第1章 绪论 1__eol__1.1 引言 1__eol__1.2 概念 4__eol__1.2.1 什么是机器学习 4__eol__1.2.2 机器学习的流程 5__eol__1.2.3 机器学习模型的分类 6__eol__1.2.4 机器学习应用领域介绍 7__eol__1.3 常用术语 9__eol__1.3.1 假设函数和损失函数 9__eol__1.3.2 拟合、过拟合和欠拟合 10__eol__1.4 机器学习环境构建和常用工具 11__eol__1.4.1 Python 11__eol__1.4.2 Anaconda+ Jupyter Notebook 12__eol__1.4.3 NumPy 14__eol__1.4.4 Matplotlib 15__eol__1.4.5 Pandas 16__eol__1.4.6 Scikit-learn 16__eol__1.4.7 PyTorch 17__eol__第2章 机器学习基础概念 22__eol__2.1 相关数学概念 23__eol__2.1.1 线性代数 23__eol__2.1.2 微分 26__eol__2.1.3 概率 28__eol__2.2 数据特征表示 28__eol__2.2.1 数据特征 28__eol__2.2.2 特征工程和特征学习 29__eol__2.3 评价指标 32__eol__2.4 损失函数 37__eol____eol__第3章 典型线性模型 40__eol__3.1 线性回归模型 40__eol__3.1.1 线性回归的概念 40__eol__3.1.2 线性回归模型的代码实现 42__eol__3.2 逻辑回归模型 45__eol__3.2.1 逻辑回归的概念 45__eol__3.2.2 逻辑回归模型的代码实现 46__eol__3.3 朴素贝叶斯模型 49__eol__3.3.1 朴素贝叶斯的概念 49__eol__3.3.2 朴素贝叶斯模型的代码__eol__实现 52__eol__3.4 决策树模型 53__eol__3.4.1 决策树的概念 53__eol__3.4.2 决策树模型的代码实现 56__eol__3.5 支持向量机模型 60__eol__3.5.1 支持向量机的概念 60__eol__3.5.2 支持向量机模型的代码实现 63__eol__3.6 KNN模型 65__eol__3.6.1 KNN的概念 65__eol__3.6.2 KNN模型的代码实现 67__eol__3.7 随机森林模型 70__eol__3.7.1 随机森林的概念 70__eol__3.7.2 随机森林模型的代码实现 71__eol__第4章 前馈神经网络 73__eol__4.1 神经元与感知机 74__eol__4.2 激活函数 76__eol__4.2.1 Sigmoid函数 77__eol__4.2.2 Tanh函数 78__eol____eol__4.2.3 ReLU函数 78__eol__4.2.4 Swish函数 81__eol__4.2.5 Maxout函数 82__eol__4.2.6 Softplus函数 83__eol__4.2.7 Softmax函数 83__eol__4.3 前馈神经网络结构 84__eol__4.3.1 通用近似定理 85__eol__4.3.2 应用到机器学习 86__eol__4.3.3 参数学习 87__eol__4.4 反向传播算法 88__eol__4.5 梯度计算 91__eol__4.5.1 数值微分 91__eol__4.5.2 符号微分 92__eol__4.5.3 自动微分 92__eol__4.6 网络优化 95__eol__4.6.1 优化问题 95__eol__4.6.2 优化算法 97__eol__4.7 前馈神经网络应用实例 98__eol__第5章 卷积神经网络 102__eol__5.1 卷积运算 103__eol__5.1.1 一维卷积 103__eol__5.1.2 二维卷积 104__eol__5.1.3 卷积的变种 105__eol__5.2 卷积神经网络结构 107__eol__5.2.1 输入层 107__eol__5.2.2 卷积层 108__eol__5.2.3 池化层 110__eol__5.3 参数学习 112__eol__5.4 几种典型的卷积神经网络 112__eol__5.4.1 LeNet-5 112__eol__5.4.2 AlexNet 113__eol__5.4.3 VGG网络 115__eol__5.4.4 ResNet 115__eol__5.4.5 Inception网络 116__eol__5.5 应用实例：基于卷积神经网络__eol__的人脸识别 117__eol__5.5.1 人脸数据采集 118__eol__5.5.2 图像预处理 119__eol__5.5.3 加载图像 120__eol__5.5.4 模型搭建 120__eol__5.5.5 识别与验证 126__eol__第6章 循环神经网络 128__eol__6.1 循环神经网络概念 129__eol__6.2 循环神经网络结构 130__eol__6.3 长距离依赖与参数学习 132__eol__6.3.1 长距离依赖 132__eol__6.3.2 参数学习 133__eol__6.4 基于门控的循环神经网络 137__eol__6.4.1 LSTM网络 137__eol__6.4.2 LSTM网络的变体 139__eol__6.4.3 GRU网络 140__eol__6.5 深度循环神经网络 141__eol__6.6 应用实例：基于循环神经网络__eol__的语言模型 142__eol__6.6.1 定义模型 142__eol__6.6.2 训练模型 144__eol__第7章 图神经网络 146__eol__7.1 图的定义与术语 146__eol__7.2 图神经网络结构 149__eol__7.3 图神经网络常用模型 152__eol__7.3.1 GCN模型 152__eol__7.3.2 GGNN模型 154__eol__7.3.3 GAT模型 156__eol__7.4 图神经网络应用实例 158__eol__7.4.1 数据集及预处理 158__eol__7.4.2 图卷积层定义 162__eol__7.4.3 模型定义 164__eol__7.4.4 模型训练 164__eol__第8章 机器学习模型的应用 168__eol__8.1 Transformer应用 168__eol__8.1.1 自注意力机制 169__eol__8.1.2 位置编码模块 170__eol__8.1.3 模型框架 170__eol__8.1.4 模型代码 173__eol__8.2 REPVGG应用 181__eol__8.2.1 模型框架 181__eol__8.2.2 结构重参化 183__eol__8.2.3 模型代码 185__eol__8.3 基于前馈神经网络的方面级__eol__情感三元组提取 192__eol____eol__8.3.1 模型框架 193__eol__8.3.2 模型训练 199__eol__8.3.3 数据集 202__eol__8.3.4 结果测试 203__eol__8.4 国内机器学习开源平台 205__eol____eol__ __eol____eol__