-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

TensorFlow機器學習項目開發實戰

( 簡體 字)
作者:[印]安奇特·簡恩 著 熊愛華 譯類別:1. -> 程式設計 -> 機器學習
譯者:
出版社:清華大學出版社TensorFlow機器學習項目開發實戰 3dWoo書號: 51882
詢問書籍請說出此書號!

缺書
NT售價: 445

出版日:9/1/2019
頁數:238
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:9787302535546
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

TensorFlow 改變了機器學習的應用方式。本書告訴開發人員如何利用 TensorFlow 在各種實際項目中的優勢—簡單性、高效性和靈活性。在本書的幫助下,開發人員不僅可以學習如何使用不同的數據集構建高級項目,還可以使用 TensorFlow 生態系統中的一系列庫來解決常見問題。
首先,開發人員將了解如何使用 TensorFlow 進行機器學習項目。我們將介紹使用 TensorForest 和 TensorBoard 檢測系外行星、使用 TensorFlow.js 進行情感分析、使用 TensorFlow Lite 進行數字分類等項目。
當開發人員閱讀本書時,將可以在各種現實領域中構建項目,包括自然語言處理(Natural Language Processing,NLP)、高斯過程(Gaussian Process)、自動編碼器(Autoencoder)、推薦系統(Recommender System)、貝葉斯神經網絡(Bayesian Neural Network)、生成對抗網絡(Generative Adversarial Network,GAN)、膠囊網絡(Capsule Network)和強化學習(Reinforcement Learning)等。開發人員將學習如何與 Spark API 一起使用 TensorFlow,并使用 TensorFlow 探索 GPU 加速計算以檢測對象,然后了解如何訓練和開發循環神經網絡(Recurrent Neural Network,RNN)模型以生成圖書腳本。
到本書結束時,開發人員將獲得較為全面的 TensorFlow 和機器學習專業知識,足以在工作中構建成熟的機器學習項目。
本書適合的讀者
如果你是具有 TensorFlow 基礎知識的數據分析師、數據科學家、機器學習專業人員或深度學習愛好者,那么本書非常適合你。如果你想使用監督學習、無監督學習和強化學習技術在機器學習領域中構建端到端項目,那么本書也適合你。
本書內容綜述
本書共分 15 章,各章內容分述如下。
第 1 章“TensorFlow 和機器學習概述”,闡述了 TensorFlow 的基礎知識,并使用邏輯回歸構建了一個機器學習模型來對手寫數字進行分類。
第 2 章“利用機器學習探測外太空中的系外行星”,介紹了如何使用基于決策樹的集合方法探測外太空中的系外行星。
第 3 章 “使用 TensorFlow.js 在瀏覽器中進行情感分析”,闡述了如何使用 TensorFlow.js 在 Web 瀏覽器上訓練和構建模型。本章將建立一種使用電影評論數據集的情感分析模型,并將其部署到 Web 瀏覽器以進行預測。
第 4 章“使用 TensorFlow Lite 進行數字分類”,重點是構建一個深度學習模型,用于對手寫數字進行分類,并使用 TensorFlow Lite 將其轉換為適合移動設備的格式。本章還介紹了 TensorFlow Lite 的架構以及如何使用 TensorBoard 可視化神經網絡。
第 5 章“使用 NLP 進行從語音到文本的轉換和主題的提取”,重點是通過在 TensorFlow 中使用 Google Speech Command 數據集了解 Google 的 Speech-to-Text 框架和預建模型的各種選項。
