Swift機器學習：面向iOS的人工智能實戰(zhàn)

目錄
譯者序
原書前言
關于作者
關于評審者
第1章　機器學習入門1
　1.1　什么是人工智能1
　1.2　機器學習的動機2
　1.3　什么是機器學習3
　1.4　機器學習的應用3
　　1.4.1　數字信號處理4
　　1.4.2　計算機視覺4
　　1.4.3　自然語言處理4
　　1.4.4　機器學習的其他應用5
　1.5　利用機器學習構建iOS智能應用程序5
　1.6　了解數據6
　　1.6.1　特征7
　　1.6.2　特征類型7
　　1.6.3　選擇適當的特征集8
　　1.6.4　獲取數據集9
　　1.6.5　數據預處理10
　1.7　模型選擇10
　　1.7.1　機器學習算法類型10
　　1.7.2　監(jiān)督學習11
　　1.7.3　無監(jiān)督學習12
　　1.7.4　強化學習13
　　1.7.5　數學優(yōu)化－學習的工作原理13
　　1.7.6　移動端與服務器端的機器學習14
　　1.7.7　了解移動平臺的局限性15
　1.8　小結16
　參考文獻16
第2章　分類－決策樹學習17
　2.1　機器學習工具箱17
　2.2　第一個機器學習應用程序原型18
　　2.2.1　工具19
　　2.2.2　設置機器學習環(huán)境19
　2.3　IPython notebook速成21
　2.4　實踐練習22
　2.5　用于“外星生命探索器”的機器學習23
　2.6　加載數據集24
　2.7　探索性數據分析25
　2.8　數據預處理28
　　2.8.1　轉換分類變量28
　　2.8.2　從標簽提取特征29
　　2.8.3　獨熱編碼29
　　2.8.4　數據拆分30
　2.9　無處不在的決策樹30
　2.10　訓練決策樹分類器30
　　2.10.1　決策樹可視化31
　　2.10.2　預測33
　　2.10.3　預測準確率評估33
　　2.10.4　超參數調節(jié)35
　　2.10.5　理解模型容量的權衡35
　2.11　決策樹學習的工作原理36
　　2.11.1　由數據自動生成決策樹37
　　2.11.2　組合熵37
　　2.11.3　根據數據評估模型性能38
　2.12　在Swift中實現第一個機器學習應用程序42
　2.13　CoreML簡介42
2.13.1　CoreML特征42
　　2.13.2　導出iOS模型42
　　2.13.3　集成學習隨機森林44
　　2.13.4　訓練隨機森林44
　　2.13.5　隨機森林準確率評估44
　　2.13.6　將CoreML模型導入iOS項目45
　　2.13.7　iOS模型性能評估47
　　2.13.8　決策樹學習的優(yōu)缺點50
　2.14　小結50
第3章　k近鄰分類器52
　3.1　距離計算52
　　3.1.1　動態(tài)時間規(guī)整54
　　3.1.2　在Swift中實現DTW 56
　3.2　利用基于實例的模型進行分類和聚類58
　3.3　基于慣性傳感器的人體運動識別59
　3.4　理解KNN算法59
　　3.4.1　在Swift中實現KNN 61
　3.5　基于KNN識別人體運動62
　　3.5.1　冷啟動問題63
　　3.5.2　平衡數據集65
　　3.5.3　選擇適當的k值65
　3.6　高維空間中的推理66
　3.7　KNN的優(yōu)點67
　3.8　KNN的缺點67
　3.9　改進的解決方案67
　　3.9.1　概率解釋67
　　3.9.2　更多數據源68
　　3.9.3　更智能的時間序列塊68
　　3.9.4　硬件加速68
　　3.9.5　加速推理的決策樹68
　　3.9.6　利用狀態(tài)遷移68
　3.10　小結68
　參考文獻69
第4章　k－均值聚類70
　4.1　無監(jiān)督學習70
　4.2　k－均值聚類算法概述71
　4.3　在Swift中實現k－均值72
　　4.3.1　更新步驟74
　　4.3.2　分配步驟74
　4.4　聚類地圖中的對象75
　4.5　聚類個數選擇77
　4.6　k－均值聚類－問題78
　4.7　k－均值＋＋ 79
　4.8　基于k－均值算法的圖像分割82
　4.9　小結83
第5章　關聯規(guī)則學習84
　5.1　查看關聯規(guī)則84
　5.2　定義數據結構85
　5.3　利用關聯測度進行規(guī)則評估86
　　5.3.1　支持度關聯測度87
　　5.3.2　置信度關聯測度88
