《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
1.1 本书面向的读者7
1.2 深度学习的历史趋势 8
1.2.1 神经网络的众多名称和命运变迁 8
1.2.2 与日俱增的数据量 12
1.2.3 与日俱增的模型规模13
1.2.4 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
2.1 标量、向量、矩阵和张量 19
2.2 矩阵和向量相乘21
2.3 单位矩阵和逆矩阵 22
2.4 线性相关和生成子空间 23
2.5 范数24
2.6 特殊类型的矩阵和向量 25
2.7 特征分解 26
2.8 奇异值分解 28
2.9 Moore-Penrose 伪逆 28
2.10 迹运算 29
2.11 行列式 30
2.12 实例：主成分分析30
第 3 章 概率与信息论34
3.1 为什么要使用概率 34
3.2 随机变量 35
3.3 概率分布 36
3.3.1 离散型变量和概率质量函数 36
3.3.2 连续型变量和概率密度函数 36
3.4 边缘概率 37
3.5 条件概率 37
3.6 条件概率的链式法则 38
3.7 独立性和条件独立性 38
3.8 期望、方差和协方差 38
3.9 常用概率分布 39
3.9.1 Bernoulli 分布 40
3.9.2 Multinoulli 分布 40
3.9.3 高斯分布 40
3.9.4 指数分布和 Laplace 分布 41
3.9.5 Dirac 分布和经验分布 42
3.9.6 分布的混合 42
3.10 常用函数的有用性质43
3.11 贝叶斯规则 45
3.12 连续型变量的技术细节 45
3.13 信息论 47
3.14 结构化概率模型 49
第 4 章 数值计算 52
4.1 上溢和下溢 52
4.2 病态条件 53
4.3 基于梯度的优化方法 53
4.3.1 梯度之上：Jacobian 和 Hessian 矩阵 56
4.4 约束优化 60
4.5 实例：线性最小二乘 61
第 5 章 机器学习基础63
5.1 学习算法 63
5.1.1 任务 T 63
5.1.2 性能度量 P 66
5.1.3 经验 E 66
5.1.4 示例：线性回归 68
5.2 容量、过拟合和欠拟合 70
5.2.1 没有免费午餐定理 73
5.2.2 正则化 74
5.3 超参数和验证集76
5.3.1 交叉验证 76
5.4 估计、偏差和方差.77
5.4.1 点估计 77
5.4.2 偏差 78
5.4.3 方差和标准差 80
5.4.4 权衡偏差和方差以最小化均方误差 81
5.4.5 一致性 82
5.5 最大似然估计 82
5.5.1 条件对数似然和均方误差84
5.5.2 最大似然的性质 84
5.6 贝叶斯统计 85
5.6.1 最大后验 (MAP) 估计 87
5.7 监督学习算法 88
5.7.1 概率监督学习 88
5.7.2 支持向量机 88
5.7.3 其他简单的监督学习算法90
5.8 无监督学习算法91
5.8.1 主成分分析 92
5.8.2 k-均值聚类94
5.9 随机梯度下降 94
5.10 构建机器学习算法 96
5.11 促使深度学习发展的挑战 96
5.11.1 维数灾难 97
5.11.2 局部不变性和平滑正则化 97
5.11.3 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
6.1 实例：学习 XOR. 107
6.2 基于梯度的学习 110
6.2.1 代价函数 111
6.2.2 输出单元 113
6.3 隐藏单元119
6.3.1 整流线性单元及其扩展 120
6.3.2 logistic sigmoid 与双曲正切函数 121
6.3.3 其他隐藏单元 122
6.4 架构设计123
6.4.1 万能近似性质和深度123
6.4.2 其他架构上的考虑 126
6.5 反向传播和其他的微分算法126
6.5.1 计算图 127
6.5.2 微积分中的链式法则128
6.5.3 递归地使用链式法则来实现反向传播 128
6.5.4 全连接 MLP 中的反向传播计算 131
6.5.5 符号到符号的导数 131
6.5.6 一般化的反向传播 133
6.5.7 实例：用于 MLP 训练的反向传播135
6.5.8 复杂化 137
6.5.9 深度学习界以外的微分 137
6.5.10 高阶微分 138
6.6 历史小记139
第 7 章 深度学习中的正则化 141
7.1 参数范数惩罚 142
7.1.1 L2 参数正则化 142
7.1.2 L1 正则化 144
7.2 作为约束的范数惩罚146
7.3 正则化和欠约束问题147
7.4 数据集增强 148
7.5 噪声鲁棒性 149
7.5.1 向输出目标注入噪声150
7.6 半监督学习 150
7.7 多任务学习 150