第 6 章“使用高斯過程回歸預測股票價格”,解釋了貝葉斯統計中一種被稱為高斯過程的流行預測模型。本章還將使用構建在 TensorFlow 之上的 GpFlow 庫中的高斯過程來開發股票價格預測模型。
第 7 章“使用自動編碼器進行信用卡欺詐檢測”,引入了一種被稱為自動編碼器的降維(Dimensionality Reduction)技術。本章將通過使用 TensorFlow 和 Keras 構建自動編碼器來識別信用卡數據集中的欺詐性交易。
第 8 章“使用貝葉斯神經網絡生成交通標志分類器中的不確定性”,解釋了貝葉斯神經網絡,它可以幫助開發人員量化預測中的不確定性。本章還將使用 TensorFlow 構建貝葉斯神經網絡,以對德國交通標志進行分類。
第 9 章“使用 DiscoGAN 從鞋子圖像生成匹配的手提包圖像”,引入了一種被稱為 Discovery GAN(DiscoGAN)的新型 GAN。開發人員將了解其架構與標準 GAN 的不同之處,以及它如何在風格遷移問題中使用。最后,本章在 TensorFlow 中構建了一個 DiscoGAN 模型,從鞋子圖像中生成匹配其風格的手提包圖像,或者反過來,從手提包圖像生成匹配其風格的鞋子圖像。
第 10 章“使用膠囊網絡對服裝圖像進行分類”,實現了最新的圖像分類模型—膠囊網絡。本章將討論其架構并解釋它在 TensorFlow 中實現的細微差別。最后,本章還使用了 Fashion MNIST 數據集和膠囊網絡模型對服裝圖像進行分類。
第 11 章“使用 TensorFlow 制作商品推薦系統”,討論了使用 TensorFlow 推薦優質商品的技術,例如矩陣分解(SVD++)、學習排名和卷積神經網絡變體等。
第 12 章“使用 TensorFlow 進行大規模的對象檢測”,探討了由 Yahoo!公司開發的 TensorFlowOnSpark 框架,它可以用于 Spark 集群上的分布式深度學習。開發人員將了解如何對大規模圖像數據集應用 TensorFlowOnSpark,并訓練網絡以檢測對象。
第 13 章“使用 LSTM 生成圖書腳本”,解釋了為什么 LSTM 在生成新文本時很有用。本章使用了某一本圖書中的文字腳本來創建基于 LSTM 的深度學習模型,該模型可以自己生成新的圖書腳本。
第 14 章“使用深度強化學習玩《吃豆人》游戲”,解釋了使用強化學習來訓練模型玩《吃豆人》游戲,并在這個過程中幫助開發人員理解強化學習。
第 15 章“在生產環境中部署機器學習模型”,介紹了 TensorFlow 生態系統的其他組件,這些組件對于在生產環境中部署模型非常有用。本章還介紹了各行業的人工智能應用、深度學習的局限性以及人工智能的道德規范等。
充分利用本書
要充分利用本書,請從 GitHub 存儲庫下載本書代碼,并使用 Jupyter Notebook 中的代碼進行練習。此外,還可以嘗試修改作者提供的實現。
本書包含許多區分不同類型信息的文本樣式,以下是一些示例及其含義的解釋。
(1)CodeInText:表示文本中的代碼字、數據庫表名、文件夾名、文件名、文件擴展名、路徑名、虛擬 URL、用戶輸入和 Twitter 句柄等。以下段落就是一個示例。
接下來實現一個函數 freeze_sesssion,它將采用 TensorFlow 會話作為輸入,將所有變量轉換為常量,并返回凍結的圖。執行此函數后,開發人員將在/logs/freeze 文件夾中獲取一個名為 MNIST_model.pb 的凍結圖文件。
(2)代碼塊顯示如下:
tf.constant(
value,
dtype=None,
shape=None,
name=const_name,
verify_shape=False
)
(3)任何命令行輸入或輸出都采用如下所示的粗體代碼形式:
const1 (x): Tensor("x:0", shape=(), dtype=int32)
const2 (y): Tensor("y:0", shape=(), dtype=float32)
const3 (z): Tensor("z:0", shape=(), dtype=float16)
