Python+TensorFlow機器學習實戰 ( 簡體 字) |
| 作者：李鷗 | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 51320
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：6/1/2019 |
| 頁數：237 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302522607 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：2016年3月，谷歌公司的AlphaGo與職業九段棋手李世石進行了圍棋人機大戰，最終AlphaGo以4比1的總比分獲勝，這引起了全球對人工智能的熱議。同時，百度推出的無人駕駛，科大訊飛推出的“語音識別”，以及高鐵進站的人臉識別的廣泛應用，將機器學習轉變為信息科技企業的研究與應用的常見內容，這也讓我們的日常生活更為便捷。
其實，機器學習已經走過符號主義時代、概率論時代、聯結主義時代，從最初的僅是專家研究的數學理論、經典算法，逐步發展并蛻變為可以為大部分項目直接使用的平臺框架。
2015年11月9日，谷歌在GitHub上開源了TensorFlow框架，該框架是谷歌的機器學習框架，具有高度的靈活性和可移植性。在TensorFlow中，將各種經典算法特別是神經網絡模型組織成一個平臺，能夠讓我們更便捷地在目標領域實踐機器學習算法。
TensorFlow作為最流行的機器學習框架之一，具有對Python語言的良好支持，這有效降低了進行機器學習開發的門檻，讓更多的工程師能夠以低成本投身到人工智能的浪潮中。TensorFlow框架能夠支持CPU、GPU或Google TPU等硬件環境，讓機器學習能夠便捷地移植到各種環境中。
《Python+TensorFlow機器學習實戰》將全面闡述TensorFlow機器學習框架的原理、概念，詳細講解線性回歸、支持向量機、神經網絡算法和無監督學習等常見的機器學習算法模型，并通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用來講解TensorFlow的實際開發過程。《Python+TensorFlow機器學習實戰》在語言上力求幽默直白、輕松活潑，避免云山霧罩、晦澀難懂。在講解形式上圖文并茂，由淺入深，抽絲剝繭。通過閱讀《Python+TensorFlow機器學習實戰》，讀者可以少走很多彎路，快速上手TensorFlow開發。
《Python+TensorFlow機器學習實戰》特色
1. 內容豐富、全面
全書內容共分11章，從機器學習概述到TensorFlow基礎，再到實際應用，內容幾乎涵蓋TensorFlow開發的所有方面。
2. 實例豐富、案例典型、實用性強
《Python+TensorFlow機器學習實戰》對每一個知識點都以實際應用的形式進行講解，幫助讀者理解和掌握相關的開發技術。《Python+TensorFlow機器學習實戰》還在最后提供了TensorFlow在圖形識別、文本識別和語音識別等方面成功應用的實例，幫助讀者提高實戰水平。
3. 緊跟技術趨勢
《Python+TensorFlow機器學習實戰》針對目前發布的TensorFlow的常用版本1.3進行講解，并涉及1.6版本的變化，摒棄了以前版本中不再使用的功能，以適應技術的發展趨勢。
4. 舉一反三
《Python+TensorFlow機器學習實戰》寫作由淺入深、從易到難，并注意知識點之間的聯系，讓讀者掌握一個知識點后，能夠觸類旁通、舉一反三，編寫相應的代碼。
《Python+TensorFlow機器學習實戰》內容及體系結構
第1章簡單講述機器學習的發展、分類以及經典算法，介紹TensorFlow的發展和優勢，并詳細介紹不同操作系統環境下TensorFlow開發環境的準備過程。
第2章講解TensorFlow的基礎知識，包括基礎框架、源代碼結構、基礎概念，并通過運行一個官方示例展示了可視化的調試。
