人工智能 类型
可以朗读 语音朗读
104千字 字数
2019-07-01 发行日期
展开全部

主编推荐语

本书分四部分：入门篇、基础篇、进阶篇和应用篇，涵盖Tensorflow及深度学习算法。

内容简介

本书包含四部分内容：第一部分是入门篇，介绍学习环境搭建和Tensorflow框架的基本使用；第二部分是基础篇，介绍传统智能算法及其Tensorflow实现；第三部分是进阶篇，介绍深度神经网络方法和CNN、RNN、LSTM、GRU等基础深度学习算法；第四部分是应用篇，介绍DQN和GAN等高级深度学习算法。

目录

  • 封面
  • 扉页
  • 版权信息
  • 前言
  • 目录
  • 入门篇
  • 第1章 学习环境搭建
  • 1.1 Docker工具箱
  • 1.2 运行Docker镜像
  • 1.3 Jupyter笔记本
  • 1.3.1 Jupyter界面
  • 1.3.2 Jupyter单元格
  • 1.3.3 Jupyter模式
  • 1.3.4 Jupyter常用指令
  • 1.4 NumPy库
  • 1.4.1 ndarray数据基础
  • 1.4.2 ndarray广播运算
  • 1.4.3 ndarray函数运算
  • 1.4.4 ndarray索引切分
  • 1.5 Pandas
  • 1.5.1 Pandas基础对象
  • 1.5.2 Pandas选择数据
  • 1.5.3 Pandas 处理实例
  • 1.6 Scikit-Learn
  • 1.6.1 sklearn.datasets
  • 1.6.2 Pandas处理
  • 1.6.3 sklearn回归
  • 第2章 TensorFlow入门
  • 2.1 Hello TensorFlow
  • 2.2 TensorFlow数据结构
  • 2.3 TensorFlow计算-数据流图
  • 2.3.1 常量节点（Constant）
  • 2.3.2 占位符节点（Placeholder）
  • 2.3.3 变量节点（Variable）
  • 2.3.4 操作节点（Operation）
  • 2.4 TensorFlow会话与基本操作
  • 2.5 TensorFlow可视化
  • 第3章 TensorFlow进阶
  • 3.1 TensorFlow数据处理
  • 3.1.1 索引计算
  • 3.1.2 矩阵计算
  • 3.1.3 形状计算
  • 3.1.4 规约计算
  • 3.1.5 分割计算
  • 3.1.6 张量的形状
  • 3.1.7 张量的运算
  • 3.1.8 骰子游戏
  • 3.2 TensorFlow共享变量
  • 3.2.1 name_scope名字域
  • 3.2.2 variablescope 变量域
  • 3.3 TensorFlow模型配置
  • 基础篇
  • 第4章 线性回归算法
  • 4.1 BOSTON 数据集
  • 4.2 TensorFlow模型
  • 4.2.1 准备数据
  • 4.2.2 定义模型
  • 4.2.3 训练模型
  • 4.2.4 评估模型
  • 4.2.5 可视化模型
  • 4.3 Estimator模型
  • 4.3.1 Dataset API
  • 4.3.2 估算器介绍
  • 4.3.3 准备数据
  • 4.3.4 定义模型
  • 4.3.5 训练模型
  • 4.3.6 评估模型
  • 4.3.7 可视化模型
  • 4.4 Keras模型
  • 4.4.1 定义模型
  • 4.4.2 训练模型
  • 4.4.3 评估模型
  • 4.4.4 可视化模型
  • 第5章 逻辑回归算法
  • 5.1 线性回归到逻辑回归
  • 5.2 最小二乘到交叉熵
  • 5.3 MNIST数据集
  • 5.4 TensorFlow模型
  • 5.4.1 准备数据
  • 5.4.2 定义模型
  • 5.4.3 训练模型
  • 5.4.4 评估模型
  • 5.4.5 可视化模型
  • 5.5 Estimator模型
  • 5.5.1 准备数据
  • 5.5.2 定义模型
  • 5.5.3 训练模型
  • 5.5.4 评估模型
  • 5.5.5 可视化模型
  • 5.6 Keras模型
  • 5.6.1 准备数据
  • 5.6.2 定义模型
  • 5.6.3 训练模型
  • 5.6.4 评估模型
  • 5.6.5 可视化模型
  • 第6章 算法的正则化
  • 6.1 过拟合
  • 6.2 正则化
  • 6.3 编程实战
  • 进阶篇
  • 第7章 神经网络与深度学习算法
  • 7.1 神经网络
  • 7.1.1 激活函数
  • 7.1.2 编程实战
  • 7.2 神经网络训练
  • 7.2.1 训练困难分析
  • 7.2.2 编程实战
  • 7.3 多类别神经网络
  • 7.3.1 逻辑回归与深度网络
  • 7.3.2 权重可视化
  • 7.4 神经网络嵌入
  • 7.4.1 一维数轴排列
  • 7.4.2 二维数轴排列
  • 7.4.3 传统类别表示
  • 7.4.4 嵌入表示
  • 第8章 卷积神经网络（CNN）
  • 8.1 卷积神经网络简介
  • 8.2 CNN与DNN
  • 8.3 卷积操作
  • 8.4 卷积实战
  • 8.5 池化操作
  • 8.6 池化实战
  • 8.7 Relu非线性激活
  • 8.8 TensorFlow卷积神经网络实战
  • 8.9 Estimalor卷积神经网络实战
  • 8.10 Keras卷积神经网络实战
  • 第9章 循环神经网络（RNN）
  • 9.1 循环神经网络简介
  • 9.2 DNN、CNN与RNN
  • 9.3 手工循环神经网络
  • 9.4 static_rnn循环神经网络
  • 9.5 dynamic_rnn循环神经网络
  • 9.6 TensorFlow循环神经网络实战
  • 9.7 Estimator循环神经网络实战
  • 9.8 Keras循环神经网络实战
  • 9.9 LSTM模型
  • 9.10 GRU模型
  • 第10章 自动编码器（AutoEncoder）
  • 10.1 自动编码器简介
  • 10.2 自动编码器与PCA
  • 10.3 稀疏自动编码器
  • 10.4 栈式自动编码器（SAE）
  • 10.4.1 关联权重
  • 10.4.2 分阶段训练
  • 10.4.3 无监督预训练
  • 10.5 降噪自动编码器（DAE）
  • 10.6 变分自动编码器（VAE）
  • 10.6.1 变分自动编码器原理
  • 10.6.2 变分自动编码器生成数字
  • 应用篇
  • 第11章 生成式对抗网络
  • 11.1 生成式对抗网络简介
  • 11.2 GAN工作原理
  • 11.3 GAN改进模型
  • 11.4 GAN模型实战
  • 11.5 GAN训练技巧
  • 11.6 GAN未来展望
  • 第12章 使用TensorFlow Hub进行迁移学习
  • 12.1 图像迁移学习
  • 12.2 文本迁移学习
  • 12.3 完整的文本分类器
  • 12.4 迁移学习分析
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。