TensorFlow機器學習實戰指南（原書第2版） ( 簡體 字) |
| 作者：〔美〕 尼克·麥克盧爾（Nick McClure）著 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 51510
詢問書籍請說出此書號！【有庫存】
NT售價： 445 元 |
| 出版日：7/1/2019 |
| 頁數：281 |
| 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：9787111631262 |
| 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：2015年11月，Google公司開源TensorFlow，隨后不久TensorFlow成為GitHub上最受歡迎的機器學習庫。TensorFlow創建計算圖、自動求導和定制化的方式使得其能夠很好地解決許多不同的機器學習算法問題。
本書介紹了許多機器學習算法，將其應用到真實場景和數據中，并解釋產生的結果。
本書的主要內容
第1章介紹TensorFlow的基本概念，包括張量、變量和占位符；同時展示了在TensorFlow中如何使用矩陣和各種數學運算。本章末尾講述如何訪問本書所需的數據源。
第2章介紹如何在計算圖中連接第1章介紹的所有算法組件，創建一個簡單的分類器。接著，介紹計算圖、損失函數、反向傳播和訓練模型。
第3章重點討論使用TensorFlow實現各種線性回歸算法，比如，戴明回歸、lasso回歸、嶺回歸、彈性網絡回歸和邏輯回歸，也展示了如何在TensorFlow計算圖中實現每種回歸算法。
第4章介紹支持向量機（SVM）算法，展示如何在TensorFlow中實現線性SVM算法、非線性SVM算法和多分類SVM算法。
第5章展示如何使用數值度量、文本度量和歸一化距離函數實現最近鄰域法。我們使用最近鄰域法進行地址間的記錄匹配和MNIST數據庫中手寫數字的分類。
第6章講述如何使用TensorFlow實現神經網絡算法，包括操作門和激勵函數的概念。隨后展示一個簡單的神經網絡并討論如何建立不同類型的神經網絡層。本章末尾通過神經網絡算法教TensorFlow玩井字棋游戲。
第7章闡述借助TensorFlow實現的各種文本處理算法。我們展示如何實現文本的“詞袋”和TF-IDF算法。然后介紹CBOW和skip-gram模型的神經網絡文本表示方式，并對于Word2Vec和Doc2Vec用這些方法來做預測，例如預測一個文本消息是否為垃圾信息。
第8章擴展神經網絡算法，說明如何借助卷積神經網絡（CNN）算法在圖像上應用神經網絡算法。我們展示如何構建一個簡單的CNN進行MNIST數字識別，并擴展到CIFAR-10任務中的彩色圖片，也闡述了如何針對自定義任務擴展之前訓練的圖像識別模型。本章末尾詳細解釋TensorFlow實現的圖像風格和Deep-Dream算法。
第9章解釋在TensorFlow中如何實現循環神經網絡（RNN）算法，展示如何進行垃圾郵件預測和在莎士比亞文本樣本集上擴展RNN模型生成文本。接著訓練Seq2Seq模型實現德語-英語的翻譯。本章末尾展示如何用孿生RNN模型進行地址記錄匹配。
第10章介紹TensorFlow產品級用例和開發提示，同時介紹如何利用多處理設備（比如，GPU）和在多個設備上實現分布式TensorFlow。
第11章展示TensorFlow如何實現k-means算法、遺傳算法和求解常微分方程（ODE），還介紹了Tensorboard的各種用法和如何查看計算圖指標。
閱讀本書前的準備
本書的目標讀者
本書主要是為了幫助那些想要同時了解TensorFlow和主流機器學習算法應用策略的業余愛好者。程序員和機器學習發燒友。閱讀本書，首先要有基本的數學知識和Python編程技巧。本書的主要目的在于介紹TensorFlow和提供基于TensorFlow的各種機器學習算法優秀案例，不涉及數學、機器學習以及Python編程的具體問題。更為恰當的描述是，本書是對這三個方面的宏觀介紹。鑒于這一原因，讀者可能會覺得本書中有的內容過于簡單，有的過于煩瑣。如果讀者具有堅實的機器學習基礎，通常會覺得書中的TensorFlow代碼對自己幫助較大；如果讀者善于編寫Python程序，那么可能會對書中的代碼注釋感興趣。如果讀者想要深入研究某些特定領域，可以從許多章節末尾的“延伸學習”部分所提供的參考文獻和資源中了解更多信息。
模塊說明
在本書中，你會頻繁看到開始、動手做、工作原理、延伸學習和參考這幾個模塊。
為了系統地學習相關技術，下面簡單解釋一下：
開始
該節告訴讀者該技術的內容，描述如何準備軟件或者前期的準備工作。
動手做
具體的操作步驟。
工作原理
詳細解釋前一節發生了什么。
延伸學習
附加資源，以供讀者延伸學習。
參考
提供有用的鏈接和有幫助的資源信息。
|