第3章講解TensorFlow在實際進行機器學習時的加載訓練數據、構建訓練模型、進行數據訓練、評估和預測四大步驟中常用的方法和技巧。
第4章詳細講解機器學習算法中最基礎的線性模型：回歸模型和邏輯回歸模型。
第5章講解TensorFlow中支持向量機算法的基本原理及核函數，并使用SVM完成線性回歸擬合、邏輯回歸分類以及非線性數據分類等。
第6章對神經網絡模型進行詳細介紹，講解神經元模型、神經網絡層等基本原理，并講解全連接神經網絡、卷積神經網絡和循環神經網絡等主要神經網絡的原理與計算過程，并在TensorFlow中使用具體案例講解通用神經網絡層的構建、卷積層的使用、池化層的使用、循環神經元的構建以及損失函數的選擇等。
第7章主要介紹無監督學習的概念和經典算法。
第8章講解TensorFlow在自然語言文本處理中的應用，如學寫唐詩、影評分類以及智能聊天機器人等。
第9章講解TensorFlow在語音處理方面的應用，如聽懂數字、聽懂中文以及語音合成等。
第10章講解TensorFlow在圖像處理方面的應用，如圖像處理中的物體識別與檢測、圖像描述。
第11章講解TensorFlow在人臉識別方面的應用，介紹人臉識別的原理和分類、人臉比對以及從人臉判別性別和年齡。
《Python+TensorFlow機器學習實戰》讀者對象
? 初中級程序員。
? 高等院校師生。
? 培訓機構學員。
? 希望使用機器學習的工程師。
致謝
在《Python+TensorFlow機器學習實戰》的成稿過程中，熊諾亞對書稿的完整性和系統性提出了寶貴的意見，在此，特別表示感謝。
《Python+TensorFlow機器學習實戰》對應的電子課件和實例源代碼可以下載，也可通過掃描下方的二維碼下載。
編著者 |
內容簡介：《Python+TensorFlow機器學習實戰》通過開發實例和項目案例，詳細介紹TensorFlow開發所涉及的主要內容。書中的每個知識點都通過實例進行通俗易懂的講解，便于讀者輕松掌握有關TensorFlow開發的內容和技巧，并能夠得心應手地使用TensorFlow進行開發。
《Python+TensorFlow機器學習實戰》內容共分為11章，首先介紹TensorFlow的基本知識，通過實例逐步深入地講解線性回歸、支持向量機、神經網絡算法和無監督學習等常見的機器學習算法模型。然后通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用講解TensorFlow的實際開發過程。
《Python+TensorFlow機器學習實戰》適合有一定Python基礎的工程師閱讀；對于有一定基礎的讀者，可通過《Python+TensorFlow機器學習實戰》快速地將TensorFlow應用到實際開發中；對于高等院校的學生和培訓機構的學員，《Python+TensorFlow機器學習實戰》也是入門和實踐機器學習的優秀教材。
《Python+TensorFlow機器學習實戰》對應的電子課件和實例源代碼可以下載，也可通過掃描前言中的二維碼下載。 |
目錄：第1章 機器學習概述
1.1 人工智能1
1.2 機器學習2
1.2.1 機器學習的發展2
1.2.2 機器學習的分類3
1.2.3 機器學習的經典算法4
1.2.4 機器學習入門6
1.3 TensorFlow簡介6
1.3.1 主流框架的對比7
1.3.2 TensorFlow的發展9
1.3.3 使用TensorFlow的公司10
1.4 TensorFlow環境準備10
1.4.1 Windows環境11
1.4.2 Linux環境21
1.4.3 MacOS環境22
1.5 常用的第三方模塊22
1.6 本章小結23
第2章 TensorFlow基礎
2.1 TensorFlow基礎框架24
2.1.1 系統框架24
2.1.2 系統的特性26
2.1.3 編程模型27
2.1.4 編程特點28
2.2 TensorFlow源代碼結構分析30
2.2.1 源代碼下載30
2.2.2 TensorFlow目錄結構30
2.2.3 重點目錄31