7.8 提前终止151
7.9 参数绑定和参数共享156
7.9.1 卷积神经网络 156
7.10 稀疏表示157
7.11 Bagging 和其他集成方法.158
7.12 Dropout159
7.13 对抗训练165
7.14 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
8.1 学习和纯优化有什么不同 169
8.1.1 经验风险最小化 169
8.1.2 代理损失函数和提前终止 170
8.1.3 批量算法和小批量算法 170
8.2 神经网络优化中的挑战 173
8.2.1 病态 173
8.2.2 局部极小值 174
8.2.3 高原、鞍点和其他平坦区域175
8.2.4 悬崖和梯度爆炸 177
8.2.5 长期依赖 177
8.2.6 非精确梯度 178
8.2.7 局部和全局结构间的弱对应 178
8.2.8 优化的理论限制 179
8.3 基本算法180
8.3.1 随机梯度下降 180
8.3.2 动量 181
8.3.3 Nesterov 动量183
8.4 参数初始化策略 184
8.5 自适应学习率算法 187
8.5.1 AdaGrad 187
8.5.2 RMSProp 188
8.5.3 Adam 189
8.5.4 选择正确的优化算法190
8.6 二阶近似方法 190
8.6.1 牛顿法 190
8.6.2 共轭梯度 191
8.6.3 BFGS. 193
8.7 优化策略和元算法 194
8.7.1 批标准化 194
8.7.2 坐标下降 196
8.7.3 Polyak 平均 197
8.7.4 监督预训练 197
8.7.5 设计有助于优化的模型 199
8.7.6 延拓法和课程学习 199
第 9 章 卷积网络 201
9.1 卷积运算201
9.2 动机 203
9.3 池化 207
9.4 卷积与池化作为一种无限强的先验 210
9.5 基本卷积函数的变体211
9.6 结构化输出 218
9.7 数据类型219
9.8 高效的卷积算法 220
9.9 随机或无监督的特征220
9.10 卷积网络的神经科学基础 221
9.11 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
10.1 展开计算图 228
10.2 循环神经网络230
10.2.1 导师驱动过程和输出循环网络 232
10.2.2 计算循环神经网络的梯度 233
10.2.3 作为有向图模型的循环网络 235
10.2.4 基于上下文的 RNN 序列建模 237
10.3 双向 RNN 239
10.4 基于编码 - 解码的序列到序列架构 240
10.5 深度循环网络242
10.6 递归神经网络243
10.7 长期依赖的挑战 244
10.8 回声状态网络245
10.9 渗漏单元和其他多时间尺度的策略 247
10.9.1 时间维度的跳跃连接247
10.9.2 渗漏单元和一系列不同时间尺度 247
10.9.3 删除连接 248
10.10 长短期记忆和其他门控 RNN 248
10.10.1 LSTM 248
10.10.2 其他门控 RNN250
10.11 优化长期依赖251
10.11.1 截断梯度 251
10.11.2 引导信息流的正则化 252
10.12 外显记忆 253
第 11 章 实践方法论 256
11.1 性能度量256
11.2 默认的基准模型 258
11.3 决定是否收集更多数据 259
11.4 选择超参数 259
11.4.1 手动调整超参数259
11.4.2 自动超参数优化算法262
11.4.3 网格搜索 262
11.4.4 随机搜索 263
11.4.5 基于模型的超参数优化 264
11.5 调试策略264
11.6 示例：多位数字识别 267
第 12 章 应用269
12.1 大规模深度学习 269
12.1.1 快速的 CPU 实现 269
12.1.2 GPU 实现 269
12.1.3 大规模的分布式实现271
12.1.4 模型压缩 271
12.1.5 动态结构 272
12.1.6 深度网络的专用硬件实现 273
12.2 计算机视觉 274
12.2.1 预处理 275
12.2.2 数据集增强 277
12.3 语音识别278
12.4 自然语言处理279
12.4.1 n-gram 280
12.4.2 神经语言模型 281
12.4.3 高维输出 282
12.4.4 结合 n-gram 和神经语言模型 286
12.4.5 神经机器翻译 287
12.4.6 历史展望 289
12.5 其他应用290
12.5.1 推荐系统 290
12.5.2 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
13.1 概率 PCA 和因子分析 297
13.2 独立成分分析298
13.3 慢特征分析 300
