TensorFlow機(jī)器學(xué)習(xí)

原書(shū)序
原書(shū)前言
第一部分 機(jī)器學(xué)習(xí)套裝
第1章 機(jī)器學(xué)習(xí)旅程　2
1.1　機(jī)器學(xué)習(xí)基礎(chǔ)　3
1.1.1　參數(shù)　5
1.1.2　學(xué)習(xí)和推理　6
1.2　數(shù)據(jù)表示和特征　7
1.3　距離度量　11
1.4　學(xué)習(xí)類(lèi)型　12
1.4.1　監(jiān)督學(xué)習(xí)　12
1.4.2　無(wú)監(jiān)督學(xué)習(xí)　14
1.4.3　強(qiáng)化學(xué)習(xí)　14
1.5　TensorFlow　15
1.6　余下的章節(jié)　17
1.7　小結(jié)　18

第2章 TensorFlow基礎(chǔ)　19
2.1　保證TensorFlow運(yùn)行　21
2.2　張量表示　21
2.3　創(chuàng)建運(yùn)算　25
2.4　使用session執(zhí)行運(yùn)算　27
2.4.1　將代碼理解為圖　28
2.4.2　設(shè)置session的配置項(xiàng)　28
2.5　使用Jupyter寫(xiě)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(shù)據(jù)　35
2.8.1　實(shí)現(xiàn)一個(gè)移動(dòng)平均算法　36
2.8.2　可視化移動(dòng)平均算法　37
2.9　小結(jié)　39

第二部分 核心學(xué)習(xí)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(xiàng)式模型　50
3.4　正則化　52
3.5　線性回歸的應(yīng)用　55
3.6　小結(jié)　56

第4章 簡(jiǎn)明的分類(lèi)介紹　58
4.1　形式化定義　59
4.2　衡量分類(lèi)性能　61
4.2.1　精度　61
4.2.2　準(zhǔn)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(shí)現(xiàn)分類(lèi)　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(lèi)別分類(lèi)器　74
4.5.1　一對(duì)多　75
4.5.2　一對(duì)一　75
4.5.3　softmax回歸　75
4.6　分類(lèi)的應(yīng)用　79
4.7　小結(jié)　79

第5章 自動(dòng)聚類(lèi)數(shù)據(jù)　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(lèi)　87
5.4　音頻分割　90
5.5　用自組織映射實(shí)現(xiàn)聚類(lèi)　93
5.6　聚類(lèi)的應(yīng)用　97
5.7　小結(jié)　97

第6章 隱馬爾可夫模型　98
6.1　一個(gè)不那么可解釋模型的例子　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?！?107
6.6.2　DNA建?！?107
6.6.3　圖像建?！?107
6.7　隱馬爾可夫模型的應(yīng)用　108
6.8　小結(jié)　108

第三部分 神經(jīng)網(wǎng)絡(luò)樣式
第7章 自編碼器　110
7.1　神經(jīng)網(wǎng)絡(luò)　111
7.2　自編碼器　114
7.3　批量訓(xùn)練　118
7.4　圖像處理　119
7.5　自編碼器的應(yīng)用　122
7.6　小結(jié)　123

第8章 強(qiáng)化學(xué)習(xí)　124
8.1　形式化定義　125
8.1.1　策略　 126
8.1.2　效用函數(shù)　 127
8.2　強(qiáng)化學(xué)習(xí)的應(yīng)用　128
8.3　強(qiáng)化學(xué)習(xí)的實(shí)現(xiàn)　129
8.4　探索強(qiáng)化學(xué)習(xí)的其他應(yīng)用　136
8.5　小結(jié)　137

第9章 卷積神經(jīng)網(wǎng)絡(luò)　138
9.1　神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)　139
9.2　卷積神經(jīng)網(wǎng)絡(luò)　140
9.3　準(zhǔn)備圖像　141
9.3.1　生成過(guò)濾器　 144
9.3.2　使用過(guò)濾器進(jìn)行卷積　 145
9.3.3　最大池化　 148
9.4　 使用TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)　149
9.4.1　測(cè)量性能　 151
9.4.2　訓(xùn)練分類(lèi)器　 152
9.5　提高性能的竅門(mén)和技巧　153
9.6　卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用　154
9.7　小結(jié)　154

第10章 循環(huán)神經(jīng)網(wǎng)絡(luò)　155
10.1　語(yǔ)境信息　156
10.2　循環(huán)神經(jīng)網(wǎng)絡(luò)介紹　156
10.3　循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)　157
10.4　時(shí)間序列數(shù)據(jù)的預(yù)測(cè)模型　160
10.5　循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用　163
10.6　小結(jié)　163

第11章 聊天機(jī)器人的序列到序列模型　164
11.1　分類(lèi)與循環(huán)神經(jīng)網(wǎng)絡(luò)　165
11.2　序列到序列模型架構(gòu)　167
11.3　符號(hào)的向量表示　171
11.4　把所有都放到一起　173
11.5　收集對(duì)話數(shù)據(jù)　179
11.6　小結(jié)　181

第12章 效用場(chǎng)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(jié)　196
12.5　下一步　196

附錄　安裝　197