內容簡介：本書由資深數據科學家撰寫，從實戰角度系統講解TensorFlow基本概念及各種應用實踐。真實的應用場景和數據，豐富的代碼實例，詳盡的操作步驟，帶你由淺入深系統掌握TensorFlow機器學習算法及其實現。
全書共11章，第1章介紹TensorFlow的基本概念；第2章介紹如何在計算圖中連接算法組件，創建一個簡單的分類器；第3章重點介紹如何使用TensorFlow實現各種線性回歸算法，包括戴明回歸、lasso回歸、嶺回歸、彈性網絡回歸和邏輯回歸等；第4章介紹支持向量機（SVM）算法；第5章介紹如何使用數值度量、文本度量和歸一化距離函數實現最近鄰域算法；第6章講述如何使用TensorFlow實現神經網絡算法；第7章闡述TensorFlow實現的各種文本處理算法。第8章擴展神經網絡算法；第9章解釋在TensorFlow中如何實現循環神經網絡（RNN）算法；第10章介紹TensorFlow產品級用例和開發提示，同時介紹如何實現分布式TensorFlow；第11章展示TensorFlow如何實現k-means算法、遺傳算法和求解常微分方程（ODE）等。
TensorFlow是開源機器學習庫。本書將教你如何使用TensorFlow進行復雜數據計算，讓你對數據有更深刻的理解。書中循序漸進地講解了TensorFlow的變量、矩陣和各種數據源等基本概念，深度剖析線性回歸、支持向量機、最近鄰域、神經網絡和自然語言處理等算法，并結合豐富的實例詳細講解情感分析、回歸分析、聚類分析、神經網絡和深度學習實戰等應用。此外，本書還給出了TensorFlow產品級應用的最佳實踐和擴展用法，可以幫助你由淺入深地掌握機器學習核心思維，構建起立體完備的機器學習概念體系。
通過閱讀本書，你將：
熟悉TensorFlow模塊中的基本組件
掌握TensorFlow的線性回歸技術
學習SVM算法及其實踐
使用神經網絡優化模型預測
將NLP和情感分析應用到你的數據中
通過實踐掌握CNN和RNN
使用梯度提升隨機森林算法進行預測
學習TensorFlow產品化 |
目錄：譯者序
審校者簡介
前言
第1章 TensorFlow基礎 1
1.1 簡介 1
1.2 TensorFlow如何工作 1
1.2.1 開始 1
1.2.2 動手做 2
1.2.3 工作原理 3
1.2.4 參考 3
1.3 聲明變量和張量 4
1.3.1 開始 4
1.3.2 動手做 4
1.3.3 工作原理 6
1.3.4 延伸學習 6
1.4 使用占位符和變量 6
1.4.1 開始 6
1.4.2 動手做 6
1.4.3 工作原理 7
1.4.4 延伸學習 7
1.5 操作（計算）矩陣 8
1.5.1 開始 8
1.5.2 動手做 8
1.5.3 工作原理 10
1.6 聲明操作 10
1.6.1 開始 10
1.6.2 動手做 10
1.6.3 工作原理 12
1.6.4 延伸學習 12
1.7 實現激勵函數 12
1.7.1 開始 12
1.7.2 動手做 12
1.7.3 工作原理 14
1.7.4 延伸學習 14
1.8 讀取數據源 14
1.8.1 開始 15
1.8.2 動手做 15
1.8.3 工作原理 18
1.8.4 參考 18
1.9 其他資源 19
1.9.1 開始 19
1.9.2 動手做 19
第2章 TensorFlow進階 20
2.1 簡介 20
2.2 計算圖中的操作 20
2.2.1 開始 20
2.2.2 動手做 21
2.2.3 工作原理 21
2.3 TensorFlow的嵌入Layer 21
2.3.1 開始 21
2.3.2 動手做 22
2.3.3 工作原理 22
2.3.4 延伸學習 22
2.4 TensorFlow的多層Layer 23
2.4.1 開始 23
2.4.2 動手做 23
2.4.3 工作原理 24
2.5 TensorFlow實現損失函數 24
2.5.1 開始 25
2.5.2 動手做 26
2.5.3 工作原理 28
2.5.4 延伸學習 28
2.6 TensorFlow實現反向傳播 29
2.6.1 開始 29
2.6.2 動手做 30
2.6.3 工作原理 33
2.6.4 延伸學習 33
2.6.5 參考 33
2.7 TensorFlow實現批量訓練和隨機訓練 34
2.7.1 開始 34
2.7.2 動手做 34
2.7.3 工作原理 35
2.7.4 延伸學習 36
2.8 TensorFlow實現創建分類器 36
2.8.1 開始 36
2.8.2 動手做 37
2.8.3 工作原理 38
2.8.4 延伸學習 39
2.8.5 參考 39
2.9 TensorFlow實現模型評估 39
2.9.1 開始 39
2.9.2 動手做 40
2.9.3 工作原理 43
第3章 基于TensorFlow的線性回歸 44
3.1 簡介 44
3.2 用TensorFlow求逆矩陣 44
3.2.1 開始 45
3.2.2 動手做 45
3.2.3 工作原理 46
