阅读材料 363

习题 365

参考文献 366

休息一会儿 369

第16章 强化学习 371

16.1 任务与奖赏 371

16.2 \(K\)-摇臂赌博机 373

16.2.1 探索与利用 373

16.2.2 $\epsilon $-贪心 374

16.2.3 Softmax 375

16.3 有模型学习 377

16.3.1 策略评估 377

16.3.2 策略改进 379

16.3.3 策略迭代与值迭代 381

16.4 免模型学习 382

16.4.1 蒙特卡罗强化学习 383

16.4.2 时序差分学习 386

16.5 值函数近似 388

16.6 模仿学习 390

16.6.1 直接模仿学习 391

16.6.2 逆强化学习 391

16.7 阅读材料 393

习题 394

参考文献 395

休息一会儿 397

附录 399

A 矩阵 399

B 优化 403

C 概率分布 409

后记 417

索引 419

《深度学习》目录

第 1 章 引言 1

11 本书面向的读者 7

12 深度学习的历史趋势 8

121 神经网络的众多名称和命运变迁 8

122 与日俱增的数据量 12

123 与日俱增的模型规模 13

124 与日俱增的精度、复杂度和对现实世界的冲击 15

第 1 部分 应用数学与机器学习基础

第 2 章 线性代数 19

21 标量、向量、矩阵和张量 19

22 矩阵和向量相乘 21

23 单位矩阵和逆矩阵 22

24 线性相关和生成子空间 23

25 范数 24

26 特殊类型的矩阵和向量 25

27 特征分解 26

28 奇异值分解 28

29 Moore-Penrose 伪逆 28

210 迹运算 29

211 行列式 30

212 实例：主成分分析 30

第 3 章 概率与信息论 34

31 为什么要使用概率 34

32 随机变量 35

33 概率分布 36

331 离散型变量和概率质量函数 36

332 连续型变量和概率密度函数 36

34 边缘概率 37

35 条件概率 37

36 条件概率的链式法则 38

37 独立性和条件独立性 38

38 期望、方差和协方差 38

39 常用概率分布 39

391 Bernoulli 分布 40

392 Multinoulli 分布 40

393 高斯分布 40

394 指数分布和 Laplace 分布 41

395 Dirac 分布和经验分布 42

396 分布的混合 42

310 常用函数的有用性质 43

311 贝叶斯规则 45

312 连续型变量的技术细节 45

313 信息论 47

314 结构化概率模型 49

第 4 章 数值计算 52

41 上溢和下溢 52

42 病态条件 53

43 基于梯度的优化方法 53

431 梯度之上：Jacobian 和 Hessian 矩阵 56

44 约束优化 60

45 实例：线性ZUI小二乘 61

第 5 章 机器学习基础 63

51 学习算法 63

511 任务 T 63

512 性能度量 P 66

513 经验 E 66

514 示例：线性回归 68

52 容量、过拟合和欠拟合 70

521 没有免费午餐定理 73

522 正则化 74

53 超参数和验证集 76

531 交叉验证 76

54 估计、偏差和方差 77

541 点估计 77

542 偏差 78

543 方差和标准差 80

544 权衡偏差和方差以ZUI小化均方误差 81

545 一致性 82

55 似然估计 82

551 条件对数似然和均方误差 84

552 似然的性质 84

56 贝叶斯统计 85

561 后验 (MAP) 估计 87

57 监督学习算法 88

571 概率监督学习 88

572 支持向量机 88

573 其他简单的监督学习算法 90

58 无监督学习算法 91

581 主成分分析 92

582 k-均值聚类 94

59 随机梯度下降 94

510 构建机器学习算法 96

511 促使深度学习发展的挑战 96

5111 维数灾难 97

5112 局部不变性和平滑正则化 97

5113 流形学习 99

第 2 部分 深度网络：现代实践

第 6 章 深度前馈网络 105

61 实例：学习 XOR 107

62 基于梯度的学习 110

621 代价函数 111

622 输出单元 113

63 隐藏单元 119

631 整流线性单元及其扩展 120

632 logistic sigmoid 与双曲正切函数 121

633 其他隐藏单元 122

64 架构设计 123

641 近似性质和深度 123

642 其他架构上的考虑 126

65 反向传播和其他的微分算法 126

651 计算图 127

652 微积分中的链式法则 128

653 递归地使用链式法则来实现反向传播 128

654 全连接 MLP 中的反向传播计算 131

655 符号到符号的导数 131

656 一般化的反向传播 133

