●原書序
原書前言
第一部分 機器學習套裝
第1章 機器學習旅程 2
1.1 機器學習基礎 3
1.1.1 參數 5
1.1.2 學習和推理 6
1.2 數據表示和特征 7
1.3 距離度量 11
1.4 學習類型 12
1.4.1 監督學習 12
1.4.2 無監督學習 14
1.4.3 強化學習 14
1.5 TensorFlow 15
1.6 餘下的章節 17
1.7 小結 18
第2章 TensorFlow基礎 19
2.1 保證TensorFlow運行 21
2.2 張量表示 21
2.3 創建運算 25
2.4 使用session執行運算 27
2.4.1 將代碼理解為圖 28
2.4.2 設置session的配置項 28
2.5 使用Jupyter寫代碼 30
2.6 使用變量 32
2.7 保存和加載變量 34
2.8 使用TensorBoard可視化數據 35
2.8.1 實現一個移動平均算法 36
2.8.2 可視化移動平均算法 37
2.9 小結 39
第二部分 核心學習算法
第3章 線性回歸及其他 42
3.1 形式化定義 43
3.1.1 如何知道回歸算法在起作用 45
3.2 線性回歸 46
3.3 多項式模型 50
3.4 正則化 52
3.5 線性回歸的應用 55
3.6 小結 56
第4章 簡明的分類介紹 58
4.1 形式化定義 59
4.2 衡量分類性能 61
4.2.1 精度 61
4.2.2 準確率和召回率 62
4.2.3 受試者工作特征曲線 63
4.3 用線性回歸實現分類 64
4.4 邏輯斯諦回歸 68
4.4.1 求解一維邏輯斯諦回歸 69
4.4.2 求解二維邏輯斯諦回歸 71
4.5 多類別分類器 74
4.5.1 一對多 75
4.5.2 一對一 75
4.5.3 softmax回歸 75
4.6 分類的應用 79
4.7 小結 79
第5章 自動聚類數據 81
5.1 在TensorFlow中遍歷文件 82
5.2 從音頻文件中抽取特征 84
5.3 k-均值聚類 87
5.4 音頻分割 90
5.5 用自組織映射實現聚類 93
5.6 聚類的應用 97
5.7 小結 97
第6章 隱馬爾可夫模型 98
6.1 一個不那麼可解釋模型的例子 99
6.2 馬爾可夫模型 100
6.3 隱馬爾可夫模型 102
6.4 前向算法 103
6.5 Viterbi解碼 106
6.6 隱馬爾可夫模型的使用 107
6.6.1 視頻建模 107
6.6.2 DNA建模 107
6.6.3 圖像建模 107
6.7 隱馬爾可夫模型的應用 108
6.8 小結 108
第三部分 神經網絡樣式
第7章 自編碼器 110
7.1 神經網絡 111
7.2 自編碼器 114
7.3 批量訓練 118
7.4 圖像處理 119
7.5 自編碼器的應用 122
7.6 小結 123
第8章 強化學習 124
8.1 形式化定義 125
8.1.1 策略 126
8.1.2 效用函數 127
8.2 強化學習的應用 128
8.3 強化學習的實現 129
8.4 探索強化學習的其他應用 136
8.5 小結 137
第9章 卷積神經網絡 138
9.1 神經網絡的缺點 139
9.2 卷積神經網絡 140
9.3 準備圖像 141
9.3.1 生成過濾器 144
9.3.2 使用過濾器進行卷積 145
9.3.3 優選池化 148
9.4 使用TensorFlow實現卷積神經網絡 149
9.4.1 測量性能 151
9.4.2 訓練分類器 152
9.5 提高性能的竅門和技巧 153
9.6 卷積神經網絡的應用 154
9.7 小結 154
第10章 循環神經網絡 155
10.1 語境信息 156
10.2 循環神經網絡介紹 156
10.3 循環神經網絡的實現 157
10.4 時間序列數據的預測模型 160
10.5 循環神經網絡的應用 163
10.6 小結 163
第11章 聊天機器人的序列到序列模型 164
11.1 分類與循環神經網絡 165
11.2 序列到序列模型架構 167
11.3 符號的向量表示 171
11.4 把所有都放到一起 173
11.5 收集對話數據 179
11.6 小結 181
第12章 效用場景 182
12.1 偏好模型 184
12.2 圖像嵌入 189
12.3 圖像排序 192
12.4 小結 196
12.5 下一步 196
附錄 安裝 197