3.3 用TensorFlow實現矩陣分解 46
3.3.1 開始 46
3.3.2 動手做 46
3.3.3 工作原理 47
3.4 用TensorFlow實現線性回歸算法 47
3.4.1 開始 48
3.4.2 動手做 48
3.4.3 工作原理 50
3.5 理解線性回歸中的損失函數 51
3.5.1 開始 51
3.5.2 動手做 51
3.5.3 工作原理 52
3.5.4 延伸學習 53
3.6 用TensorFlow實現戴明回歸算法 53
3.6.1 開始 54
3.6.2 動手做 54
3.6.3 工作原理 55
3.7 用TensorFlow實現lasso回歸和嶺回歸算法 56
3.7.1 開始 56
3.7.2 動手做 56
3.7.3 工作原理 58
3.7.4 延伸學習 58
3.8 用TensorFlow實現彈性網絡回歸算法 58
3.8.1 開始 58
3.8.2 動手做 58
3.8.3 工作原理 60
3.9 用TensorFlow實現邏輯回歸算法 60
3.9.1 開始 60
3.9.2 動手做 61
3.9.3 工作原理 63
第4章 基于TensorFlow的支持向量機 65
4.1 簡介 65
4.2 線性支持向量機的使用 67
4.2.1 開始 67
4.2.2 動手做 67
4.2.3 工作原理 70
4.3 弱化為線性回歸 71
4.3.1 開始 71
4.3.2 動手做 72
4.3.3 工作原理 74
4.4 TensorFlow上核函數的使用 75
4.4.1 開始 75
4.4.2 動手做 76
4.4.3 工作原理 80
4.4.4 延伸學習 80
4.5 用TensorFlow實現非線性支持向量機 80
4.5.1 開始 80
4.5.2 動手做 80
4.5.3 工作原理 83
4.6 用TensorFlow實現多類支持向量機 83
4.6.1 開始 83
4.6.2 動手做 84
4.6.3 工作原理 87
第5章 最近鄰域法 88
5.1 簡介 88
5.2 最近鄰域法的使用 89
5.2.1 開始 89
5.2.2 動手做 89
5.2.3 工作原理 92
5.2.4 延伸學習 92
5.3 如何度量文本距離 92
5.3.1 開始 93
5.3.2 動手做 93
5.3.3 工作原理 95
5.3.4 延伸學習 95
5.4 用TensorFlow實現混合距離計算 95
5.4.1 開始 96
5.4.2 動手做 96
5.4.3 工作原理 98
5.4.4 延伸學習 98
5.5 用TensorFlow實現地址匹配 99
5.5.1 開始 99
5.5.2 動手做 99
5.5.3 工作原理 101
5.6 用TensorFlow實現圖像識別 102
5.6.1 開始 102
5.6.2 動手做 102
5.6.3 工作原理 104
5.6.4 延伸學習 105
第6章 神經網絡算法 106
6.1 簡介 106
6.2 用TensorFlow實現門函數 107
6.2.1 開始 107
6.2.2 動手做 108
6.2.3 工作原理 110
6.3 使用門函數和激勵函數 110
6.3.1 開始 111
6.3.2 動手做 111
6.3.3 工作原理 113
6.3.4 延伸學習 113
6.4 用TensorFlow實現單層神經網絡 114
6.4.1 開始 114
6.4.2 動手做 114
6.4.3 工作原理 116
6.4.4 延伸學習 117
6.5 用TensorFlow實現神經網絡常見層 117
6.5.1 開始 117
6.5.2 動手做 117
6.5.3 工作原理 122
6.6 用TensorFlow實現多層神經網絡 123
6.6.1 開始 123
6.6.2 動手做 123
6.6.3 工作原理 127
6.7 線性預測模型的優化 128
6.7.1 開始 128
6.7.2 動手做 128
6.7.3 工作原理 131
6.8 用TensorFlow基于神經網絡實現井字棋 132
6.8.1 開始 133
6.8.2 動手做 134
6.8.3 工作原理 139
第7章 自然語言處理 140
7.1 簡介 140
7.2 詞袋的使用 141
7.2.1 開始 141
7.2.2 動手做 142
7.2.3 工作原理 146
7.2.4 延伸學習 146
7.3 用TensorFlow實現TF-IDF算法 146
7.3.1 開始 146
7.3.2 動手做 147
7.3.3 工作原理 150
7.3.4 延伸學習 151
7.4 用TensorFlow實現skip-gram模型 151
7.4.1 開始 151
7.4.2 動手做 152
7.4.3 工作原理 158
7.4.4 延伸學習 158
7.5 用TensorFlow實現CBOW詞嵌入模型 158
7.5.1 開始 158
7.5.2 動手做 159
7.5.3 工作原理 163
