TensorFlow機器學習實戰(zhàn)指南

定　價：￥69.00

作　者：	[美] 尼克·麥克盧爾（Nick McClure）著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111579489	出版時間：	2017-10-01	包裝：	平裝
開本：	16	頁數(shù)：	272	字數(shù)：

內(nèi)容簡介

　　本書由資深數(shù)據(jù)科學家撰寫，從實戰(zhàn)角度系統(tǒng)講解TensorFlow基本概念及各種應用實踐。真實的應用場景和數(shù)據(jù)，豐富的代碼實例，詳盡的操作步驟，帶你由淺入深系統(tǒng)掌握TensorFlow機器學習算法及其實現(xiàn)。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(chuàng)建一個簡單的分類器；第3章重點介紹如何使用TensorFlow實現(xiàn)各種線性回歸算法；第4章介紹支持向量機（SVM）算法；第5章介紹如何使用數(shù)值度量、文本度量和歸一化距離函數(shù)實現(xiàn)最近鄰域算法；第6章講述如何使用TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡算法；第7章闡述TensorFlow實現(xiàn)的各種文本處理算法。第8章擴展神經(jīng)網(wǎng)絡算法；第9，解釋在TensorFlow中如何實現(xiàn)遞歸神經(jīng)網(wǎng)絡（RNN）算法；第10章介紹TensorFlow產(chǎn)品級用例和tips；第11章展示TensorFlow如何實現(xiàn)k-means算法、遺傳算法和解決常微分方程（ODE）等。

作者簡介

　　Nick McClure 資深數(shù)據(jù)科學家，目前就職于美國西雅圖PayScale公司。曾經(jīng)在凱撒娛樂集團工作。他在蒙大拿大學和圣本尼迪克與圣約翰大學學院的應用數(shù)學專業(yè)獲得學位。他熱衷于數(shù)據(jù)分析、機器學習和人工智能。Nick有時會把想法寫成博客（http：//fromdata.org/）或者推特（@nfmcclure）。

圖書目錄

目　　錄
譯者序
作者簡介
審校者簡介
前言
第1章 TensorFlow基礎 1
1.1 TensorFlow介紹 1
1.2 TensorFlow如何工作 1
1.3 聲明張量 3
1.4 使用占位符和變量 6
1.5 操作（計算）矩陣 7
1.6 聲明操作 10
1.7 實現(xiàn)激勵函數(shù) 12
1.8 讀取數(shù)據(jù)源 14
1.9 學習資料 19
第2章 TensorFlow進階 20
2.1 本章概要 20
2.2 計算圖中的操作 20
2.3 TensorFlow的嵌入Layer 21
2.4 TensorFlow的多層Layer 23
2.5 TensorFlow實現(xiàn)損失函數(shù) 26
2.6 TensorFlow實現(xiàn)反向傳播 30
2.7 TensorFlow實現(xiàn)隨機訓練和批量訓練 34
2.8 TensorFlow實現(xiàn)創(chuàng)建分類器 37
2.9 TensorFlow實現(xiàn)模型評估 40
第3章基于TensorFlow的線性回歸 45
3.1 線性回歸介紹 45
3.2 用TensorFlow求逆矩陣 45
3.3 用TensorFlow實現(xiàn)矩陣分解 47
3.4 用TensorFlow實現(xiàn)線性回歸算法 49
3.5 理解線性回歸中的損失函數(shù) 52
3.6 用TensorFlow實現(xiàn)戴明回歸算法 55
3.7 用TensorFlow實現(xiàn)lasso回歸和嶺回歸算法 58
3.8 用TensorFlow實現(xiàn)彈性網(wǎng)絡回歸算法 60
3.9 用TensorFlow實現(xiàn)邏輯回歸算法 62
第4章基于TensorFlow的支持向量機 66
4.1 支持向量機簡介 66
4.2 線性支持向量機的使用 67
4.3 弱化為線性回歸 72
4.4 TensorFlow上核函數(shù)的使用 77
4.5 用TensorFlow實現(xiàn)非線性支持向量機 82
4.6 用TensorFlow實現(xiàn)多類支持向量機 85
第5章最近鄰域法 90
5.1 最近鄰域法介紹 90
5.2 最近鄰域法的使用 91
5.3 如何度量文本距離 95
5.4 用TensorFlow實現(xiàn)混合距離計算 98
5.5 用TensorFlow實現(xiàn)地址匹配 101
5.6 用TensorFlow實現(xiàn)圖像識別 105
第6章神經(jīng)網(wǎng)絡算法 109
6.1 神經(jīng)網(wǎng)絡算法基礎 109
6.2 用TensorFlow實現(xiàn)門函數(shù) 110
6.3 使用門函數(shù)和激勵函數(shù) 113
6.4 用TensorFlow實現(xiàn)單層神經(jīng)網(wǎng)絡 117
6.5 用TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡常見層 120
6.6 用TensorFlow實現(xiàn)多層神經(jīng)網(wǎng)絡 126
6.7 線性預測模型的優(yōu)化 131
6.8 用TensorFlow基于神經(jīng)網(wǎng)絡實現(xiàn)井字棋 136
第7章自然語言處理 143
7.1 文本處理介紹 143
7.2 詞袋的使用 144
7.3 用TensorFlow實現(xiàn)TF-IDF算法 149
7.4 用TensorFlow實現(xiàn)skip-gram模型 155
7.5 用TensorFlow實現(xiàn)CBOW詞嵌入模型 162
7.6 使用TensorFlow的Word2Vec預測 167
7.7 用TensorFlow實現(xiàn)基于Doc2Vec的情感分析 172
第8章卷積神經(jīng)網(wǎng)絡 181
8.1 卷積神經(jīng)網(wǎng)絡介紹 181
8.2 用TensorFlow實現(xiàn)簡單的CNN 182
8.3 用TensorFlow實現(xiàn)進階的CNN 188
8.4 再訓練已有的CNN模型 196
8.5 用TensorFlow實現(xiàn)模仿大師繪畫 199
8.6 用TensorFlow實現(xiàn)DeepDream 205
第9章遞歸神經(jīng)網(wǎng)絡 211
9.1 遞歸神經(jīng)網(wǎng)絡介紹 211
9.2 用TensorFlow實現(xiàn)RNN模型進行垃圾短信預測 212
9.3 用TensorFlow實現(xiàn)LSTM模型 218
9.4 Stacking多個LSTM Layer 226
9.5 用TensorFlow實現(xiàn)Seq2Seq翻譯模型 229
9.6 TensorFlow實現(xiàn)孿生RNN預測相似度 235
第10章 TensorFlow產(chǎn)品化 243
10.1 簡介 243
10.2 TensorFlow的單元測試 243
10.3 TensorFlow的并發(fā)執(zhí)行 247
10.4 分布式TensorFlow實踐 250
10.5 TensorFlow產(chǎn)品化開發(fā)提示 252
10.6 TensorFlow產(chǎn)品化的實例 254
第11章 TensorFlow的進階應用 257
11.1 簡介 257
11.2 TensorFlow可視化：Tensorboard 257
11.3 Tensorboard的進階 260
11.4 用TensorFlow實現(xiàn)遺傳算法 262
11.5 TensorFlow實現(xiàn)k-means算法 266
11.6 用TensorFlow求解常微分方程問題 270