TensorFlow机器学习(原书第2版)电子书

版权页

作者简介

译者序

前言

关于本书

致谢

第一部分 机器学习基础

第1章 开启机器学习之旅

1.1 机器学习的基本原理

1.1.1 参数

1.1.2 学习和推理

1.2 数据表示和特征

1.3 度量距离

1.4 机器学习的类型

1.4.1 监督学习

1.4.2 无监督学习

1.4.3 强化学习

1.4.4 元学习

1.5 TensorFlow

1.6 后续各章概述

小结

第2章 TensorFlow必备知识

2.1 确保TensorFlow工作正常

2.2 表示张量

2.3 创建运算

2.4 在会话中执行运算

2.5 将代码理解为图

2.6 在Jupyter中编写代码

2.7 使用变量

2.8 保存和加载变量

2.9 使用TensorBoard可视化数据

2.9.1 实现移动平均

2.9.2 可视化移动平均

2.10 把所有综合到一起：TensorFlow系统架构和API

小结

第二部分 核心学习算法

第3章 线性回归及其他

3.1 形式化表示

3.2 线性回归

3.3 多项式模型

3.4 正则化

3.5 线性回归的应用

小结

第4章 使用回归进行呼叫量预测

4.1 什么是311

4.2 为回归清洗数据

4.3 什么是钟形曲线？预测高斯分布

4.4 训练呼叫回归预测器

4.5 可视化结果并绘制误差

4.6 正则化和训练测试集拆分

小结

第5章 分类问题基础介绍

5.1 形式化表示

5.2 衡量性能

5.2.1 准确率

5.2.2 精度和召回率

5.2.3 受试者操作特征曲线

5.3 使用线性回归进行分类

5.4 使用逻辑回归

5.4.1 解决1维逻辑回归

5.4.2 解决2维逻辑回归

5.5 多分类器

5.5.1 一对所有

5.5.2 一对一

5.5.3 softmax回归

5.6 分类的应用

小结

第6章 情感分类：大型影评数据集

6.1 使用词袋模型

6.1.1 在影评中应用词袋模型

6.1.2 清洗所有的电影评论

6.1.3 在词袋模型上进行探索性数据分析

6.2 使用逻辑回归构建情感分类器

6.2.1 模型训练的创建

6.2.2 训练创建的模型

6.3 使用情感分类器进行预测

6.4 测量分类器的有效性

6.5 创建softmax回归情感分类器

6.6 向Kaggle提交结果

小结

第7章 自动聚类数据

7.1 使用TensorFlow遍历文件

7.2 音频特征提取

7.3 使用k-means聚类

7.4 分割音频

7.5 使用自组织映射进行聚类

7.6 应用聚类

小结

第8章 从Android的加速度计数据推断用户活动

8.1 Walking数据集中的用户活动数据

8.1.1 创建数据集

8.1.2 计算急动度并提取特征向量

8.2 基于急动度大小聚类相似参与者

8.3 单个参与者的不同类别活动

小结

第9章 隐马尔可夫模型

9.1 一个不可解释模型的例子

9.2 马尔可夫模型

9.3 隐马尔可夫模型简介

9.4 前向算法

9.5 维特比解码

9.6 使用HMM

9.6.1 对视频建模

9.6.2 对DNA建模

9.6.3 对图像建模

9.7 HMM的应用

小结

第10章 词性标注和词义消歧

10.1 HMM示例回顾：雨天或晴天

10.2 词性标注

10.2.1 重点：使用HMM训练和预测词性

10.2.2 生成带歧义的词性标注数据集

10.3 构建基于HMM的词性消歧算法

10.4 运行HMM并评估其输出

10.5 从布朗语料库获得更多的训练数据

10.6 为词性标注定义评估指标

小结

第三部分 神经网络范式

第11章 自编码器

11.1 神经网络简介

11.2 自编码器简介

11.3 批量训练

11.4 处理图像

11.5 自编码器的应用

小结

第12章 应用自编码器：CIFAR-10图像数据集

12.1 什么是CIFAR-10

12.2 自编码器作为分类器

12.3 去噪自编码器

12.4 堆栈自编码器

小结

第13章 强化学习

13.1 相关概念

13.1.1 策略

13.1.2 效用

13.2 应用强化学习

13.3 实现强化学习

13.4 探索强化学习的其他应用

小结

第14章 卷积神经网络

14.1 神经网络的缺点

14.2 卷积神经网络简介

14.3 准备图像

14.3.1 生成过滤器

14.3.2 使用过滤器进行卷积

14.3.3 最大池化

14.4 在TensorFlow中实现CNN

14.4.1 测量性能

14.4.2 训练分类器

14.5 提高性能的提示和技巧

14.6 CNN的应用

小结

第15章 构建现实世界中的CNN：VGG-Face和VGG-Face Lite

15.1 为CIFAR-10构建一个现实世界的CNN架构

15.1.1 加载和准备CIFAR-10图像数据

15.1.2 执行数据增强

15.2 为CIFAR-10构建深层CNN架构

15.3 训练和应用一个更好的CIFAR-10 CNN

15.4 在CIFAR-10测试和评估CNN

15.4.1 CIFAR-10准确率结果和ROC曲线

15.4.2 评估softmax对每个类的预测

15.5 构建用于人脸识别的VGG-Face

15.5.1 选择一个VGG-Face的子集来训练VGG-Face Lite

15.5.2 TensorFlow的Dataset API和数据增强

15.5.3 创建TensorFlow数据集

15.5.4 使用TensorFlow数据集训练

15.5.5 VGG-Face Lite模型和训练

15.5.6 训练和评估VGG-Face Lite

15.5.7 使用VGG-Face Lite进行评估和预测

小结

第16章 循环神经网络

16.1 RNN介绍

16.2 实现循环神经网络

16.3 使用时间序列数据的预测模型

16.4 应用RNN

小结

第17章 LSTM和自动语音识别

17.1 准备LibriSpeech语料库

17.1.1 下载、清洗和准备LibriSpeech OpenSLR数据

17.1.2 转换音频

17.1.3 生成每个音频的转录

17.1.4 聚合音频和转录

17.2 使用深度语音模型

17.2.1 为深度语音模型准备输入音频数据

17.2.2 准备文本转录为字符级数值数据

17.2.3 TensorFlow中的深度语音模型

17.2.4 TensorFlow中的连接主义时间分类

17.3 训练和评估深度语音模型

小结

第18章 用于聊天机器人的seq2seq模型

18.1 基于分类和RNN

18.2 理解seq2seq架构

18.3 符号的向量表示

18.4 把它们综合到一起

18.5 收集对话数据

小结

第19章 效用

19.1 偏好模型

19.2 图像嵌入

19.3 图像排序

小结

接下来

附录 安装说明