7.5.4 延伸學習 163
7.6 使用TensorFlow的Word2Vec預測 163
7.6.1 開始 163
7.6.2 動手做 163
7.6.3 工作原理 168
7.6.4 延伸學習 168
7.7 用TensorFlow實現基于Doc2Vec的情感分析 168
7.7.1 開始 168
7.7.2 動手做 169
7.7.3 工作原理 175
第8章 卷積神經網絡 176
8.1 簡介 176
8.2 用TensorFlow實現簡單的CNN 177
8.2.1 開始 177
8.2.2 動手做 177
8.2.3 工作原理 182
8.2.4 延伸學習 182
8.2.5 參考 183
8.3 用TensorFlow實現進階的CNN 183
8.3.1 開始 183
8.3.2 動手做 183
8.3.3 工作原理 189
8.3.4 參考 190
8.4 再訓練已有的CNN模型 190
8.4.1 開始 190
8.4.2 動手做 191
8.4.3 工作原理 193
8.4.4 參考 193
8.5 用TensorFlow實現圖像風格遷移 193
8.5.1 開始 194
8.5.2 動手做 194
8.5.3 工作原理 199
8.5.4 參考 199
8.6 用TensorFlow實現DeepDream 199
8.6.1 開始 199
8.6.2 動手做 199
8.6.3 延伸學習 204
8.6.4 參考 204
第9章 循環神經網絡 205
9.1 簡介 205
9.2 用TensorFlow實現RNN模型進行垃圾郵件預測 206
9.2.1 開始 206
9.2.2 動手做 206
9.2.3 工作原理 211
9.2.4 延伸學習 211
9.3 用TensorFlow實現LSTM模型 211
9.3.1 開始 211
9.3.2 動手做 212
9.3.3 工作原理 218
9.3.4 延伸學習 218
9.4 TensorFlow堆疊多層LSTM 219
9.4.1 開始 219
9.4.2 動手做 219
9.4.3 工作原理 221
9.5 用TensorFlow實現Seq2Seq翻譯模型 221
9.5.1 開始 221
9.5.2 動手做 222
9.5.3 工作原理 232
9.5.4 延伸學習 232
9.6 TensorFlow訓練孿生RNN度量相似度 232
9.6.1 開始 232
9.6.2 動手做 233
9.6.3 延伸學習 238
第10章 TensorFlow產品化 239
10.1 簡介 239
10.2 TensorFlow的單元測試 239
10.2.1 開始 239
10.2.2 工作原理 244
10.3 TensorFlow的多設備使用 244
10.3.1 開始 244
10.3.2 動手做 245
10.3.3 工作原理 246
10.3.4 延伸學習 246
10.4 分布式TensorFlow實踐 246
10.4.1 開始 247
10.4.2 動手做 247
10.4.3 工作原理 248
10.5 TensorFlow產品化開發提示 248
10.5.1 開始 248
10.5.2 動手做 248
10.5.3 工作原理 250
10.6 TensorFlow產品化的實例 250
10.6.1 開始 250
10.6.2 動手做 250
10.6.3 工作原理 253
10.7 TensorFlow服務部署 253
10.7.1 開始 253
10.7.2 動手做 253
10.7.3 工作原理 256
10.7.4 延伸學習 257
第11章 TensorFlow的進階應用 258
11.1 簡介 258
11.2 TensorFlow可視化：Tensorboard 258
11.2.1 開始 258
11.2.2 動手做 259
11.2.3 延伸學習 261
11.3 用TensorFlow實現遺傳算法 263
11.3.1 開始 263
11.3.2 動手做 264
11.3.3 工作原理 266
11.3.4 延伸學習 266
11.4 用TensorFlow實現k-means聚類算法 267
11.4.1 開始 267
11.4.2 動手做 267
11.4.3 延伸學習 270
11.5 用TensorFlow求解常微分方程組 270
11.5.1 開始 271
11.5.2 動手做 271
11.5.3 工作原理 272
11.5.4 參考 272
11.6 用TensorFlow實現隨機森林算法 273
11.6.1 開始 273
11.6.2 動手做 273
11.6.3 工作原理 276
11.6.4 參考 276
11.7 將Keras作為TensorFlow API使用 277
11.7.1 開始 277
11.7.2 動手做 277
11.7.3 工作原理 280
11.7.4 參考 281 |
| 序： |
