TensorFlow智能算法與應用

定　價：￥59.00

作　者：	胡鶴
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥59.00)

ISBN：	9787121368998	出版時間：	2019-07-01	包裝：
開本：	16開	頁數：	240	字數：

內容簡介

　　TensorFlow是目前*受關注的機器學習框架，其模塊化設計非常適合大數據環(huán)境下智能算法的開發(fā)與應用。本書介紹了使用TensorFlow進行智能算法的實踐，包括經典的機器學習算法和深度學習算法實現(xiàn)。本書力求做到理論與實踐平衡統(tǒng)一，在相關理論上深入淺出，輔以多種TensorFlow實現(xiàn)技術對理論進行具體實踐，有助于讀者快速理解與掌握智能算法的精髓和TensorFlow技術的要點。本書共4篇。入門篇介紹學習環(huán)境搭建和TensorFlow框架的基本使用；基礎篇介紹傳統(tǒng)智能算法及其TensorFlow的實現(xiàn)；進階篇介紹深度神經網絡方法和CNN、RNN、LSTM、GRU等基礎的深度學習算法；應用篇介紹GAN學習算法和TensorFlowHub遷移學習。

作者簡介

　　中國人民大學信息學院副教授，在人工智能領域發(fā)表論文30多篇，主持了兩項國家自然科學基金項目，擁有多項軟件著作權。自2004年起負責主講《人工智能》課程，在10多年的實際教學中，作者對深度學習方法相對傳統(tǒng)人工智能方法的顛覆性發(fā)展有深刻的切身體會，也在教學中感受到學生學習深度學習算法和Tensorflow框架的極大熱情。作者曾將人工智能小車引入課堂教學和課程項目，建立實踐性強的人工智能實驗平臺，對多種智能算法進行實踐和驗證。通過建立有趣的智能應用項目，激發(fā)學生對Tensorflow智能算法的學習熱情和實踐動力。

