123,123,123

內(nèi)容簡(jiǎn)介

　　深入深度神經(jīng)網(wǎng)絡(luò)，揭開(kāi)對(duì)抗性輸入如何欺騙深度神經(jīng)網(wǎng)絡(luò)。探討如何生成對(duì)抗性輸入去攻擊深度神經(jīng)網(wǎng)絡(luò)。探索真實(shí)對(duì)抗性攻擊場(chǎng)景和為對(duì)抗性威脅建模。評(píng)估神經(jīng)網(wǎng)絡(luò)的健壯性；學(xué)會(huì)增強(qiáng)人工智能系統(tǒng)應(yīng)對(duì)對(duì)抗性數(shù)據(jù)的能力。考察未來(lái)幾年可用哪些方式讓人工智能更擅長(zhǎng)模擬人的感知。

作者簡(jiǎn)介

　　Katy Warr專攻人工智能和數(shù)據(jù)分析。她此前有多年企業(yè)軟件架構(gòu)設(shè)計(jì)和開(kāi)發(fā)經(jīng)驗(yàn)。她擁有愛(ài)丁堡大學(xué)人工智能和計(jì)算機(jī)科學(xué)學(xué)位

圖書(shū)目錄

目錄
前言 1
第1 章機(jī)器學(xué)習(xí)入門 7
本書(shū)使用的庫(kù) 7
用pip 安裝庫(kù) 10
用conda 安裝庫(kù)12
第2 章機(jī)器學(xué)習(xí)流程概覽 15
第3 章數(shù)據(jù)分類工作流：泰坦尼克號(hào)數(shù)據(jù)集 17
項(xiàng)目布局建議 17
導(dǎo)入 18
提出問(wèn)題 19
數(shù)據(jù)術(shù)語(yǔ) 19
獲取數(shù)據(jù) 21
清洗數(shù)據(jù) 22
創(chuàng)建特征 29
數(shù)據(jù)采樣 31
數(shù)據(jù)插值 31
規(guī)范數(shù)據(jù) 32
重構(gòu) 33
基準(zhǔn)模型 35
不同算法族 35
模型堆疊 37
建模 38
評(píng)估模型 38
優(yōu)化模型 40
混淆矩陣 41
ROC 曲線 42
學(xué)習(xí)曲線 44
部署模型 45
第4 章數(shù)據(jù)缺失 47
檢查數(shù)據(jù)缺失情況 48
刪除缺數(shù)據(jù)的行或列 52
插值 53
添加標(biāo)識(shí)列 54
第5 章清洗數(shù)據(jù) 55
處理列名 55
替換缺失值 56
第6 章探索數(shù)據(jù) 59
數(shù)據(jù)大小 59
匯總統(tǒng)計(jì) 60
直方圖 61
散點(diǎn)圖 62
Joint Plot 圖 63
Pair Grid 圖 66
箱形圖和小提琴圖 68
比較兩個(gè)序數(shù)型特征 69
相關(guān)性 71
RadViz 圖 76
平行坐標(biāo)圖 78
第7 章預(yù)處理數(shù)據(jù) 81
標(biāo)準(zhǔn)化 81
調(diào)整取值范圍 83
虛擬變量 84
標(biāo)簽編碼 85
頻數(shù)編碼 86
從字符串抽取類別型數(shù)據(jù) 87
類別型數(shù)據(jù)的其他編碼方法 89
日期特征的處理方法 91
添加col_na 特征 92
特征工程 93
第8 章特征選擇 95
共線列 95
套索回歸 99
遞歸特征消除 100
互信息 102
主成分分析 103
特征重要性 103
第9 章類別不平衡 105
采用不同度量標(biāo)準(zhǔn) 105
樹(shù)模型和集成方法 105
懲罰模型 106
對(duì)小眾類別上采樣 106
生成小眾數(shù)據(jù) 107
對(duì)大眾類別下采樣 107
先上采樣，再下采樣 109
第10 章分類 111
對(duì)數(shù)概率回歸 112
樸素貝葉斯 117
支持向量機(jī) 120
k 近鄰 123
決策樹(shù) 126
隨機(jī)森林 133
XGBoost 138
LightGBM150
TPOT 155
第11 章模型選擇 161
驗(yàn)證曲線 161
學(xué)習(xí)曲線 163
第12 章度量標(biāo)準(zhǔn)和分類評(píng)估 165
混淆矩陣 165
度量標(biāo)準(zhǔn) 168
準(zhǔn)確率 170
召回率 171
精準(zhǔn)率 171
f1 值 172
分類報(bào)告 172
ROC 曲線 173
精準(zhǔn)率- 召回率曲線 175
累積增益圖 176
lift 曲線 178
類別平衡 180
類別預(yù)測(cè)錯(cuò)誤 181
判別閾值 182
第13 章解釋模型 185
回歸系數(shù) 185
特征重要性 186
LIME 包186
解釋樹(shù)模型 188
部分依賴圖 189
替代模型 193
Shapley 值 194
第14 章回歸 199
基準(zhǔn)模型 201
線性回歸 202
支持向量機(jī) 206
k 近鄰 208
決策樹(shù) 210
隨機(jī)森林 217
XGBoost 回歸 220
LightGBM 回歸 228
第15 章度量標(biāo)準(zhǔn)和回歸模型的評(píng)估 233
度量標(biāo)準(zhǔn) 233
殘差圖 236
異方差性 237
殘差正態(tài)性 237
預(yù)測(cè)誤差圖 239
第16 章解釋回歸模型 241
Shapley 值 241
第17 章降維技術(shù) 247
PCA 方法 247
UMAP 方法 267
t-SNE 方法 273
PHATE 方法 277
第18 章聚類 283
k-means 算法 283
層次聚類 290
理解簇 293
第19 章流水線 299
分類流水線 299
回歸流水線 302
PCA 流水線 303
作者介紹 305