了得網計算機/網絡_TensorFlow機器學習實戰指南

內容簡介

TensorFlow是一個開源機器學習庫。本書從TensorFlow的基礎開始介紹，涉及變量、矩陣和各種數據源。之後，針對使用TensorFlow線性回歸技術的實踐經驗進行詳細講解。後續章節將在前文的基礎上講述神經網絡、CNN、RNN和NLP等重要概念。

作者簡介

Nick McClure目前是位於華盛頓州西雅圖的PayScale公司的高級數據科學家。在此之前，他曾就職於Zillow和Caesar公司。他在蒙大拿大學和聖本篤學院和聖約翰大學獲得應用數學學位。他熱愛學習，致力於機器學習和人工智能研究。

CONTENTS
目錄
譯者序
作者簡介
審校者簡介
前言
第1章TensorFlow基礎 1
1.1TensorFlow介紹 1
1.2TensorFlow如何工作 1
1.2.1開始 1
1.2.2動手做 2
1.2.3工作原理 3
1.2.4參考 3
1.3聲明張量 3CONTENTS
目錄
譯者序
作者簡介
審校者簡介
前言
第1章TensorFlow基礎 1
1.1TensorFlow介紹 1
1.2TensorFlow如何工作 1
1.2.1開始 1
1.2.2動手做 2
1.2.3工作原理 3
1.2.4參考 3
1.3聲明張量 3
1.3.1開始 4
1.3.2動手做 4
1.3.3工作原理 5
1.3.4延伸學習 5
1.4使用占位符和變量 6
1.4.1開始 6
1.4.2動手做 6
1.4.3工作原理 6
1.4.4延伸學習 7
1.5操作（計算）矩陣 7
1.5.1開始 7
1.5.2動手做 8
1.5.3工作原理 9
1.6聲明操作 10
1.6.1開始 10
1.6.2動手做 10
1.6.3工作原理 11
1.6.4延伸學習 12
1.7實現激勵函數 12
1.7.1開始 12
1.7.2動手做 12
1.7.3工作原理 13
1.7.4延伸學習 13
1.8讀取數據源 14
1.8.1開始 15
1.8.2動手做 15
1.8.3參考 18
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
2.2.1開始 20
2.2.2動手做 21
2.2.3工作原理 21
2.3TensorFlow的嵌入Layer 21
2.3.1開始 21
2.3.2動手做 22
2.3.3工作原理 22
2.3.4延伸學習 22
2.4TensorFlow的多層Layer 23
2.4.1開始 23
2.4.2動手做 24
2.4.3工作原理 25
2.5TensorFlow實現損失函數 26
2.5.1開始 26
2.5.2動手做 26
2.5.3工作原理 28
2.5.4延伸學習 29
2.6TensorFlow實現反向傳播 30
2.6.1開始 30
2.6.2動手做 31
2.6.3工作原理 33
2.6.4延伸學習 34
2.6.5參考 34
2.7TensorFlow實現隨機訓練和批量訓練 34
2.7.1開始 35
2.7.2動手做 35
2.7.3工作原理 36
2.7.4延伸學習 37
2.8TensorFlow實現創建分類器 37
2.8.1開始 37
2.8.2動手做 37
2.8.3工作原理 39
2.8.4延伸學習 40
2.8.5參考 40
2.9TensorFlow實現模型評估 40
2.9.1開始 40
2.9.2動手做 41
2.9.3工作原理 41
第3章基於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
3.2.1開始 45
3.2.2動手做 46
3.2.3工作原理 47
3.3用TensorFlow實現矩陣分解 47
3.3.1開始 47
3.3.2動手做 47
3.3.3工作原理 48
