《小样本机器学习Python算法与实践》
第1章 小样本问题与机器学习综述
数据、模型和算法三个维度阐述小样本问题总体解决思路;Tensorflow、Pytorch、PaddlePaddle和Scikit-learn机器学习范式和示例。
第2章 数据预处理和分析
机器学习坚持“数据为王”的理念,包括数据预处理(归一化、标准化、数据清洗和数据编码)、特征提取和转换(图像特征提取、傅里叶变换和信号稀疏表示)、数据降维和数据聚类(降维算法、特征选择和特征溯源)。
第3章 数据增强
传统数据增强(Smote、SamplePairing和Mixup等);基于深度学习的数据增强(变分自编码器VAE、生成对抗网络GAN、流模型NF和扩散模型DiffusionModel)。
第4章 传统机器学习算法
单一算法(决策树、KNN、逻辑回归、支持向量机和朴素贝叶斯等);集成算法(装袋元评估器和随机森林);提升法(Adaboost和Xgboost)。
第5章 不完全监督学习
主动学习;传统半监督(标签传播和伪标签方法);基于深度学习的半监督(基于生成模型的半监督(半监督GANs和半监督VAE)、一致性约束方法、伪标签方法和综合方法)。
第6章 迁移学习
pre-training + fine-tuning迁移;语言大模型(LLM);多任务学习(MTL);多标签学习(MLL)。
第7章 元学习
借助百度公司的PaddleFSL算法包主要介绍了基于度量的元学习算法(孪生神经网络模型、匹配网络、原型网络和关系网络);基于优化的元学习算法(MAML和Reptile)。