推荐序
前言
机器学习算法工程师的自我修养
第1章　特征工程
第1节　特征归一化
第2节　类别型特征
第3节　高维组合特征的处理
第4节　组合特征
第5节　文本表示模型
第6节　Word2Vec
第7节　图像数据不足时的处理方法
第2章　模型评估
第1节　评估指标的局限性
第2节　ROC 曲线
第3节　余弦距离的应用
第4节　A/B 测试的陷阱
第5节　模型评估的方法
第6节　超参数调优
第7节　过拟合与欠拟合
第3章　经典算法
第1节　支持向量机
第2节　逻辑回归
第3节　决策树
第4章　降维
第1节　PCA 最大方差理论
第2节PCA 最小平方误差理论
第3节　线性判别分析
第4节　线性判别分析与主成分分析
第5章　非监督学习
第1节　K均值聚类
第2节　高斯混合模型
第3节　自组织映射神经网络
第4节　非监督学习算法的评估
第6章　概率图模型
第1节　概率图模型的联合概率分布
第2节　概率图表示
第3节　生成式模型与判别式模型
第4节　马尔可夫模型
第5节　主题模型
第7章　优化算法
第1节　有监督学习的损失函数
第2节　机器学习中的优化问题
第3节　经典优化算法
第4节　梯度验证
第5节　随机梯度下降法
第6节　随机梯度下降法的加速
第7节　L1 正则化与稀疏性
第8章　采样
第1节　采样的作用
第2节　均匀分布随机数
第3节　常见的采样方法
第4节　高斯分布的采样
第5节　马尔科夫蒙特卡洛采样法
第6节　贝叶斯网络的采样
第7节　不均衡样本集的重采样
第9章　前向神经网络
第1节　多层感知机与布尔函数
第2节　深度神经网络中的激活函数
第3节　多层感知机的反向传播算法
第4节　神经网络训练技巧
第5节　深度卷积神经网络
第6节　深度残差网络
第10章　循环神经网络
第1节　循环神经网络和卷积神经网络
第2节　循环神经网络的梯度消失问题
第3节　循环神经网络中的激活函数
第4节　长短期记忆网络
第5节　Seq2Seq 模型
第6节　注意力机制
第11章　强化学习
第1节　强化学习基础
第2节　视频游戏里的强化学习
第3节　策略梯度
第4节　探索与利用
第12章　集成学习
第1节　集成学习的种类
第2节　集成学习的步骤和例子
第3节　基分类器
第4节　偏差与方差
第5节　梯度提升决策树的基本原理
第6节　XGBoost与GBDT 的联系和区别
第13章　生成式对抗网络
第1节　初识GANs 的秘密
第2节　WGAN：抓住低维的幽灵
第3节　DCGAN：当GANs 遇上卷积
第4节　ALI：包揽推断业务
第5节　IRGAN：生成离散样本
第6节　SeqGAN：生成文本序列
第14章　人工智能的热门应用
第1节　计算广告
第2节　游戏中的人工智能
第3节　AI 在自动驾驶中的应用
第4节　机器翻译
第5节　人机交互中的智能计算
后记
作者随笔
参考文献