3.4用TensorFlow實現線性回歸算法 49
3.4.1開始 49
3.4.2動手做 49
3.4.3工作原理 52
3.5理解線性回歸中的損失函數 52
3.5.1開始 52
3.5.2動手做 52
3.5.3工作原理 53
3.5.4延伸學習 54
3.6用TensorFlow實現戴明回歸算法 55
3.6.1開始 55
3.6.2動手做 56
3.6.3工作原理 57
3.7用TensorFlow實現lasso回歸和嶺回歸算法 58
3.7.1開始 58
3.7.2動手做 58
3.7.3工作原理 59
3.7.4延伸學習 59
3.8用TensorFlow實現彈性網絡回歸算法 60
3.8.1開始 60
3.8.2動手做 60
3.8.3工作原理 61
3.9用TensorFlow實現邏輯回歸算法 62
3.9.1開始 62
3.9.2動手做 62
3.9.3工作原理 65
第4章基於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
4.2.1開始 67
4.2.2動手做 68
4.2.3工作原理 72
4.3弱化為線性回歸 72
4.3.1開始 73
4.3.2動手做 73
4.3.3工作原理 76
4.4TensorFlow上核函數的使用 77
4.4.1開始 77
4.4.2動手做 77
4.4.3工作原理 81
4.4.4延伸學習 82
4.5用TensorFlow實現非線性支持向量機 82
4.5.1開始 82
4.5.2動手做 82
4.5.3工作原理 84
4.6用TensorFlow實現多類支持向量機 85
4.6.1開始 85
4.6.2動手做 86
4.6.3工作原理 89
第5章近鄰域法 90
5.1近鄰域法介紹 90
5.2近鄰域法的使用 91
5.2.1開始 91
5.2.2動手做 91
5.2.3工作原理 94
5.2.4延伸學習 94
5.3如何度量文本距離 95
5.3.1開始 95
5.3.2動手做 95
5.3.3工作原理 98
5.3.4延伸學習 98
5.4用TensorFlow實現混合距離計算 98
5.4.1開始 98
5.4.2動手做 98
5.4.3工作原理 101
5.4.4延伸學習 101
5.5用TensorFlow實現地址匹配 101
5.5.1開始 101
5.5.2動手做 102
5.5.3工作原理 104
5.6用TensorFlow實現圖像識別 105
5.6.1開始 105
5.6.2動手做 105
5.6.3工作原理 108
5.6.4延伸學習 108
第6章神經網絡算法 109
6.1神經網絡算法基礎 109
6.2用TensorFlow實現門函數 110
6.2.1開始 110
6.2.2動手做 111
6.2.3工作原理 113
6.3使用門函數和激勵函數 113
6.3.1開始 114
6.3.2動手做 114
6.3.3工作原理 116
6.3.4延伸學習 117
6.4用TensorFlow實現單層神經網絡 117
6.4.1開始 117
6.4.2動手做 117
6.4.3工作原理 119
6.4.4延伸學習 119
6.5用TensorFlow實現神經網絡常見層 120
6.5.1開始 120
6.5.2動手做 121
6.5.3工作原理 126
6.6用TensorFlow實現多層神經網絡 126
6.6.1開始 126
6.6.2動手做 126
6.6.3工作原理 131
6.7線性預測模型的優化 131
6.7.1開始 131
6.7.2動手做 131
6.7.3工作原理 135
6.8用TensorFlow基於神經網絡實現井字棋 136
6.8.1開始 136
6.8.2動手做 137
6.8.3工作原理 142
第7章自然語言處理 143