2.3 TensorFlow基本概念33
2.3.1 Tensor33
2.3.2 Variable34
2.3.3 Placeholder35
2.3.4 Session36
2.3.5Operation36
2.3.6 Queue37
2.3.7 QueueRunner38
2.3.8 Coordinator39
2.4 第一個TensorFlow示例40
2.4.1 典型應用41
2.4.2 運行TensorFlow示例43
2.5 TensorBoard可視化45
2.5.1 SCALARS面板45
2.5.2 GRAPHS面板47
2.5.3 IMAGES面板48
2.5.4 AUDIO面板49
2.5.5 DISTRIBUTIONS面板49
2.5.6 HISTOGRAMS面板49
2.5.7 PROJECTOR面板50
2.6 本章小結50
第3章 TensorFlow進階
3.1 加載數據51
3.1.1 預加載數據51
3.1.2 填充數據51
3.1.3 從CSV文件讀取數據52
3.1.4 讀取TFRecords數據54
3.2 存儲和加載模型58
3.2.1 存儲模型58
3.2.2 加載模型59
3.3 評估和優化模型60
3.3.1 評估指標的介紹與使用60
3.3.2 模型調優的主要方法61
3.4 本章小結63
第4章 線性模型
4.1 常見的線性模型64
4.2 一元線性回歸65
4.2.1 生成訓練數據65
4.2.2 定義訓練模型66
4.2.3 進行數據訓練66
4.2.4 運行總結67
4.3 多元線性回歸68
4.3.1 二元線性回歸算法簡介68
4.3.2 生成訓練數據69
4.3.3 定義訓練模型70
4.3.4 進行數據訓練70
4.3.5 運行總結70
4.4 邏輯回歸71
4.4.1 邏輯回歸算法簡介71
4.4.2 生成訓練數據73
4.4.3 定義訓練模型74
4.4.4 進行數據訓練74
4.4.5 運行總結75
4.5 本章小結76
第5章 支持向量機
5.1 支持向量機簡介77
5.1.1 SVM基本型77
5.1.2 SVM核函數簡介79
5.2 擬合線性回歸80
5.2.1 生成訓練數據80
5.2.2 定義訓練模型81
5.2.3 進行數據訓練81
5.2.4 運行總結82
5.3 擬合邏輯回歸83
5.3.1 生成訓練數據83
5.3.2 定義訓練模型84
5.3.3 進行數據訓練85
5.3.4 運行總結86
5.4 非線性二值分類87
5.4.1 生成訓練數據87
5.4.2 定義訓練模型88
5.4.3 進行數據訓練89
5.4.4 運行總結89
5.5 非線性多類分類91
5.5.1 生成訓練數據91
5.5.2 定義訓練模型92
5.5.3 進行數據訓練93
5.5.4 運行總結94
5.6 本章小結95
第6章 神經網絡
6.1 神經網絡簡介96
6.1.1 神經元模型97
6.1.2 神經網絡層100
6.2 擬合線性回歸問題102
6.2.1 生成訓練數據102
6.2.2 定義神經網絡模型102
6.2.3 進行數據訓練103
6.2.4 運行總結104
6.3 MNIST數據集104
6.3.1 MNIST數據集簡介105
6.3.2 數據集圖片文件105
6.3.3 數據集標記文件106
6.4 全連接神經網絡106
6.4.1 加載MNIST訓練數據106
6.4.2 構建神經網絡模型107
6.4.3 進行數據訓練108
6.4.4 評估模型109
6.4.5 構建多層神經網絡模型110
6.4.6 可視化多層神經網絡模型111
6.5 卷積神經網絡113
6.5.1 卷積神經網絡簡介114
6.5.2 卷積層115
6.5.3 池化層119
6.5.4 全連接神經網絡層121
6.5.5 卷積神經網絡的發展121
6.6 通過卷積神經網絡處理MNIST122
6.6.1 加載MNIST訓練數據122
6.6.2 構建卷積神經網絡模型123
6.6.3 進行數據訓練127
6.6.4 評估模型127
6.7 循環神經網絡128