　　5.3.3　提升度關聯測度89
　　5.3.4　確信度關聯測度90
　5.4　問題分解90
　5.5　生成所有可能的規(guī)則90
　5.6　查找頻繁項集91
　5.7　Apriori算法92
　5.8　Swift中的Apriori算法實現93
　5.9　運行Apriori算法94
　5.10　在實際數據上運行Apriori算法95
　5.11　Apriori算法的優(yōu)缺點96
　5.12　建立適應性強的用戶體驗96
　5.13　小結97
　參考文獻98
第6章　線性回歸和梯度下降99
　6.1　了解回歸任務99
　6.2　簡單線性回歸簡介100
　　6.2.1　利用最小二乘法擬合回歸線102
　　6.2.2　利用簡單線性回歸預測未來105
　6.3　特征縮放106
　6.4　特征標準化107
　　6.4.1　多元線性回歸109
　6.5　在Swift中實現多元線性回歸109
　　6.5.1　多元線性回歸的梯度下降111
　　6.5.2　特征標準化115
　　6.5.3　理解并改善線性回歸的局限性117
　6.6　利用正則化解決線性回歸問題120
　　6.6.1　嶺回歸和Tikhonov正則化120
　　6.6.2　彈性網回歸121
　6.7　小結121
　參考文獻122
第7章　線性分類器和邏輯回歸123
　7.1　回顧分類任務123
　　7.1.1　線性分類器123
　　7.1.2　邏輯回歸124
　7.2　Swift中的邏輯回歸實現125
　　7.2.1　邏輯回歸中的預測部分126
　　7.2.2　訓練邏輯回歸127
　　7.2.3　成本函數128
　7.3　預測用戶意圖130
　　7.3.1　處理日期130
　7.4　針對具體問題選擇回歸模型131
　7.5　偏差－方差權衡131
　7.6　小結132
第8章　神經網絡133
　8.1　究竟什么是人工神經網絡134
　8.2　構建神經元134
　　8.2.1　非線性函數135
　8.3　構建神經網絡138
　8.4　在Swift中構建一個神經網絡層138
　8.5　利用神經元構建邏輯函數139
　8.6　在Swift中實現層140
　8.7　訓練神經網絡141
　　8.7.1　梯度消失問題141
　　8.7.2　與生物類比141
　8.8　基本神經網絡子程序142
　　8.8.1　BNNS示例143
　8.9　小結145
第9章　卷積神經網絡146
　9.1　理解用戶情感146
　9.2　計算機視覺問題概述147
　9.3　卷積神經網絡概述149
　9.4　池化操作149
　9.5　卷積運算150
　　9.5.1　CNN中的卷積運算152
　9.6　構建網絡153
　　9.6.1　輸入層155
　　9.6.2　卷積層155
　　9.6.3　全連接層156
　　9.6.4　非線性層156
　　9.6.5　池化層156
　　9.6.6　正則化層156
　9.7　損失函數157
　9.8　批量訓練網絡157
　9.9　訓練用于面部表情識別的CNN 158
　9.10　環(huán)境設置158
　9.11　深度學習框架159
　　9.11.1　 Keras 159
　9.12　加載數據160
　9.13　拆分數據161
　9.14　數據擴充162
　9.15　創(chuàng)建網絡163
　9.16　繪制網絡結構165
　9.17　訓練網絡167
　9.18　繪制損失值167
　9.19　預測168
　9.20　以HDF5格式保存模型169
　9.21　轉換為CoreML格式169
　9.22　可視化卷積濾波器170
　9.23　在iOS上部署CNN 171
　9.24　小結173
　參考文獻174
第10章　自然語言處理175
　10.1　移動開發(fā)領域中的NLP 175
　10.2　文字聯想游戲176
　10.3　Python NLP庫178
　10.4　文本語料178
　10.5　常用NLP方法和子任務179
　　10.5.1　標記分割179
　　10.5.2　詞干提取181
　　10.5.3　詞形還原182
　　10.5.4　詞性標注182
　　10.5.5　命名實體識別184
　　10.5.6　刪除停止詞和標點符號185
　10.6　分布式語義假設186
　10.7　詞向量表示186
　10.8　自編碼器神經網絡187
　10.9　Word2Vec 187
　10.10　 Gensim中的Word2Vec 190