(4)新術語和重要單詞以粗體顯示,并提供了如下所示的中英文對照的形式。
隨著硬件的創新,許多公司也在開發針對神經網絡推理進行優化的 GPU 和數字信號處理器(Digital Signal Processor,DSP)。TensorFlow Lite 提供 Android 神經網絡 API,可以在這些設備上執行硬件加速。
該圖標旁邊的文字表示警告或重要的信息。
該圖標旁邊的文字表示提示或技巧。
關于作者
Ankit Jain 目前在美國優步公司的機器學習研究部門 Uber AI Labs 擔任高級研究員。他的工作主要涉及將深度學習方法應用于從預測到食品交付、再到自動駕駛汽車等各類需要。在此之前,他曾在美國銀行、Facebook 和其他初創企業擔任過各種數據科學方面的職務。他曾在許多頂級人工智能會議和大學擔任特邀發言人,包括加州大學伯克利分校、O’Reilly AI 會議等。他對教學非常感興趣,并通過各種初創企業和訓練營為超過 500 名 AI 學生提供了指導。他在加州大學伯克利分校獲得碩士學位,在印度孟買理工學院獲得學士學位。
“非常感謝 Packt 團隊讓我有機會分享我的知識。特別感謝 Rhea Henriques 的真知灼見和優秀的編輯能力。最后,我還要感謝合著者 Armando 和 Amita 的建議,以及組稿編輯 Varsha Shetty,正是她激勵我寫完這本書。”
Armando Fandango 利用他在深度學習、機器學習、分布式計算和計算方法方面的專業知識,創造了很多卓越的 AI 產品,并在多家初創公司和大型企業擔任首席數據科學家和董事的職務。他一直在為基于 AI 的高科技創業公司提供咨詢服務。Armando 撰寫了 Python Data Analysis-Second Edition 和 Mastering TensorFlow 等多本書籍。他還在國際期刊和會議上發表了研究成果。
“非常感謝 Rhea Henriques 努力讓本書以最高質量出版,并與所有作者密切合作。我很感激 Amita 和 Ankit 分享他們的經驗和知識。”
Amita Kapoor 是德里大學 SRCASW 電子系副教授。她講授神經網絡課程已有二十年之久。在攻讀博士學位期間,她獲得了著名的 DAAD 獎學金,這使她能夠在德國卡爾斯魯厄(Karlsruhe)理工學院完成部分研究工作。她在 2008 年國際光子學大會上被授予最佳演講獎。作為 ACM、IEEE、INNS 和 ISBS 的成員,她在國際期刊和會議上發表了 40 多篇論文。她的研究領域包括機器學習、人工智能、神經網絡、機器人技術以及人工智能中的倫理道德。她與 Packt Publishing 合作出版了 TensorFlow 1.x Deep Learning Cookbook 一書。
“特別感謝 Narotam Singh,如果沒有他幫助建立群組,我就不可能完成這本書。真誠感謝校長 Payal 博士、Richa 女士、Punita 博士和 Deepali 女士。感謝 Armando 和 Ankit 分享他們的見解。也感謝 Packt 的團隊,特別感謝 Manthan Patel 讓我參與這個項目,并感謝 Rhea Henriques 的支持。”
關于審稿者
Sujit Pal 是 Reed-Elsevier 集團旗下 Elsevier Labs 的技術研究主管,他的興趣領域包括語義搜索、自然語言處理、機器學習和深度學習。在 Elsevier,他參與了多項計劃,包括搜索質量測量和改進、圖像分類和重復檢測,以及醫學和科學語料庫的注釋和本體開發。他與 Antonio Gulli 共同撰寫了一本關于深度學習的書,并在他的博客 Salmon Run 上撰寫了大量相關技術的文章。
Meng-Chieh Ling 擁有卡爾斯魯厄理工學院的理論物理學博士學位。在獲得博士學位后,他加入了慕尼黑的 The Data Incubator Reply,后來成為達姆施塔特 AGT 國際實習生。六個月后,他被提升為高級數據科學家,目前在娛樂領域工作。
內容簡介:

本書詳細闡述了與TensorFlow項目開發相關的基本解決方案,主要包括TensorFlow和機器學習概述、利用機器學習探測外太空中的系外行星、情感分析、數字分類、語音到文本的轉換、預測股票價格、信用卡欺詐檢測、貝葉斯深度學習、圖像匹配和分類、推薦系統、大規模對象檢測、生成圖書腳本、深度強化學習與游戲、部署機器學習模型等內容。此外,本書還提供了相應的示例、代碼,以幫助讀者進一步理解相關方案的實現過程。
本書既可作為高等院校計算機及相關專業的教材和教學參考書,也可作為相關開發人員的自學教材和參考手冊。
目錄:

第1章 TensorFlow和機器學習概述1
1.1 關于TensorFlow1
1.2 TensorFlow核心API2
1.3 計算圖11
1.4 機器學習、分類和邏輯回歸18
1.5 使用TensorFlow進行邏輯回歸21
1.6 使用Keras進行邏輯回歸24
1.7 小結26
1.8 問題26
1.9 延伸閱讀26
第2章 利用機器學習探測外太空中的系外行星27
2.1 關于決策樹27
2.2 集成學習的必要性28
2.3 基于決策樹的集成方法29
2.4 TensorFlow中基于決策樹的集成32
2.5 探測外太空的系外行星34
2.6 建立用于系外行星探測的TFBT模型38
2.7 小結42
2.8 問題42
2.9 延伸閱讀43
第3章 使用TensorFlow.js在瀏覽器中進行情感分析44
3.1 理解TensorFlow.js45
3.2 理解Adam優化46
3.3 理解分類交叉熵損失46
3.4 理解單詞嵌入47
3.5 構建情感分析模型48
3.6 使用TensorFlow.js在瀏覽器中運行模型51
3.7 小結55
3.8 問題55
第4章 使用TensorFlowLite進行數字分類56
4.1 關于TensorFlowLite56
4.2 分類模型評估指標58
4.3 使用TensorFlowLite對數字進行分類59
4.4 小結69
4.5 問題70
第5章 使用NLP進行從語音到文本的轉換和主題的提取71
5.1 關于Speech-to-Text框架和工具包71
5.2 Google語音命令數據集72
5.3 神經網絡架構73
5.4 訓練模型74
5.5 小結77
5.6 問題77
5.7 延伸閱讀77
第6章 使用高斯過程回歸預測股票價格79
6.1 理解貝葉斯規則79
6.2 貝葉斯推理80
6.3 高斯過程81
6.4 將高斯過程應用于股市預測84
6.5 創建股票價格預測模型86
6.6 理解獲得的結果89
6.7 小結99
6.8 問題99
第7章 使用自動編碼器進行信用卡欺詐檢測100
7.1 理解自動編碼器100
7.2 構建欺詐檢測模型101
7.3 小結111
7.4 問題111
第8章 使用貝葉斯神經網絡生成交通標志分類器中的不確定性112
8.1 理解貝葉斯深度學習112
8.2 神經網絡中的貝葉斯規則113
8.3 理解TensorFlowProbability、變分推斷和蒙特卡羅方法114
8.4 構建貝葉斯神經網絡116
8.5 定義、培訓和測試模型118
8.6 小結129
8.7 問題130
第9章 使用DiscoGAN從鞋子圖像生成匹配的手提包圖像131
9.1 理解生成模型131
9.2 理解DiscoGAN135
9.3 構建DiscoGAN模型139
9.4 小結148
9.5 問題149
第10章 使用膠囊網絡對服裝圖像進行分類150
10.1 理解膠囊網絡的重要性150
10.2 理解膠囊151
10.3 動態路由算法153
10.4 用于對FashionMNIST圖像進行分類的膠囊網絡156
10.5 訓練和測試模型160
10.6 重建樣本圖像167
10.7 膠囊網絡的局限性169
10.8 小結170
第11章 使用TensorFlow制作商品推薦系統172
11.1 推薦系統172
11.2 基于內容的過濾173
11.3 協同過濾174
11.4 混合系統174
11.5 矩陣分解175
11.6 Retailrocket數據集簡介175
11.7 Retailrocket數據集深入探究176
11.8 預處理數據177
11.9 Retailrocket數據集推薦系統的矩陣分解模型178
11.10 Retailrocket數據集推薦系統的神經網絡模型181
11.11 小結183
11.12 問題183
11.13 延伸閱讀183
第12章 使用TensorFlow進行大規模的對象檢測184
12.1 ApacheSpark簡介185
12.2 理解分布式TensorFlow186
12.3 理解TensorFlowOnSpark191
12.4 使用TensorFlowOnSpark和Sparkdl進行對象檢測197
12.5 小結202
第13章 使用LSTM生成圖書腳本204
13.1 理解循環神經網絡204
13.2 預處理數據205
13.3 定義模型207
13.4 訓練模型208
13.5 定義和訓練文本生成模型208
13.6 生成圖書腳本214
13.7 小結217
13.8 問題217
第14章 使用深度強化學習玩《吃豆人》游戲218
14.1 強化學習219
14.2 強化學習與監督學習和無監督學習的對比219
14.3 強化學習的組成部分220
14.4 OpenAIGym工具包220
14.5 在OpenAIGym中創建《吃豆人》游戲222
14.6 用于深度強化學習的DQN224
14.7 將DQN應用于游戲225
14.8 小結230
14.9 延伸閱讀230
第15章 在生產環境中部署機器學習模型231
15.1 在生產環境中實現TensorFlow231
15.2 建立AI應用程序的建議237
15.3 深度學習的局限性238
15.4 AI在行業中的應用238
15.5 AI中的倫理道德考慮因素239
15.6 小結240
序: