TensorFlow机器学习（原书第2版）

作品简介

本书是升级版，不仅包含机器学习的基本概念，以及如何利用TensorFlow库快速构建强大的机器学习模型，还涵盖了前沿的神经网络技术，如深度语音分类器、面部识别和CIFAR-10自动编码。另外，本书新增了如何将代码更新到TensorFlow2.0，以及在Docker容器中运行代码所需要的技术。

Chris Mattmann是美国宇航局JPL（喷气推进实验室）信息技术和解决方案理事会AI、分析和创新发展组织的部门经理和首席数据科学家，负责管理先进的IT研究、开源和技术评估以及用户注入能力。他致力于开源，曾在Apache软件基金会（2013-2018）担任主任，是Apache Nutch最初的贡献者之一，也是Apache Tika框架的先驱。Mattmann一直致力于为TensorFlow和所有与机器学习相关的技术做出贡献。Mattmann还是美国南加州大学信息检索和数据科学（IRDS）小组的主任和兼职副教授，主要教授研究生课程，包括内容检测和分析、搜索引擎和信息检索等。

作品目录

• 译者序
• 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
• 1.2　数据表示和特征
• 1.3　度量距离
• 1.4　机器学习的类型
• 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
• 2.10　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
• 5.3　使用线性回归进行分类
• 5.4　使用逻辑回归
• 5.5　多分类器
• 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
• 6.2　使用逻辑回归构建情感分类器
• 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
• 8.2　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
• 9.7　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
• 10.3　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
• 13.2　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
• 14.4　在TensorFlow中实现CNN
• 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
• 15.2　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
• 15.5　构建用于人脸识别的VGG-Face
• 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
• 17.2　使用深度语音模型
• 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
• A.1　用Docker安装书中的代码
• A.2　获取数据和存储模型
• A.3　必需的库
• A.4　将呼叫中心示例转换为TensorFlow2