大數(shù)據(jù)與機(jī)器學(xué)習(xí)經(jīng)典案例：微課視頻版

目錄


第1章房?jī)r(jià)預(yù)測(cè)與回歸問(wèn)題

1.1數(shù)據(jù)集

1.2訓(xùn)練集觀察

1.3列變量觀察

1.4相關(guān)矩陣

1.5缺失數(shù)據(jù)

1.6離群值

1.7正態(tài)分布

1.8同方差與異方差

1.9線性回歸假設(shè)

1.10參數(shù)估計(jì)

1.11決定系數(shù)

1.12特征工程

1.13數(shù)據(jù)集劃分與標(biāo)準(zhǔn)化

1.14線性回歸模型

1.15嶺回歸模型

1.16Lasso回歸模型

1.17ElasticNet回歸模型

1.18XGBoost回歸模型

1.19Voting回歸模型

1.20Stacking回歸模型

1.21模型比較

小結(jié)

習(xí)題

第2章人體蛋白圖譜與卷積神經(jīng)網(wǎng)絡(luò)

2.1數(shù)據(jù)集

2.2訓(xùn)練集觀察

2.3標(biāo)簽向量化

2.4均衡性檢查

2.5構(gòu)建新訓(xùn)練集

2.6卷積運(yùn)算

2.7邊緣擴(kuò)充

2.8卷積步長(zhǎng)

2.9三維卷積





2.10定義卷積層

2.11簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)

2.12定義池化層

2.13經(jīng)典結(jié)構(gòu)LeNet5





2.14卷積網(wǎng)絡(luò)結(jié)構(gòu)剖析

2.15為什么使用卷積

2.16數(shù)據(jù)集劃分

2.17圖像的特征表示

2.18蛋白圖像的特征矩陣

2.19數(shù)據(jù)標(biāo)準(zhǔn)化

2.20模型定義

2.21模型訓(xùn)練

2.22模型評(píng)估

2.23模型預(yù)測(cè)

小結(jié)

習(xí)題

第3章細(xì)胞圖像與深度卷積

3.1數(shù)據(jù)集

3.2數(shù)據(jù)采集

3.3數(shù)據(jù)集觀察

3.4數(shù)據(jù)分布

3.5篩選數(shù)據(jù)集

3.6神經(jīng)網(wǎng)絡(luò)

3.7符號(hào)化表示

3.8激勵(lì)函數(shù)

3.9損失函數(shù)

3.10梯度下降

3.11正向傳播

3.12反向傳播

3.13偏差與方差

3.14正則化

3.15MiniBatch梯度下降

3.16優(yōu)化算法

3.17參數(shù)與超參數(shù)

3.18Softmax回歸

3.19VGG16卷積網(wǎng)絡(luò)

3.20ResNet卷積網(wǎng)絡(luò)

3.211×1卷積

3.22Inception卷積網(wǎng)絡(luò)

3.23合成細(xì)胞彩色圖像

3.24數(shù)據(jù)集劃分

3.25制作HDF5數(shù)據(jù)集

3.26遷移學(xué)習(xí)與特征提取

3.27基于VGG16的遷移學(xué)習(xí)

3.28訓(xùn)練ResNet50模型

3.29ResNet50模型預(yù)測(cè)

小結(jié)

習(xí)題

第4章自動(dòng)駕駛與YOLO算法

4.1認(rèn)識(shí)自動(dòng)駕駛

4.2數(shù)據(jù)集

4.3數(shù)據(jù)集觀察

4.4變量觀察

4.5場(chǎng)景觀察

4.6場(chǎng)景動(dòng)畫(huà)

4.7目標(biāo)檢測(cè)

4.8特征點(diǎn)檢測(cè)

4.9滑動(dòng)窗口實(shí)現(xiàn)目標(biāo)檢測(cè)

4.10卷積方法實(shí)現(xiàn)滑動(dòng)窗口

4.11初識(shí)YOLO算法

4.12交并比

4.13非極大值抑制

4.14Anchor Boxes

4.15YOLO技術(shù)演進(jìn)

4.16用OpenCV顯示圖像

4.17用OpenCV播放視頻

4.18用GoogLeNet對(duì)圖像分類(lèi)

4.19用GoogLeNet對(duì)視頻逐幀分類(lèi)

4.20YOLO v3預(yù)訓(xùn)練模型

4.21YOLO v3對(duì)圖像做目標(biāo)檢測(cè)

4.22YOLO v3對(duì)視頻做目標(biāo)檢測(cè)

4.23YOLO v3對(duì)駕駛場(chǎng)景做目標(biāo)檢測(cè)

小結(jié)

習(xí)題

第5章AlphaFold與蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)

5.1什么是AlphaFold

5.2肽鍵、多肽與肽鏈

5.3蛋白質(zhì)的四級(jí)結(jié)構(gòu)

5.4數(shù)據(jù)集

5.5篩選蛋白質(zhì)序列

5.6計(jì)算殘基之間的距離

5.7二面角與拉氏構(gòu)象圖

5.8計(jì)算二面角Phi（Φ）和Psi（Ψ）

5.9裁剪殘基序列的OneHot矩陣

5.10裁剪評(píng)分矩陣和二面角標(biāo)簽

5.11定義二面角預(yù)測(cè)模型

5.12二面角模型參數(shù)設(shè)定與訓(xùn)練

5.13二面角模型預(yù)測(cè)與評(píng)價(jià)

5.14定義距離預(yù)測(cè)模型

5.15構(gòu)建殘基序列3D特征矩陣

5.16構(gòu)建3D評(píng)分矩陣

5.17定義距離標(biāo)簽的3D矩陣

5.18距離模型參數(shù)設(shè)定與訓(xùn)練

5.19距離模型預(yù)測(cè)與評(píng)價(jià)

小結(jié)

習(xí)題

第6章機(jī)器問(wèn)答與BERT模型

6.1Google開(kāi)放域數(shù)據(jù)集

6.2序列模型與RNN

6.3詞向量

6.4注意力機(jī)制

6.5Transformer模型

6.6BERT模型

6.7數(shù)據(jù)集分析

6.8F1分?jǐn)?shù)

6.9定義BERT模型和RoBERTa模型

6.10訓(xùn)練BERT微調(diào)模型

6.11用BERT微調(diào)模型預(yù)測(cè)

小結(jié)

習(xí)題

第7章蘋(píng)果樹(shù)病蟲(chóng)害識(shí)別與模型集成

7.1數(shù)據(jù)集

7.2葉片觀察

7.3RGB通道觀察

7.4葉片圖像分類(lèi)觀察

7.5葉片類(lèi)別分布統(tǒng)計(jì)

7.6Canny邊緣檢測(cè)

7.7數(shù)據(jù)增強(qiáng)

7.8劃分?jǐn)?shù)據(jù)集

7.9DenseNet模型定義

7.10DenseNet模型訓(xùn)練

7.11DenseNet模型預(yù)測(cè)與評(píng)估

7.12EfficientNet模型定義

7.13EfficientNet模型訓(xùn)練

7.14EfficientNet模型預(yù)測(cè)與評(píng)估

7.15EfficientNet Noisy Student模型

7.16EfficientDet模型

7.17模型集成

小結(jié)

習(xí)題

參考文獻(xiàn)