机器学习的基础知识
机器学习概览
什么是机器学习
为什么要使用机器学习
应用示例
机器学习系统的类型
机器学习的主要挑战
测试和验证
端到端机器学习项目
使用真实数据
放眼大局
获取数据
探索和可视化数据以获得见解
为机器学习算法准备数据
选择和训练模型
微调模型
启动，监控和维护系统
分类
MNIST
训练二元分类器
性能测量
多类分类
错误分析
多标签分类
多输出分类
训练模型
线性回归
梯度下降
多项式回归
学习曲线
正则化线性模型
逻辑回归
支持向量机
线性SVM分类
非线性SVM分类
SVM回归
线性SVM 分类器的工作原理
对偶问题
决策树
训练和可视化决策树
做出预测
评估类概率
CART 训练算法
计算复杂度
基尼杂质和熵
正则化超参数
回归
对轴方向的敏感性
决策树具有高方差
集成学习和随机森林
投票分类器
Bagging 和pasting
随机森林
提升法
堆叠法
无监督学习技术
聚类算法： k 均值和DBSCAN
高斯混合模型
降维
维度的诅咒
降维的主要方法
PCA
随机投影
LLE
其他降维技术
神经网络与深度学习
Keras人工神经网络概述
从生物神经元到人工神经元
使用Keras 实现MLP
微调神经网络超参数
训练深度神经网络
梯度消失和梯度爆炸问题
重用预训练层
更快的优化器
学习率调度
通过正则化避免过拟合
总结和实用指南
使用TensorFlow自定义模型和训练
TrnsorFlow 快速浏览
像使用Numpy 一样使用Tensorflow
自定义模型和训练算法
Tensorflow 函数和图
使用TensorFlow 加载和预处理数据
tf.data API
TFRocrd 格式
Keras 预处理层
Tensorflow 数据集项目
使用卷积神经网络进行深度计算机视觉
视觉皮层的结构
卷积层
池化层
使用Keras 实现池化层
CNN架构
使用Keras 实现ResNet-34 CNN
使用Keras 的预训练模型
使用与训练模型进行迁移学习
分类和定位
物体检测
物体跟踪
语义分割
使用RNN和CNN 处理序列
循环神经元和层
训练RNN
预测时间序列
处理长序列
基于RNN和注意力机制的自然语言处理
使用字符RNN生成莎士比亚文本
情感分析
用于神经机器翻译的编码器-解码器网络
注意力机制
自动编码器，GAN和扩散模型
有效的数据表示
使用不完备的线性自动编码器执行PCA
堆叠式自动编码器
卷积自动编码器
去噪自动编码器
稀疏自动编码器
变分自动编码器
生成Fashion MNIST图像
生成对抗网络
扩散模型
强化学习
学习优化奖励
策略搜索
OpenAI Gym
神经网络策略
评估动作：信用分配问题
策略梯度
马尔可夫决策过程
时序差分学习
实现深度Q学习
深度Q学习的变体
一些流行的RL 算法概述
大规模训练和部署TensorFlow 模型
为TensorFlow模型提供服务
将模型部署到移动设备或嵌入式设备
在Web 页面中运行模型
使用GPU加速计算
跨多个设备训练模型