圖書目錄

目錄
入　門　篇
第1章　學習環(huán)境搭建\t3
1．1　Docker工具箱\t3
1．2 運行Docker鏡像\t6
1．3 Jupyter筆記本\t10
1．3．1 Jupyter界面\t10
1．3．2 Jupyter單元格\t12
1．3．3 Jupyter模式\t14
1．3．4 Jupyter常用指令\t14
1．4 NumPy庫\t15
1．4．1 ndarray數據基礎\t16
1．4．2 ndarray廣播運算\t20
1．4．3 ndarray函數運算\t22
1．4．4 ndarray索引切分\t24
1．5 Pandas\t25
1．5．1 Pandas基礎對象\t26
1．5．2 Pandas選擇數據\t29
1．5．3 Pandas 處理實例\t31
1．6 Scikit-Learn\t34
1．6．1 sklearn．datasets\t34
1．6．2 Pandas處理\t35
1．6．3 sklearn回歸\t36
第2章　TensorFlow入門\t38
2．1 Hello TensorFlow\t39
2．2 TensorFlow數據結構\t39
2．3 TensorFlow計算-數據流圖\t40
2．3．1 常量節(jié)點（Constant）\t42
2．3．2 占位符節(jié)點（Placeholder）\t42
2．3．3 變量節(jié)點（Variable）\t43
2．3．4 操作節(jié)點（Operation）\t45
2．4 TensorFlow會話與基本操作\t45
2．5 TensorFlow可視化\t47
第3章　TensorFlow進階\t49
3．1 TensorFlow數據處理\t50
3．1．1 索引計算\t50
3．1．2 矩陣計算\t51
3．1．3 形狀計算\t53
3．1．4 規(guī)約計算\t54
3．1．5 分割計算\t55
3．1．6 張量的形狀\t57
3．1．7 張量的運算\t58
3．1．8 骰子游戲\t61
3．2 TensorFlow共享變量\t62
3．2．1 name_scope名字域\t62
3．2．2 variablescope 變量域\t63
3．3 TensorFlow模型配置\t64
基　礎　篇
第4章　線性回歸算法\t69
4．1 BOSTON 數據集\t70
4．2 TensorFlow模型\t72
4．2．1 準備數據\t72
4．2．2 定義模型\t72
4．2．3 訓練模型\t73
4．2．4 評估模型\t73
4．2．5 可視化模型\t73
4．3 Estimator模型\t75
4．3．1 Dataset API\t75
4．3．2 估算器介紹\t76
4．3．3 準備數據\t77
4．3．4 定義模型\t78
4．3．5 訓練模型\t78
4．3．6 評估模型\t78
4．3．7 可視化模型\t79
4．4 Keras模型\t81
4．4．1 定義模型\t81
4．4．2 訓練模型\t81
4．4．3 評估模型\t82
4．4．4 可視化模型\t82
第5章　邏輯回歸算法\t84
5．1 線性回歸到邏輯回歸\t84
5．2 最小二乘到交叉熵\t86
5．3 MNIST數據集\t88
5．4 TensorFlow模型\t88
5．4．1 準備數據\t89
5．4．2 定義模型\t89
5．4．3 訓練模型\t90
5．4．4 評估模型\t91
5．4．5 可視化模型\t91
5．5 Estimator模型\t92
5．5．1 準備數據\t92
5．5．2 定義模型\t93
5．5．3 訓練模型\t93
5．5．4 評估模型\t93
5．5．5 可視化模型\t94
5．6 Keras模型\t95
5．6．1 準備數據\t95
5．6．2 定義模型\t96
5．6．3 訓練模型\t96
5．6．4 評估模型\t96
5．6．5 可視化模型\t97
第6章　算法的正則化\t99
6．1 過擬合\t99
6．2 正則化\t99
6．3 編程實戰(zhàn)\t103
進　階　篇
第7章　神經網絡與深度學習算法\t113
7．1 神經網絡\t113
7．1．1 激活函數\t114
7．1．2 編程實戰(zhàn)\t119
7．2 神經網絡訓練\t123
7．2．1 訓練困難分析\t124
7．2．2 編程實戰(zhàn)\t124
7．3 多類別神經網絡\t133
7．3．1 邏輯回歸與深度網絡\t133
7．3．2 權重可視化\t135
7．4 神經網絡嵌入\t136
7．4．1 一維數軸排列\(zhòng)t137
7．4．2 二維數軸排列\(zhòng)t137
7．4．3 傳統(tǒng)類別表示\t138
7．4．4 嵌入表示\t140
第8章卷積神經網絡（CNN）\t141
8．1 卷積神經網絡簡介\t141
8．2 CNN與DNN\t142
8．3 卷積操作\t142
8．4 卷積實戰(zhàn)\t145
8．5 池化操作\t149
8．6 池化實戰(zhàn)\t149
8．7 Relu非線性激活\t150
8．8 TensorFlow卷積神經網絡實戰(zhàn)\t151
8．9 Estimalor卷積神經網絡實戰(zhàn)\t155
8．10 Keras卷積神經網絡實戰(zhàn)\t159
第9章循環(huán)神經網絡（RNN）\t162
9．1 循環(huán)神經網絡簡介\t162
9．2 DNN、CNN與RNN\t162
9．3 手工循環(huán)神經網絡\t164
9．4 static_rnn循環(huán)神經網絡\t165
9．5 dynamic_rnn循環(huán)神經網絡\t167
9．6 TensorFlow循環(huán)神經網絡實戰(zhàn)\t169
9．7 Estimator循環(huán)神經網絡實戰(zhàn)\t173
9．8 Keras循環(huán)神經網絡實戰(zhàn)\t176
9．9 LSTM模型\t178
9．10 GRU模型\t180
第10章自動編碼器（AutoEncoder）\t182
10．1 自動編碼器簡介\t182
10．2 自動編碼器與PCA\t183
10．3 稀疏自動編碼器\t185
10．4 棧式自動編碼器（SAE）\t187
10．4．1 關聯(lián)權重\t190
10．4．2 分階段訓練\t192
10．4．3 無監(jiān)督預訓練\t194
10．5 降噪自動編碼器（DAE）\t198
10．6 變分自動編碼器（VAE）\t200
10．6．1 變分自動編碼器原理\t200
10．6．2 變分自動編碼器生成數字\t203
應　用　篇
第11章生成式對抗網絡\t207
11．1 生成式對抗網絡簡介\t207
11．2 GAN工作原理\t207
11．3 GAN改進模型\t209
11．4 GAN模型實戰(zhàn)\t212
11．5 GAN訓練技巧\t221
11．6 GAN未來展望\t222
第12章　使用TensorFlow Hub進行遷移學習\t223
12．1 圖像遷移學習\t223
12．2 文本遷移學習\t224
12．3 完整的文本分類器\t225
12．4 遷移學習分析\t228