TensorFlow機器學習

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　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)：		字數(shù)：

內(nèi)容簡介

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

作者簡介

　　關于作者Nishant Shukla加州大學洛杉磯分校的博士研究員，專注于機器學習和計算機視覺技術。Nishant還具有弗吉尼亞大學計算機科學和數(shù)學學士學位。在那里，他是Hack.UVA的創(chuàng)始成員，并且講授關于Haskell的廣受歡迎的課程。Nishant曾擔任Microsoft、Facebook和Foursquare的開發(fā)人員，以及SpaceX的機器學習工程師，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
第一部分機器學習套裝
第1章機器學習旅程　2
1.1　機器學習基礎　3
1.1.1　參數(shù)　5
1.1.2　學習和推理　6
1.2　數(shù)據(jù)表示和特征　7
1.3　距離度量　11
1.4　學習類型　12
1.4.1　監(jiān)督學習　12
1.4.2　無監(jiān)督學習　14
1.4.3　強化學習　14
1.5　TensorFlow　15
1.6　余下的章節(jié)　17
1.7　小結　18

第2章 TensorFlow基礎　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　39

第二部分核心學習算法
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　線性回歸的應用　55
3.6　小結　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　分類的應用　79
4.7　小結　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　聚類的應用　97
5.7　小結　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　視頻建模　 107
6.6.2　DNA建?！?107
6.6.3　圖像建模　 107
6.7　隱馬爾可夫模型的應用　108
6.8　小結　108

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

第8章強化學習　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　強化學習的應用　128
8.3　強化學習的實現(xiàn)　129
8.4　探索強化學習的其他應用　136
8.5　小結　137

第9章卷積神經(jīng)網(wǎng)絡　138
9.1　神經(jīng)網(wǎng)絡的缺點　139
9.2　卷積神經(jīng)網(wǎng)絡　140
9.3　準備圖像　141
9.3.1　生成過濾器　 144
9.3.2　使用過濾器進行卷積　 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　149
9.4.1　測量性能　 151
9.4.2　訓練分類器　 152
9.5　提高性能的竅門和技巧　153
9.6　卷積神經(jīng)網(wǎng)絡的應用　154
9.7　小結　154

第10章循環(huán)神經(jīng)網(wǎng)絡　155
10.1　語境信息　156
10.2　循環(huán)神經(jīng)網(wǎng)絡介紹　156
10.3　循環(huán)神經(jīng)網(wǎng)絡的實現(xiàn)　157
10.4　時間序列數(shù)據(jù)的預測模型　160
10.5　循環(huán)神經(jīng)網(wǎng)絡的應用　163
10.6　小結　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　165
11.2　序列到序列模型架構　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　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　196
12.5　下一步　196

附錄　安裝　197