13.4 稀疏编码301
13.5 PCA 的流形解释 304
第 14 章 自编码器 306
14.1 欠完备自编码器 306
14.2 正则自编码器307
14.2.1 稀疏自编码器 307
14.2.2 去噪自编码器 309
14.2.3 惩罚导数作为正则.309
14.3 表示能力、层的大小和深度 310
14.4 随机编码器和解码器310
14.5 去噪自编码器详解 311
14.5.1 得分估计 312
14.5.2 历史展望 314
14.6 使用自编码器学习流形 314
14.7 收缩自编码器317
14.8 预测稀疏分解319
14.9 自编码器的应用 319
第 15 章 表示学习 321
15.1 贪心逐层无监督预训练 322
15.1.1 何时以及为何无监督预训练有效有效 323
15.2 迁移学习和领域自适应 326
15.3 半监督解释因果关系329
15.4 分布式表示 332
15.5 得益于深度的指数增益 336
15.6 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
16.1 非结构化建模的挑战339
16.2 使用图描述模型结构342
16.2.1 有向模型 342
16.2.2 无向模型 344
16.2.3 配分函数 345
16.2.4 基于能量的模型346
16.2.5 分离和 d-分离 347
16.2.6 在有向模型和无向模型中转换 350
16.2.7 因子图 352
16.3 从图模型中采样 353
16.4 结构化建模的优势 353
16.5 学习依赖关系354
16.6 推断和近似推断 354
16.7 结构化概率模型的深度学习方法355
16.7.1 实例：受限玻尔兹曼机 356
第 17 章 蒙特卡罗方法 359
17.1 采样和蒙特卡罗方法359
17.1.1 为什么需要采样359
17.1.2 蒙特卡罗采样的基础359
17.2 重要采样360
17.3 马尔可夫链蒙特卡罗方法 362
17.4 Gibbs 采样365
17.5 不同的峰值之间的混合挑战 365
17.5.1 不同峰值之间通过回火来混合 367
17.5.2 深度也许会有助于混合 368
第 18 章 直面配分函数 369
18.1 对数似然梯度369
18.2 随机最大似然和对比散度 370
18.3 伪似然 375
18.4 得分匹配和比率匹配376
18.5 去噪得分匹配378
18.6 噪声对比估计378
18.7 估计配分函数380
18.7.1 退火重要采样 382
18.7.2 桥式采样 384
第 19 章 近似推断 385
19.1 把推断视作优化问题385
19.2 期望最大化 386
19.3 最大后验推断和稀疏编码 387
19.4 变分推断和变分学习389
19.4.1 离散型潜变量 390
19.4.2 变分法 394
19.4.3 连续型潜变量 396
19.4.4 学习和推断之间的相互作用 397
19.5 学成近似推断397
19.5.1 醒眠算法 398
19.5.2 学成推断的其他形式398
第 20 章 深度生成模型 399
20.1 玻尔兹曼机 399
20.2 受限玻尔兹曼机 400
20.2.1 条件分布 401
20.2.2 训练受限玻尔兹曼机402
20.3 深度信念网络402
20.4 深度玻尔兹曼机 404
20.4.1 有趣的性质 406
20.4.2 DBM 均匀场推断 406
20.4.3 DBM 的参数学习 408
20.4.4 逐层预训练 408
20.4.5 联合训练深度玻尔兹曼机 410
20.5 实值数据上的玻尔兹曼机 413
20.5.1 Gaussian-Bernoulli RBM 413
20.5.2 条件协方差的无向模型 414
20.6 卷积玻尔兹曼机 417
20.7 用于结构化或序列输出的玻尔兹曼机 418
20.8 其他玻尔兹曼机 419
20.9 通过随机操作的反向传播 419
20.9.1 通过离散随机操作的反向传播 420
20.10 有向生成网络422
20.10.1 sigmoid 信念网络 422
20.10.2 可微生成器网络 423
20.10.3 变分自编码器425
20.10.4 生成式对抗网络 427
20.10.5 生成矩匹配网络 429
20.10.6 卷积生成网络430
20.10.7 自回归网络 430
20.10.8 线性自回归网络 430
20.10.9 神经自回归网络 431
20.10.10 NADE 432
20.11 从自编码器采样 433
20.11.1 与任意去噪自编码器相关的马尔可夫链 434
20.11.2 夹合与条件采样 434
20.11.3 回退训练过程435
20.12 生成随机网络435
20.12.1 判别性 GSN 436
20.13 其他生成方案436
20.14 评估生成模型437
20.15 结论 438