TensorFlow机器学习 azw3 网盘 高速 下载地址大全 免费

《TensorFlow机器学习》由浅入深地对TensorFlow进行了介绍，并对TensorFlow的本质、核心学习算法（线性回归、分类、聚类、隐马尔可夫模型）和神经网络的类型（自编码器、强化学习、卷积神经网络和循环神经网络）都进行了详细介绍，同时配以代码实现。 《TensorFlow机器学习》可作为人工智能、机器学习、深度学习相关行业的从业者和爱好者的重要参考书。

原书序 原书前言 第一部分 机器学习套装 第1章 机器学习旅程　2 1.1　机器学习基础　3 1.1.1　参数　5 1.1.2　学习和推理　6 1.2　数据表示和特征　7 1.3　距离度量　11 1.4　学习类型　12 1.4.1　监督学习　12 1.4.2　无监督学习　14 1.4.3　强化学习　14 1.5　TensorFlow　15 1.6　余下的章节　17 1.7　小结　18 第2章 TensorFlow基础　19 2.1　保证TensorFlow运行　21 2.2　张量表示　21 2.3　创建运算　25 2.4　使用session执行运算　27 2.4.1　将代码理解为图　28 2.4.2　设置session的配置项　28 2.5　使用Jupyter写代码　30 2.6　使用变量　32 2.7　保存和加载变量　34 2.8　使用TensorBoard可视化数据　35 2.8.1　实现一个移动平均算法　36 2.8.2　可视化移动平均算法　37 2.9　小结　39 第二部分 核心学习算法 第3章 线性回归及其他　42 3.1　形式化定义　43 3.1.1　如何知道回归算法在起作用　45 3.2　线性回归　46 3.3　多项式模型　50 3.4　正则化　52 3.5　线性回归的应用　55 3.6　小结　56 第4章 简明的分类介绍　58 4.1　形式化定义　59 4.2　衡量分类性能　61 4.2.1　精度　61 4.2.2　准确率和召回率　62 4.2.3　受试者工作特征曲线　63 4.3　用线性回归实现分类　64 4.4　逻辑斯谛回归　68 4.4.1　求解一维逻辑斯谛回归　69 4.4.2　求解二维逻辑斯谛回归　71 4.5　多类别分类器　74 4.5.1　一对多　75 4.5.2　一对一　75 4.5.3　softmax回归　75 4.6　分类的应用　79 4.7　小结　79 第5章 自动聚类数据　81 5.1　在TensorFlow中遍历文件　82 5.2　从音频文件中抽取特征　84 5.3　k-均值聚类　87 5.4　音频分割　90 5.5　用自组织映射实现聚类　93 5.6　聚类的应用　97 5.7　小结　97 第6章 隐马尔可夫模型　98 6.1　一个不那么可解释模型的例子　99 6.2　马尔可夫模型　100 6.3　隐马尔可夫模型　102 6.4　前向算法　103 6.5　Viterbi解码　106 6.6　隐马尔可夫模型的使用　107 6.6.1　视频建模　 107 6.6.2　DNA建模　 107 6.6.3　图像建模　 107 6.7　隐马尔可夫模型的应用　108 6.8　小结　108 第三部分 神经网络样式 第7章 自编码器　110 7.1　神经网络　111 7.2　自编码器　114 7.3　批量训练　118 7.4　图像处理　119 7.5　自编码器的应用　122 7.6　小结　123 第8章 强化学习　124 8.1　形式化定义　125 8.1.1　策略　 126 8.1.2　效用函数　 127 8.2　强化学习的应用　128 8.3　强化学习的实现　129 8.4　探索强化学习的其他应用　136 8.5　小结　137 第9章 卷积神经网络　138 9.1　神经网络的缺点　139 9.2　卷积神经网络　140 9.3　准备图像　141 9.3.1　生成过滤器　 144 9.3.2　使用过滤器进行卷积　 145 9.3.3　最大池化　 148 9.4　 使用TensorFlow实现卷积神经网络　149 9.4.1　测量性能　 151 9.4.2　训练分类器　 152 9.5　提高性能的窍门和技巧　153 9.6　卷积神经网络的应用　154 9.7　小结　154 第10章 循环神经网络　155 10.1　语境信息　156 10.2　循环神经网络介绍　156 10.3　循环神经网络的实现　157 10.4　时间序列数据的预测模型　160 10.5　循环神经网络的应用　163 10.6　小结　163 第11章 聊天机器人的序列到序列模型　164 11.1　分类与循环神经网络　165 11.2　序列到序列模型架构　167 11.3　符号的向量表示　171 11.4　把所有都放到一起　173 11.5　收集对话数据　179 11.6　小结　181 第12章 效用场景　182 12.1　偏好模型　184 12.2　图像嵌入　189 12.3　图像排序　192 12.4　小结　196 12.5　下一步　196 附录　安装　197

Nishant Shukla 加州大学洛杉矶分校的博士研究员，专注于机器学习和计算机视觉技术。Nishant还具有弗吉尼亚大学计算机科学和数学学士学位。在那里，他是Hack.UVA的创始成员，并且讲授关于Haskell的广受欢迎的课程。Nishant曾担任Microsoft、Facebook和Foursquare的开发人员，以及SpaceX的机器学习工程师，他还著有Haskell Data Analysis Cookbook一书。此外，他还发表了从分析化学到自然语言处理的研究论文。

暂无其它内容！

暂时还没有人为这本书评论！