本书介绍内容包括支持向量机、线性回归、决策树、遗传算法、深度神经网络(VGG、GooleLeNet、Resnet、MobileNet、EfficientNet)、循环神经网络(LSTM、GRU、Attention)、生成对抗网络(DCGAN、WGAN-GP)、自编码器、各种聚类算法、目标检测算法(YOLO、MTCNN)以及强化学习，有助于人工智能新人搭建一个全面且有用的基础框架。
本书包含8个实战，分别是：决策树、MNIST手写数字分类、GAN基础之手写数字生成、GAN优化、风格迁移、目标检测(YOLO)、人脸检测(MTCNN)和自然语言处理。8个实战可以让读者对PyTorch的使用达到较高水平。

陈亦新，硕士，技术作家，涉及人工智能、图像处理和医学等多个领域，是一名热爱AI算法、立志AI落地造福社会的普通人。他因心思细腻、擅长换位思考、为人热情，常常被评价为一名优秀的知识传播者。他撰写的技术公众号“机器学习炼丹术”在短短2个月内收获上万粉丝，被粉丝称为炼丹兄。

第1章 支持向量机
1.1 SVM的原理
1.2 SVM求解
1.3 核函数
1.4 软间隔
1.5 小结
第2章 线性回归与非线性回归
2.1 线性回归
2.1.1 线性回归问题的一般形式
2.1.2 线性回归中的最优化问题
2.1.3 问题的求解
2.2 非线性回归分析
2.3 初见梯度下降
2.4 Python图解梯度下降
2.5 小结
第3章 基于规则的决策树模型
3.1 决策树发展史
3.2 决策树算法
3.2.1 ID3算法
3.2.2 C4
3.2.3 CART
3.2.4 随机森林
3.3 Boosting家族
3.3.1 XGBoost
3.3.2 LightGBM
3.3.3 CatBoost
3.4 小结
第4章 遗传算法家族
4.1 遗传算法
4.1.1 编码
4.1.2 初始化种群
4.1.3 自然选择
4.1.4 交叉重组
4.1.5 基因突变
4.1.6 收敛
4.1.7 遗传算法总结
4.2 蚁群算法
4.2.1 蚂蚁系统
4.2.2 精英蚂蚁系统
4.2.3 最大最小蚂蚁系统
4.2.4 小结
第5章 神经网络
5.1 基本组成
5.1.1 神经元
5.1.2 层
5.2 反向传播
5.2.1 复习
5.2.2 铺垫
5.2.3 公式推导
5.3 反向传播神经网络
5.4 卷积神经网络
5.4.1 卷积运算
5.4.2 卷积层
5.4.3 池化层
5.5 循环神经网络
5.5.1 RNN用途
5.5.2 RNN结构
5.5.3 RNN的反向传播——BPTT
5.6 小结
第6章 深度神经网络
6.1 概述
6.2 VGG网络
6.3 GoogLeNet
6.3.1 Inception v
6.3.2 Inception v2/v
6.3.3 Inception v
6.3.4 InceptionResnet
6.3.5 GoogLeNet小结
6.4 Resnet
6.5 MobileNet
6.5.1 CNN计算量如何计算
6.5.2 深度可分离卷积
6.5.3 ReLU
6.5.4 倒残差
6.6 EfficientNet
6.6.1 模型的数学表达
6.6.2 复合缩放
6.7 风格迁移
6.7.1 内容损失函数
6.7.2 风格损失函数
6.7.3 风格迁移的梯度下降
第7章 循环神经网络
7.1 长短期记忆网络
7.1.1 LSTM结构
7.1.2 LSTM出现原因
7.2 GRU
7.3 注意力机制
7.3.1 编码解码框架
7.3.2 Attention结构
第8章 无监督学习
8.1 什么是无监督学习
8.2 聚类算法
8.2.1 Kmeans算法
8.2.2 分级聚类
8.2.3 具有噪声的基于密度的聚类方法
8.3 生成对抗网络
8.3.1 通俗易懂的解释
8.3.2 原理推导
8.3.3 损失函数的问题
8.3.4 条件生成对抗网络
8.4 自编码器
8.4.1 自编码器概述
8.4.2 去噪自编码器
8.4.3 变分自编码器
第9章 目标检测
9.1 目标检测概述
9.1.1 通俗理解
9.1.2 铺垫知识点
9.1.3 发展史
9.2 YOLO v1
9.2.1 输出
9.2.2 网络
9.2.3 输入
9.2.4 损失函数
9.2.5 小结
9.3 YOLO v2
9.3.1 mAP
9.3.2 改进
9.3.3 整体流程
9.3.4 小结
9.4 YOLO v3
第10章 强化学习
10.1 铺垫知识
10.1.1 什么是RL
10.1.2 马尔可夫决策过程
10.1.3 回报Return
10.1.4 价值函数
10.1.5 贝尔曼方程
10.2 DQN
10.2.1 DQN损失函数
10.2.2 DQN训练技巧
10.2.3 DDQN
10.2.4 基于优先级的记忆回放
10.2.5 Dueling DQN
10.3 全面讲解基础知识
10.3.1 策略梯度
10.3.2 ActorCritic行动者评论家算法
10.3.3 A2C与优势函数
10.3.4 Offpolicy
10.3.5 连续动作空间
第11章 GAN进阶与变种
11.1 基础GAN存在的问题
11.2 DCGAN
11.2.1 反卷积(转置卷积+微步卷积)
11.2.2 空洞卷积
11.3 WGAN
11.3.1 GAN问题的再探讨
11.3.2 解决方案
11.4 WGANGP
11.4.1 WGAN的问题
11.4.2 梯度惩罚
11.5 VAEGAN
11.6 CVAEGAN
第12章 实战1： 决策树与随机森林
12.1 数据集介绍
12.1.1 乳腺癌数据简介
12.1.2 任务介绍
12.2 解决思路
12.2.1 Pandas库与Sklearn介绍
12.2.2 探索数据
12.2.3 决策树模型
12.2.4 随机森林模型
12.3 小结
第13章 实战2： MNIST手写数字分类
13.1 数据集介绍
13.1.1 MNIST简介
13.1.2 任务介绍
13.2 解决思路
13.2.1 图像处理
13.2.2 构建模型的三要素
13.2.3 训练模型
13.2.4 评估模型
13.3 进一步改进finetune
13.4 小结
第14章 实战3： GAN基础之手写数字对抗生成
14.1 GAN任务描述
14.2 GAN解决过程及讲解
14.2.1 数据准备
14.2.2 模型搭建
14.2.3 训练过程(核心)
14.3 GAN进化——CGAN
14.4 小结