前言

PREFACE前言2015年11月，Google公司開源TensorFlow，隨後不久TensorFlow成為GitHub上受歡迎的機器學習庫。TensorFlow創建計算圖、自動求導和定制化的方式使得其能夠很好地解決許多不同的機器學習問題。
本書介紹了許多機器學習算法，將其應用到真實場景和數據中，並解釋產生的結果。
本書的主要內容第1章介紹TensorFlow的基本概念，包括張量、變量和占位符；同時展示了在TensorFlow中如何使用矩陣和各種數學操作。本章末尾講述如何訪問本書所需的數據源。
第2章介紹如何在計算圖中連接第1章中的所有算法組件，創建一個簡單的分類器。接著，介紹計算圖、損失函數、反向傳播和訓練模型。
第3章重點討論使用TensorFlow實現各種線性回歸算法，比如，戴明回歸、lasso回歸、嶺回歸、彈性網絡回歸和邏輯回歸，也展示了如何在TensorFlow計算圖中實現每種回歸算法。
第4章介紹支持向量機（SVM）算法，展示如何在TensorFlow中實現線性SVM算法、非線性SVM算法和多分類SVM算法。PREFACE前言2015年11月，Google公司開源TensorFlow，隨後不久TensorFlow成為GitHub上受歡迎的機器學習庫。TensorFlow創建計算圖、自動求導和定制化的方式使得其能夠很好地解決許多不同的機器學習問題。
本書介紹了許多機器學習算法，將其應用到真實場景和數據中，並解釋產生的結果。
本書的主要內容第1章介紹TensorFlow的基本概念，包括張量、變量和占位符；同時展示了在TensorFlow中如何使用矩陣和各種數學操作。本章末尾講述如何訪問本書所需的數據源。
第2章介紹如何在計算圖中連接第1章中的所有算法組件，創建一個簡單的分類器。接著，介紹計算圖、損失函數、反向傳播和訓練模型。
第3章重點討論使用TensorFlow實現各種線性回歸算法，比如，戴明回歸、lasso回歸、嶺回歸、彈性網絡回歸和邏輯回歸，也展示了如何在TensorFlow計算圖中實現每種回歸算法。
第4章介紹支持向量機（SVM）算法，展示如何在TensorFlow中實現線性SVM算法、非線性SVM算法和多分類SVM算法。
第5章展示如何使用數值度量、文本度量和歸一化距離函數實現近鄰域法。我們使用近鄰域法進行地址間的記錄匹配和MNIST數據庫中手寫數字的分類。
第6章講述如何使用TensorFlow實現神經網絡算法，包括操作門和激勵函數的概念。隨後展示一個簡單的神經網絡並討論如何建立不同類型的神經網絡層。本章末尾通過神經網絡算法教TensorFlow玩井字棋遊戲。
第7章闡述借助TensorFlow實現的各種文本處理算法。我們展示如何實現文本的“詞袋”和TF-IDF算法。然後介紹CBOW和skip-gram模型的神經網絡文本表示方式，並對於Word2Vec和Doc2Vec用這些方法來做預測。
第8章擴展神經網絡算法，說明如何借助卷積神經網絡（CNN）算法在圖像上應用神經網絡算法。我們展示如何構建一個簡單的CNN進行MNIST數字識別，並擴展到CIFAR-10任務中的彩色圖片，也闡述了如何針對自定義任務擴展之前訓練的圖像識別模型。本章末尾詳細解釋TensorFlow實現的模仿大師繪畫和Deep-Dream算法。
第9章解釋在TensorFlow中如何實現遞歸神經網絡（RNN）算法，展示如何進行垃圾短信預測和在莎士比亞文本樣本集上擴展RNN模型生成文本。接著訓練Seq2Seq模型實現德語-英語的翻譯。本章末尾展示如何用孿生RNN模型進行地址記錄匹配。
第10章介紹TensorFlow產品級用例和開發提示，同時介紹如何利用多處理設備（比如，GPU）和在多個設備上實現分布式TensorFlow。
第11章展示TensorFlow如何實現k-means算法、遺傳算法和求解常微分方程（ODE），還介紹了Tensorboad的各種用法和如何查看計算圖指標。
閱讀本書前的準備書中的章節都會使用TensorFlow，其官網為https://www.tensorflow.org/，它是基於Python 3（https://www.python.org/downloads/）編寫的。大部分章節需要訪問從網絡中下載的數據集。
本書的目標讀者本書適用於有經驗的機器學習讀者和Python程序員。有機器學習背景的讀者會發現TensorFlow的代碼很有啟發性；有Python編程經驗的讀者會覺得代碼注釋極具參考性。
模塊說明在本書中，你會頻繁看到開始、動手做、工作原理、延伸學習和參考這幾個模塊。
為了繫統地學習相關技術，下面簡單解釋一下：
開始該節告訴讀者該技術的內容，描述如何準備軟件或者前期的準備工作。
動手做具體的操作步驟。
工作原理詳細解釋前一節發生了什麼。
延伸學習附加資源，以供讀者延伸學習。
參考提供有用的鏈接和有幫助的資源信息。
下載示例代碼讀者可登錄華章網站（www.hzbook.com）下載本書示例代碼文件。

商品搜索

商品分类

【醫學】

【各大出版社】