機器學(xué)習(xí)與人工智能實戰(zhàn)：基于業(yè)務(wù)場景的工程應(yīng)用

第I 分 用Scikit-Learn 進行機器學(xué)

第1 章 機器學(xué) 3

1.1 什么是機器學(xué) 4

1.1.1 機器學(xué)與人工智能 7

1.1.2 監(jiān)督和無監(jiān)督學(xué) 9

1.2 使用k-means 聚類算法的無監(jiān)督學(xué) 10

1.2.1 將k-means 聚類算法應(yīng)用于客戶數(shù)據(jù) 13

1.2.2 使用兩個以上的維度對客戶進行細分 16

1.3 監(jiān)督學(xué) 19

1.3.1 k 近鄰 22

1.3.2 使用k 近鄰對花卉進行分類 24

1.4 小結(jié) 28

第2 章 回歸模型 30

2.1 線性回歸 30

2.2 決策樹 34

2.3 隨機森林 37

2.4 梯度提升機 39

2.5 支持向量機 41

2.6 回歸模型的度測量 42

2.7 使用回歸來預(yù)測車費 46

2.8 小結(jié) 51

第3 章 分類模型 53

3.1 邏輯回歸 54

3.2 分類模型的率度量 56

3.3 分類數(shù)據(jù) 61

3.4 二分類 63

3.4.2 檢測信用卡欺詐 68

3.5 多分類 73

3.6 構(gòu)建數(shù)字識別模型 74

3.7 小結(jié) 78

第4 章 文本分類 80

4.1 準備用于分類的文本 81

4.2 情感分析 84

4.3 樸素貝葉斯 88

4.4 垃圾郵件過濾 91

4.5 推薦系統(tǒng) 95

4.5.1 余弦相似性 96

4.5.2 構(gòu)建一個電影推薦系統(tǒng) 98

4.6 小結(jié) 100

第5 章 支持向量機 102

5.1 支持向量機的工作原理 102

5.1.1 核 105

5.1.2 核技巧 106

5.2 參數(shù)調(diào)整 109

5.3 數(shù)據(jù)歸一化 112

5.4 管道化 117

5.5 使用SVM 進行面識別 118

5.6 小結(jié) 124

第6 章 主成分分析 126

6.1 理解主成分分析 127

6.2 噪聲過濾 133

6.3 數(shù)據(jù)匿名化 135

6.4 可視化高維數(shù)據(jù) 137

6.5 異常檢測 140

6.5.1 使用PCA 檢測信用卡欺詐 141

6.5.2 使用PCA 來預(yù)測軸承故障 145

6.5.3 多變量異常檢測 150

6.6 小結(jié) 151

第7 章 機器學(xué)模型的作化 152

7.1 從Python 客戶端使用Python 模型 153

7.2 pkl 文件的版本管理 157

7.3 從C# 客戶端使用Python 模型 157

7.4 容器化機器學(xué)模型 160

7.5 使用ONNX 來橋接不同的語言 161

7.6 用ML.NET 在C# 中構(gòu)建ML 模型 165

7.6.1 用ML.NET 進行情感分析 166

7.6.2 存和加載ML.NET 模型 169

7.7 為Excel 添加機器學(xué)功能 169

7.8 小結(jié) 173

第II 分 用Keras 和TensorFlow 進行深度學(xué)