6.7.1 循環神經網絡簡介128
6.7.2 基本循環神經網絡129
6.7.3 長短期記憶網絡131
6.7.4 雙向循環神經網絡簡介134
6.8 通過循環神經網絡處理MNIST135
6.8.1 加載MNIST訓練數據136
6.8.2 構建神經網絡模型136
6.8.3 進行數據訓練及評估模型137
6.9 遞歸神經網絡138
6.9.1 遞歸神經網絡簡介138
6.9.2 遞歸神經網絡的應用139
6.10 本章小結140
第7章 無監督學習
7.1 無監督學習簡介141
7.1.1 聚類模型141
7.1.2 自編碼網絡模型142
7.2 K均值聚類142
7.2.1 K均值聚類算法簡介142
7.2.2 K均值聚類算法實踐144
7.3 自編碼網絡147
7.3.1 自編碼網絡簡介147
7.3.2 自編碼網絡實踐148
7.4 本章小結151
第8章 自然語言文本處理
8.1 自然語言文本處理簡介152
8.1.1 處理模型的選擇152
8.1.2 文本映射153
8.1.3 TensorFlow文本處理的一般步驟156
8.2 學寫唐詩157
8.2.1 數據預處理157
8.2.2 生成訓練模型158
8.2.3 評估模型160
8.3 智能影評分類163
8.3.1 CBOW嵌套模型163
8.3.2 構建影評分類模型167
8.3.3 訓練評估影評分類模型169
8.4 智能聊天機器人170
8.4.1 Attention機制的Seq2Seq模型170
8.4.2 數據預處理173
8.4.3 構建智能聊天機器人模型174
8.4.4 訓練模型177
8.4.5 評估模型179
8.5 本章小結180
第9章 語音處理
9.1 語音處理簡介181
9.1.1 語音識別模型181
9.1.2 語音合成模型183
9.2 聽懂數字183
9.2.1 數據預處理184
9.2.2 構建識別模型185
9.2.3 訓練模型185
9.2.4 評估模型185
9.3 聽懂中文185
9.3.1 數據預處理186
9.3.2 構建識別模型188
9.3.3 訓練模型191
9.3.4 評估模型191
9.4 語音合成192
9.4.1 Tacotron模型192
9.4.2 編碼器模塊193
9.4.3 解碼器模塊196
9.4.4 后處理模塊197
9.5 本章小結197
第10章 圖像處理
10.1 機器學習的圖像處理簡介198
10.1.1 圖像修復198
10.1.2 圖像物體識別與檢測199
10.1.3 圖像問答201
10.2 圖像物體識別201
10.2.1 數據預處理201
10.2.2 生成訓練模型203
10.2.3 訓練模型205
10.2.4 評估模型206
10.3 圖片驗證碼識別208
10.3.1 驗證碼的生成208
10.3.2 數據預處理209
10.3.3 生成訓練模型211
10.3.4 訓練模型212
10.3.5 評估模型213
10.4 圖像物體檢測214
10.4.1 物體檢測系統214
10.4.2 物體檢測系統實踐215
10.5 看圖說話217
10.5.1 看圖說話原理218
10.5.2 看圖說話模型的構建218
10.5.3 看圖說話模型的訓練220
10.5.4 評估模型221
10.6 本章小結222
第11章 人臉識別
11.1 人臉識別簡介223
11.1.1 人臉圖像采集223
11.1.2 人臉檢測224
11.1.3 人臉圖像預處理224
11.1.4 人臉關鍵點檢測224
11.1.5 人臉特征提取224
11.1.6 人臉比對225
11.1.7 人臉屬性檢測225
11.2 人臉驗證225
11.2.1 數據預處理226
11.2.2 運行FaceNet模型226
11.2.3 實現人臉驗證229
11.3 性別和年齡的識別231
11.3.1 Adience數據集231
11.3.2 數據預處理232
11.3.3 生成訓練模型233
11.3.4 訓練模型235
11.3.5 評估模型236
11.4 本章小結237 |
| 序： |