657 实例：用于 MLP 训练的反向传播 135

658 复杂化 137

659 深度学习界以外的微分 137

6510 高阶微分 138

66 历史小记 139

第 7 章 深度学习中的正则化 141

71 参数范数惩罚 142

711 L2 参数正则化 142

712 L1 正则化 144

72 作为约束的范数惩罚 146

73 正则化和欠约束问题 147

74 数据集增强 148

75 噪声鲁棒性 149

751 向输出目标注入噪声 150

76 半监督学习 150

77 多任务学习 150

78 提前终止 151

79 参数绑定和参数共享 156

791 卷积神经网络 156

710 稀疏表示 157

711 Bagging 和其他集成方法 158

712 Dropout 159

713 对抗训练 165

714 切面距离、正切传播和流形正切分类器 167

第 8 章 深度模型中的优化 169

81 学习和纯优化有什么不同 169

811 经验风险ZUI小化 169

812 代理损失函数和提前终止 170

813 批量算法和小批量算法 170

82 神经网络优化中的挑战 173

821 病态 173

822 局部极小值 174

823 高原、鞍点和其他平坦区域 175

824 悬崖和梯度 177

825 长期依赖 177

826 非 梯度 178

827 局部和全局结构间的弱对应 178

828 优化的理论限制 179

83 基本算法 180

831 随机梯度下降 180

832 动量 181

833 Nesterov 动量 183

84 参数初始化策略 184

85 自适应学习率算法 187

851 AdaGrad 187

852 RMSProp 188

853 Adam 189

854 选择正确的优化算法 190

86 二阶近似方法 190

861 牛顿法 190

862 共轭梯度 191

863 BFGS 193

87 优化策略和元算法 194

871 批标准化 194

872 坐标下降 196

873 Polyak 平均 197

874 监督预训练 197

875 设计有助于优化的模型 199

876 延拓法和课程学习 199

第 9 章 卷积网络 201

91 卷积运算 201

92 动机 203

93 池化 207

94 卷积与池化作为一种无限强的先验 210

95 基本卷积函数的变体 211

96 结构化输出 218

97 数据类型 219

98 高效的卷积算法 220

99 随机或无监督的特征 220

910 卷积网络的神经科学基础 221

911 卷积网络与深度学习的历史 226

第 10 章 序列建模：循环和递归网络 227

101 展开计算图 228

102 循环神经网络 230

1021 导师驱动过程和输出循环网络 232

1022 计算循环神经网络的梯度 233

1023 作为有向图模型的循环网络 235

1024 基于上下文的 RNN 序列建模 237

103 双向 RNN 239

104 基于编码 - 解码的序列到序列架构 240

105 深度循环网络 242

106 递归神经网络 243

107 长期依赖的挑战 244

108 回声状态网络 245

109 渗漏单元和其他多时间尺度的策略 247

1091 时间维度的跳跃连接 247

1092 渗漏单元和一系列不同时间尺度 247

1093 删除连接 248

1010 长短期记忆和其他门控 RNN 248

10101 LSTM 248

10102 其他门控 RNN 250

1011 优化长期依赖 251

10111 截断梯度 251

10112 引导信息流的正则化 252

1012 外显记忆 253

第 11 章 实践方法论 256

111 性能度量 256

112 默认的基准模型 258

113 决定是否收集 多数据 259

114 选择超参数 259

1141 手动调整超参数 259

1142 自动超参数优化算法 262

1143 网格搜索 262

1144 随机搜索 263

1145 基于模型的超参数优化 264

115 调试策略 264

116 示例：多位数字识别 267

第 12 章 应用 269

121 大规模深度学习 269

1211 快速的 CPU 实现 269

1212 GPU 实现 269

1213 大规模的分布式实现 271

1214 模型压缩 271

1215 动态结构 272

1216 深度网络的专用硬件实现 273

122 计算机视觉 274

1221 预处理 275

1222 数据集增强 277

123 语音识别 278

124 自然语言处理 279

1241 n-gram 280

1242 神经语言模型 281

1243 高维输出 282

1244 结合 n-gram 和神经语言模型 286

1245 神经机器翻译 287

1246 历史展望 289

125 其他应用 290