　10.11　向量空間特性190
　10.12　iOS應用程序191
　　10.12.1　聊天機器人剖析191
　　10.12.2　語音輸入192
　　10.12.3　NSLinguisticTagger及其相關193
　　10.12.4　iOS上的Word2Vec 195
　　10.12.5　文本－語音輸出196
　　10.12.6　UIReferenceLibraryViewController 197
　　10.12.7　集成197
　10.13　 Word2Vec的各種相關算法199
　10.14　發(fā)展趨勢200
　10.15　小結200
第11章　機器學習庫201
　11.1　機器學習和人工智能API 201
　11.2　庫202
　11.3　通用機器學習庫202
　　11.3.1　AIToolbox 204
　　11.3.2　BrainCore 205
　　11.3.3　Caffe 205
　　11.3.4　Caffe2 205
　　11.3.5　dlib 206
　　11.3.6　FANN 206
　　11.3.7　LearnKit 206
　　11.3.8　MLKit 206
　　11.3.9　Multilinear-math 207
　　11.3.10　MXNet 207
　　11.3.11　Shark 207
　　11.3.12　TensorFlow 207
　　11.3.13　tiny-dnn 208
　　11.3.14　Torch 208
　　11.3.15　 YCML 209
　11.4　僅用于推理的庫209
　　11.4.1　Keras 210
　　11.4.2　LibSVM 210
　　11.4.3　Scikit-learn 210
　　11.4.4　XGBoost 210
　11.5　NLP庫211
　　11.5.1　Word2Vec 211
　　11.5.2　Twitter文本211
　11.6　語音識別211
　　11.6.1　TLSphinx 211
　　11.6.2　OpenEars 211
　11.7　計算機視覺212
　　11.7.1　OpenCV 212
　　11.7.2　ccv 212
　　11.7.3　OpenFace 212
　　11.7.4　Tesseract213
　11.8　底層子程序庫213
　　11.8.1　Eigen 213
　　11.8.2　fmincg-c 213
　　11.8.3　IntuneFeatures 214
　　11.8.4　SigmaSwiftStatistics 214
　　11.8.5　STEM 214
　　11.8.6　Swix 214
　　11.8.7　LibXtract 214
　　11.8.8　libLBFGS 215
　　11.8.9　NNPACK 215
　　11.8.10　Upsurge 215
　　11.8.11　YCMatrix 215
　11.9　選擇深度學習框架216
　11.10　小結216
第12章　優(yōu)化移動設備上的神經網絡217
　12.1　提供完美的用戶體驗217
　12.2　計算卷積神經網絡規(guī)模218
　12.3　無損壓縮220
　12.4　緊湊型CNN架構221
　　12.4.1　SqueezeNet 221
　　12.4.2　MobileNet 221
　　12.4.3　ShuffleNet 222
　　12.4.4　CondenseNet 222
　12.5　防止神經網絡擴大222
　12.6　有損壓縮223
　　12.6.1　推理優(yōu)化224
　12.7　網絡壓縮示例226
　12.8　小結226
　參考文獻226
第13章　最佳實踐227
　13.1　移動平臺機器學習項目的生命周期227
　　13.1.1　準備階段227
　　13.1.2　創(chuàng)建原型230
　　13.1.3　移植或部署到移動平臺233
　　13.1.4　實際應用234
　13.2　最佳實踐指南234
　　13.2.1　基準測試234
　　13.2.2　隱私和差異化隱私235
　　13.2.3　調試和可視化236
　　13.2.4　歸檔236
　13.3　機器學習問題237
　　13.3.1　數據怪物237
　　13.3.2　訓練問題238
　　13.3.3　產品設計噩夢238
　13.4　學習資源推薦240
　　13.4.1　數學基本知識241
　13.5　小結242