精通機器學習｜使用Scikit-Learn與PyTorch

前言

【第一部分 機器學習的基本概念】

第一章 機器學習全景
何謂機器學習？
為什麼要使用機器學習？
應用範例
機器學習系統的類型
ML的主要挑戰
測試與驗證
習題

第二章 機器學習專案的完整流程
使用真實的資料
瞭解大局
取得資料
探索資料並將資料視覺化以獲得見解
為ML演算法準備資料
選擇並訓練模型
微調你的模型
上線、監視與維護你的系統
大膽嘗試吧！
習題

第三章 分類
MNIST
訓練二元分類器
效能指標
多類別分類
錯誤分析
多標籤分類
多輸出分類
習題

第四章 訓練模型
線性回歸
梯度下降
多項式回歸
學習曲線
正則化線性模型
Logistic回歸
習題

第五章 決策樹
訓練與視覺化決策樹
進行預測
估計類別機率
CART訓練演算法
計算複雜度
使用Gini不純度還是entropy？
正則化超參數
回歸
對方向敏感
決策樹有高變異性
習題

第六章 集成學習與隨機森林
投票分類器
Bagging與Pasting
隨機森林
Boosting
Stacking
習題

第七章 降維
維數詛咒
降維的主要方法
PCA
隨機投影
LLE
其他的降維技術
習題

第八章 無監督學習技術
分群演算法：k-means與DBSCAN
高斯混合
習題

【第二部分 神經網路與神度學習】

第九章 人工神經網路導論
從生物神經元到人工神經元
使用Scikit-Learn來建構與訓練MLPs
超參數調整指南
習題

第十章 使用PyTorch來建構神經網路
PyTorch基礎
實作線性回歸
實作回歸MLP
使用DataLoader來實作小批次梯度下降
模型評估
使用自訂模組來建立非sequential模型
使用PyTorch來建立圖像分類器
微調神經網路超參數：使用Optuna
儲存與載入PyTorch模型
編譯與最佳化PyTorch模型
習題

第十一章 訓練深度神經網路
梯度消失／爆炸問題
重複使用預訓層
更快的optimizer
學習率排程
透過正則化來避免過度擬合
實務指南
習題

第十二章 深度電腦視覺：使用摺積神經網路
視覺皮層的架構
摺積層
池化層
使用PyTorch來實作池化層
CNN架構
使用PyTorch來實作ResNet-34 CNN
使用TorchVision的預訓模型
用來執行遷移學習的預訓模型
分類與定位
物體偵測
物體追蹤
語意分割
習題

第十三章 使用RNN與CNN來處理序列
遞迴神經元與階層
訓練RNN
預測時間序列
處理長序列
習題

第十四章 使用RNN與注意力機制來處理自然語言
使用字元RNN來產生莎士比亞風格的句子
使用Hugging Face程式庫來分析情感
用於神經機器翻譯的Encoder-Decoder網路
Beam Search
注意力機制
習題

第十五章 使用Transformer來執行NLP與製作聊天機器人
Attention Is All You Need：原始的Transformer架構
建構可將英文翻譯成西班牙文的Transformer
用Encoder-Only Transformer來理解自然語言
Decoder-Only Transformers
將大型語言模型變成聊天機器人
Encoder-Decoder模型
習題

第十六章 視覺與多模態Transformer
視覺Transformer
多模態Transformers
其他的多模態模型
習題

第十七章 加速Transformer

第十八章 自編碼器、GAN與擴散模型
有效率的資料表徵
使用欠完備的線性自編碼器來執行PCA
堆疊式自編碼器
摺積自編碼器
去雜訊自編碼器
稀疏自編碼器
變分自編碼器
生成Fashion MNIST圖像
生成對抗網路
擴散模型
習題

第十九章 強化學習
什麼是強化學習？
策略梯度
基於價值的方法
Actor-Critic演算法
使用Stable-Baselines3 PPO來訓練
Atari打磚塊遊戲大師
一些常見RL的演算法
習題
Thank You!

附錄A自動微分
附錄B混合精度與量化
索引

前言

【第一部分 機器學習的基本概念】

第一章 機器學習全景
何謂機器學習？
為什麼要使用機器學習？
應用範例
機器學習系統的類型
ML的主要挑戰
測試與驗證
習題

第二章 機器學習專案的完整流程
使用真實的資料
瞭解大局
取得資料
探索資料並將資料視覺化以獲得見解
為ML演算法準備資料
選擇並訓練模型
微調你的模型
上線、監視與維護你的系統
大膽嘗試吧！
習題

第三章 分類
MNIST
訓練二元分類器
效能指標
多類別分類
錯誤分析
多標籤分類
多輸出分類
習題

第四章 訓練模型
線性回歸
梯度下降
多...