TensorFlow機器學(xué)習(xí)

定　價：￥69.00

作　者：	[美] 尼山特·舒克拉著，劉宇鵬譯
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111636120	出版時間：	2019-12-01	包裝：	平裝
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　TensorFlow機器學(xué)習(xí)由淺入深地對TensorFlow進(jìn)行了介紹，并對TensorFlow的本質(zhì)、核心學(xué)習(xí)算法（線性回歸、分類、聚類、隱馬爾可夫模型）和神經(jīng)網(wǎng)絡(luò)的類型（自編碼器、強化學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)）都進(jìn)行了詳細(xì)介紹，同時配以代碼實現(xiàn)。 TensorFlow機器學(xué)習(xí)可作為人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)相關(guān)行業(yè)的從業(yè)者和愛好者的重要參考書。

作者簡介

　　關(guān)于作者Nishant Shukla加州大學(xué)洛杉磯分校的博士研究員，專注于機器學(xué)習(xí)和計算機視覺技術(shù)。Nishant還具有弗吉尼亞大學(xué)計算機科學(xué)和數(shù)學(xué)學(xué)士學(xué)位。在那里，他是Hack.UVA的創(chuàng)始成員，并且講授關(guān)于Haskell的廣受歡迎的課程。Nishant曾擔(dān)任Microsoft、Facebook和Foursquare的開發(fā)人員，以及SpaceX的機器學(xué)習(xí)工程師，他還著有Haskell Data Analysis Cookbook一書。此外，他還發(fā)表了從分析化學(xué)到自然語言處理的研究論文。

圖書目錄

原書序
原書前言
第一部分機器學(xué)習(xí)套裝
第1章機器學(xué)習(xí)旅程　2
1.1　機器學(xué)習(xí)基礎(chǔ)　3
1.1.1　參數(shù)　5
1.1.2　學(xué)習(xí)和推理　6
1.2　數(shù)據(jù)表示和特征　7
1.3　距離度量　11
1.4　學(xué)習(xí)類型　12
1.4.1　監(jiān)督學(xué)習(xí)　12
1.4.2　無監(jiān)督學(xué)習(xí)　14
1.4.3　強化學(xué)習(xí)　14
1.5　TensorFlow　15
1.6　余下的章節(jié)　17
1.7　小結(jié)　18

第2章 TensorFlow基礎(chǔ)　19
2.1　保證TensorFlow運行　21
2.2　張量表示　21
2.3　創(chuàng)建運算　25
2.4　使用session執(zhí)行運算　27
2.4.1　將代碼理解為圖　28
2.4.2　設(shè)置session的配置項　28
2.5　使用Jupyter寫代碼　30
2.6　使用變量　32
2.7　保存和加載變量　34
2.8　使用TensorBoard可視化數(shù)據(jù)　35
2.8.1　實現(xiàn)一個移動平均算法　36
2.8.2　可視化移動平均算法　37
2.9　小結(jié)　39

第二部分核心學(xué)習(xí)算法
第3章線性回歸及其他　42
3.1　形式化定義　43
3.1.1　如何知道回歸算法在起作用　45
3.2　線性回歸　46
3.3　多項式模型　50
3.4　正則化　52
3.5　線性回歸的應(yīng)用　55
3.6　小結(jié)　56

第4章簡明的分類介紹　58
4.1　形式化定義　59
4.2　衡量分類性能　61
4.2.1　精度　61
4.2.2　準(zhǔn)確率和召回率　62
4.2.3　受試者工作特征曲線　63
4.3　用線性回歸實現(xiàn)分類　64
4.4　邏輯斯諦回歸　68
4.4.1　求解一維邏輯斯諦回歸　69
4.4.2　求解二維邏輯斯諦回歸　71
4.5　多類別分類器　74
4.5.1　一對多　75
4.5.2　一對一　75
4.5.3　softmax回歸　75
4.6　分類的應(yīng)用　79
4.7　小結(jié)　79

第5章自動聚類數(shù)據(jù)　81
5.1　在TensorFlow中遍歷文件　82
5.2　從音頻文件中抽取特征　84
5.3　k-均值聚類　87
5.4　音頻分割　90
5.5　用自組織映射實現(xiàn)聚類　93
5.6　聚類的應(yīng)用　97
5.7　小結(jié)　97

第6章隱馬爾可夫模型　98
6.1　一個不那么可解釋模型的例子　99
6.2　馬爾可夫模型　100
6.3　隱馬爾可夫模型　102
6.4　前向算法　103
6.5　Viterbi解碼　106
6.6　隱馬爾可夫模型的使用　107
6.6.1　視頻建?！?107
6.6.2　DNA建?！?107
6.6.3　圖像建?！?107
6.7　隱馬爾可夫模型的應(yīng)用　108
6.8　小結(jié)　108

第三部分神經(jīng)網(wǎng)絡(luò)樣式
第7章自編碼器　110
7.1　神經(jīng)網(wǎng)絡(luò)　111
7.2　自編碼器　114
7.3　批量訓(xùn)練　118
7.4　圖像處理　119
7.5　自編碼器的應(yīng)用　122
7.6　小結(jié)　123

第8章強化學(xué)習(xí)　124
8.1　形式化定義　125
8.1.1　策略　 126
8.1.2　效用函數(shù)　 127
8.2　強化學(xué)習(xí)的應(yīng)用　128
8.3　強化學(xué)習(xí)的實現(xiàn)　129
8.4　探索強化學(xué)習(xí)的其他應(yīng)用　136
8.5　小結(jié)　137

第9章卷積神經(jīng)網(wǎng)絡(luò)　138
9.1　神經(jīng)網(wǎng)絡(luò)的缺點　139
9.2　卷積神經(jīng)網(wǎng)絡(luò)　140
9.3　準(zhǔn)備圖像　141
9.3.1　生成過濾器　 144
9.3.2　使用過濾器進(jìn)行卷積　 145
9.3.3　最大池化　 148
9.4　使用TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)　149
9.4.1　測量性能　 151
9.4.2　訓(xùn)練分類器　 152
9.5　提高性能的竅門和技巧　153
9.6　卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用　154
9.7　小結(jié)　154

第10章循環(huán)神經(jīng)網(wǎng)絡(luò)　155
10.1　語境信息　156
10.2　循環(huán)神經(jīng)網(wǎng)絡(luò)介紹　156
10.3　循環(huán)神經(jīng)網(wǎng)絡(luò)的實現(xiàn)　157
10.4　時間序列數(shù)據(jù)的預(yù)測模型　160
10.5　循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用　163
10.6　小結(jié)　163

第11章聊天機器人的序列到序列模型　164
11.1　分類與循環(huán)神經(jīng)網(wǎng)絡(luò)　165
11.2　序列到序列模型架構(gòu)　167
11.3　符號的向量表示　171
11.4　把所有都放到一起　173
11.5　收集對話數(shù)據(jù)　179
11.6　小結(jié)　181

第12章效用場景　182
12.1　偏好模型　184
12.2　圖像嵌入　189
12.3　圖像排序　192
12.4　小結(jié)　196
12.5　下一步　196

附錄　安裝　197