图解机器学习和深度学习入门

第1章 人工智能的基础知识
01 人工智能是什么 002
02 机器学习（ML） 006
03 深度学习（DL）是什么 010
04 人工智能和机器学习的普及之路 014

第2章 机器学习的基础知识
05 有教师学习的机制 020
06 无教师学习的机制 024
07 强化学习的机制 028
08 统计和机器学习的区别 030
09 机器学习和特征量 034
10 擅长的领域和不擅长的领域 038
11 应用机器学习的案例 042

第3章 机器学习的过程和核心技术
12 机器学习的基本工作流程 048
13 数据的收集 052
14 数据的整定 056
15 模型的制作和训练 060
16 批学习和在线学习 064
17 利用测试数据对预测结果进行验证 066
18 训练结果的评价标准 070
19 超参数和模型的调节 076
20 主动学习 080
21 相关和因果 084
22 反馈回路 088

第4章 机器学习算法
23 回归分析 092
24 支持向量机 098
25 决策树 102
26 协同学习 106
27 协作学习的应用 110
28 逻辑回归 114
29 贝叶斯模型 116
30 时间序列分析和状态空间模型 120
31 k近邻（k-NN）法和k平均（k-means）法 124
32 降维和主成分分析 128
33 优化和遗传算法 132

第5章 深度学习的基础知识
34 神经网络和其历史 138
35 深度学习和图像识别 146
36 深度学习和自然语言处理 150

第6章 深度学习的流程和核心技术
37 基于误差反向传播法的神经网络学习 156
38 神经网络的优化 158
39 坡度消失问题 162
40 迁移学习 164

第7章 深度学习算法
41 卷积神经网络（CNN） 170
42 递归型神经网络（RNN） 174
43 强化学习和深度学习 180
44 自动编码器 186
45 GAN（生成对抗网络） 190
46 物体检测 194

第8章 系统开发和开发环境
47 人工智能编程使用的主要语言 200
48 机器学习的库和框架 204
49 深度学习的框架 208
50 GPU编程和快速化 214
51 机器学习服务 216

结束语 219

参考文献 220