第8 章 深度學(xué) 177

8.1 了解經(jīng)網(wǎng)絡(luò) 178

8.2 訓(xùn)練經(jīng)網(wǎng)絡(luò) 182

8.3 小結(jié) 185

第9 章 經(jīng)網(wǎng)絡(luò) 187

9.1 用Keras 和TensorFlow 構(gòu)建經(jīng)網(wǎng)絡(luò) 188

9.1.1 設(shè)定經(jīng)網(wǎng)絡(luò)的大小 192

9.1.2 使用經(jīng)網(wǎng)絡(luò)來預(yù)測車費 193

9.2 用經(jīng)網(wǎng)絡(luò)進行二分類 197

9.2.1 進行預(yù)測 199

9.2.2 訓(xùn)練經(jīng)網(wǎng)絡(luò)來檢測信用卡欺詐 200

9.3 用經(jīng)網(wǎng)絡(luò)進行多分類 204

9.4 訓(xùn)練經(jīng)網(wǎng)絡(luò)進行面識別 207

9.5 Dropout 210

9.6 存和加載模型 211

9.7 Keras 回調(diào) 213

9.8 小結(jié) 216

第10 章 用卷積經(jīng)網(wǎng)絡(luò)進行圖像分類 218

10.1 理解CNN 219

10.1.1 使用Keras 和TensorFlow 來構(gòu)建CNN 223

10.1.2 訓(xùn)練CNN 來識別北野生動物 227

10.2 預(yù)訓(xùn)練CNN 232

10.3 使用ResNet50V2 對圖像分類 235

10.4 轉(zhuǎn)移學(xué) 237

10.5 通過轉(zhuǎn)移學(xué)來識別北野生動物 240

10.6 數(shù)據(jù)增強 243

10.6.1 用ImageDataGenerator 進行圖像增強 244

10.6.2 使用增強層進行圖像增強 247

10.6.3 將圖像增強應(yīng)用于北野生動物 248

10.7 全局池化 251

10.8 用CNN 進行音頻分類 252

10.9 小結(jié) 259

第11 章 面檢測和識別 261

11.1 人臉檢測 262

11.1.1 用Viola-Jones 算法進行人臉檢測 263

11.1.2 使用Viola-Jones 的OpenCV 實現(xiàn) 265

11.1.3 用卷積經(jīng)網(wǎng)絡(luò)檢測人臉 267

11.1.4 從照片中提取人臉 271

11.2 面識別 273

11.2.1 將遷移學(xué)應(yīng)用于人臉識別 274

11.2.2 用任務(wù)定的權(quán)重強化轉(zhuǎn)移學(xué) 277

11.2.3 ArcFace 280

11.3 綜合運用：檢測和識別照片中的人臉 281

11.4 處理未知人臉：閉集和開集分類 287

11.5 小結(jié) 288

第12 章 目標檢測 290

12.1 R-CNN 291

12.2 Mask R-CNN 294

12.3 YOLO 300

12.4 YOLOv3 和Keras 302

12.5 自定義目標檢測 307

12.5.1 用自定義視覺服務(wù)訓(xùn)練自定義目標檢測模型 308

12.5.2 使用導(dǎo)出的模型 315

12.6 小結(jié) 317

第13 章 自然語言處理 318

13.1 文本準備 319

13.2 詞嵌入 322

13.3 文本分類 323

13.3.1 自動化文本矢量處理 327

13.3.2 在情感分析模型中使用TextVectorization 328

13.3.3 將詞序納入預(yù)測的因素 330

13.3.4 循環(huán)經(jīng)網(wǎng)絡(luò)(RNN) 331

13.3.5 使用預(yù)訓(xùn)練模型進行文本分類 333

13.4 經(jīng)機器翻譯 335

13.4.1 LSTM 編碼器- 解碼器 336

13.4.2 Transformer 編碼器- 解碼器 338

13.4.3 構(gòu)建基于Transformer 的NMT 模型 340

13.4.4 使用預(yù)訓(xùn)練模型來翻譯文本 349

13.5 基于變換器的雙向編碼器(BERT) 350

13.5.1 構(gòu)建基于BERT 的答題系統(tǒng) 352

13.5.2 調(diào)BERT 以進行情感分析 355

13.6 小結(jié) 359

第14 章 Azure 認知服務(wù) 361

14.1 Azure 認知服務(wù)簡介 362

14.1.1 密鑰和結(jié)點 364

14.1.2 調(diào)用Azure 認知服務(wù)API 367

14.1.3 Azure 認知服務(wù)容器 369

14.2 計算機視覺服務(wù) 371

14.3 語言服務(wù) 380

14.4 翻譯服務(wù) 383

14.5 語音服務(wù) 385

14.6 集大成者Contoso Travel 386

14.7 小結(jié) 391