1251 系统 290

1252 知识表示、推理和回答 292

第 3 部分 深度学习研究

第 13 章 线性因子模型 297

131 概率 PCA 和因子分析 297

132 独立成分分析 298

133 慢特征分析 300

134 稀疏编码 301

135 PCA 的流形解释 304

第 14 章 自编码器 306

141 欠完备自编码器 306

142 正则自编码器 307

1421 稀疏自编码器 307

1422 去噪自编码器 309

1423 惩罚导数作为正则 309

143 表示能力、层的大小和深度 310

144 随机编码器和解码器 310

145 去噪自编码器详解 311

1451 得分估计 312

1452 历史展望 314

146 使用自编码器学习流形 314

147 收缩自编码器 317

148 预测稀疏分解 319

149 自编码器的应用 319

第 15 章 表示学习 321

151 贪心逐层无监督预训练 322

1511 何时以及为何无监督预训练有效有效 323

152 迁移学习和领域自适应 326

153 半监督解释因果关系 329

154 分布式表示 332

155 得益于深度的指数增益 336

156 提供发现潜在原因的线索 337

第 16 章 深度学习中的结构化概率模型 339

161 非结构化建模的挑战 339

162 使用图描述模型结构 342

1621 有向模型 342

1622 无向模型 344

1623 配分函数 345

1624 基于能量的模型 346

1625 分离和 d-分离 347

1626 在有向模型和无向模型中转换 350

1627 因子图 352

163 从图模型中采样 353

164 结构化建模的优势 353

165 学习依赖关系 354

166 推断和近似推断 354

167 结构化概率模型的深度学习方法 355

1671 实例：受限玻尔兹曼机 356

第 17 章 蒙特卡罗方法 359

171 采样和蒙特卡罗方法 359

1711 为什么需要采样 359

1712 蒙特卡罗采样的基础 359

172 重要采样 360

173 马尔可夫链蒙特卡罗方法 362

174 Gibbs 采样 365

175 不同的峰值之间的混合挑战 365

1751 不同峰值之间通过回火来混合 367

1752 深度也许会有助于混合 368

第 18 章 直面配分函数 369

181 对数似然梯度 369

182 随机 似然和对比散度 370

183 伪似然 375

184 得分匹配和比率匹配 376

185 去噪得分匹配 378

186 噪声对比估计 378

187 估计配分函数 380

1871 退火重要采样 382

1872 桥式采样 384

第 19 章 近似推断 385

191 把推断视作优化问题 385

192 期望 化 386

193 后验推断和稀疏编码 387

194 变分推断和变分学习 389

1941 离散型潜变量 390

1942 变分法 394

1943 连续型潜变量 396

1944 学习和推断之间的相互作用 397

195 学成近似推断 397

1951 醒眠算法 398

1952 学成推断的其他形式 398

第 20 章 深度生成模型 399

201 玻尔兹曼机 399

202 受限玻尔兹曼机 400

2021 条件分布 401

2022 训练受限玻尔兹曼机 402

203 深度信念网络 402

204 深度玻尔兹曼机 404

2041 有趣的性质 406

2042 DBM 均匀场推断 406

2043 DBM 的参数学习 408

2044 逐层预训练 408

2045 联合训练深度玻尔兹曼机 410

205 实值数据上的玻尔兹曼机 413

2051 Gaussian-Bernoulli RBM 413

2052 条件协方差的无向模型 414

206 卷积玻尔兹曼机 417

207 用于结构化或序列输出的玻尔兹曼机 418

208 其他玻尔兹曼机 419

209 通过随机操作的反向传播 419

2091 通过离散随机操作的反向传播 420

2010 有向生成网络 422

20101 sigmoid 信念网络 422

20102 可微生成器网络 423

20103 变分自编码器 425

20104 生成式对抗网络 427

20105 生成矩匹配网络 429

20106 卷积生成网络 430

20107 自回归网络 430

20108 线性自回归网络 430

20109 神经自回归网络 431

201010 NADE 432

2011 从自编码器采样 433

20111 与任意去噪自编码器相关的马尔可夫链 434

20112 夹合与条件采样 434

20113 回退训练过程 435

2012 生成随机网络 435

20121 判别性 GSN 436

2013 其他生成方案 436

2014 评估生成模型 437

2015 结论 438

参考文献 439

索引