机器学习实战:模型构建与应用电子书

关于作者

关于封面

O'Reilly Media, Inc.介绍

本书赞誉

译者序

序言

前言

第一部分 构建模型

第1章 TensorFlow简介

1.1 什么是机器学习

1.2 传统编程的局限性

1.3 从编程到学习

1.4 什么是TensorFlow

1.5 使用TensorFlow

1.6 初学机器学习

1.7 总结

第2章 计算机视觉简介

2.1 识别服装

2.2 视觉神经元

2.3 设计神经网络

2.4 训练神经网络

2.5 探索模型输出

2.6 训练更长时间，发现过拟合

2.7 停止训练

2.8 总结

第3章 图像特征检测

3.1 卷积

3.2 池化

3.3 实现卷积神经网络

3.4 探索卷积网络

3.5 创建一个CNN来区分马和人

3.6 图像增强

3.7 迁移学习

3.8 多类别分类

3.9 dropout正则化

3.10 总结

第4章 TensorFlow Datasets

4.1 TFDS入门

4.2 在Keras模型中使用TFDS

4.3 使用映射函数进行增强

4.4 使用自定义分割

4.5 理解TFRecord

4.6 TensorFlow中管理数据的ETL过程

4.7 总结

第5章 自然语言处理简介

5.1 将语言编码为数字

5.2 移除停用词和清理文本

5.3 使用真实数据源

5.4 总结

第6章 使用嵌入来编程情感

6.1 从词建立意义

6.2 TensorFlow中的嵌入

6.3 可视化嵌入

6.4 使用来自TensorFlow Hub的预训练嵌入

6.5 总结

第7章 自然语言处理的循环神经网络

7.1 循环的基础

7.2 为语言扩展循环

7.3 使用RNN创建文本分类器

7.4 在RNN中使用预训练的嵌入

7.5 总结

第8章 使用TensorFlow创建文本

8.1 将序列转换为输入序列

8.2 创建模型

8.3 生成文本

8.4 扩展数据集

8.5 改变模型架构

8.6 改进数据

8.7 基于字符的编码

8.8 总结

第9章 理解序列和时间序列数据

9.1 时间序列的常见属性

9.2 预测时间序列的技术

9.3 总结

第10章 创建ML模型来预测序列

10.1 创建窗口数据集

10.2 创建并训练DNN来拟合序列数据

10.3 评估DNN的结果

10.4 探索整体的预测

10.5 调整学习率

10.6 使用Keras Tuner探索超参数调优

10.7 总结

第11章 序列模型中的卷积和循环

11.1 序列数据的卷积

11.2 使用NASA天气数据

11.3 使用RNN进行序列建模

11.4 使用其他循环方法

11.5 使用dropout

11.6 使用双向RNN

11.7 总结

第二部分 使用模型

第12章 TensorFlow Lite简介

12.1 什么是TensorFlow Lite

12.2 演练：创建模型并将其转换为TensorFlow Lite

12.3 演练：迁移学习图像分类器并转换到TensorFlow Lite

12.4 总结

第13章 在Android应用程序中使用TensorFlow Lite

13.1 什么是Android Studio

13.2 创建你的第一个TensorFlow Lite Android应用程序

13.3 超越“Hello World”—处理图像

13.4 TensorFlow Lite示例应用程序

13.5 总结

第14章 在iOS应用程序中使用TensorFlow Lite

14.1 使用Xcode创建你的第一个TensorFlow Lite应用程序

14.2 超越“Hello World”—处理图像

14.3 TensorFlow Lite示例应用程序

14.4 总结

第15章 TensorFlow.js简介

15.1 什么是TensorFlow.js

15.2 安装和使用Brackets IDE

15.3 构建第一个TensorFlow.js模型

15.4 创建Iris分类器

15.5 总结

第16章 TensorFlow.js中的计算机视觉编程技术

16.1 TensorFlow开发人员的JavaScript注意事项

16.2 使用JavaScript构建CNN

16.3 使用回调进行可视化

16.4 使用MNIST数据集进行训练

16.5 在TensorFlow.js中对图像运行推理

16.6 总结

第17章 重用和转换Python模型为JavaScript

17.1 将基于Python的模型转换为JavaScript

17.2 使用预转换的JavaScript模型

17.3 总结

第18章 JavaScript中的迁移学习

18.1 从MobileNet进行迁移学习

18.2 来自TensorFlow Hub的迁移学习

18.3 使用来自TensorFlow.org的模型

18.4 总结

第19章 使用TensorFlow Serving进行部署

19.1 什么是TensorFlow Serving

19.2 安装TensorFlow Serving

19.3 构建和服务模型

19.4 总结

第20章 AI的伦理、公平和隐私

20.1 编程中的公平

20.2 机器学习中的公平

20.3 实现公平的工具

20.4 联邦学习

20.5 谷歌的AI原则

20.6 总结