TensorFlow機(jī)器學(xué)習(xí)實(shí)戰(zhàn)指南（原書(shū)第2版）

定　價(jià)：￥89.00

作　者：	尼克·麥克盧爾（Nick McClure）著，李飛劉凱盧建華李靜趙秀麗譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能系統(tǒng)與技術(shù)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787111631262	出版時(shí)間：	2019-07-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	281	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)由數(shù)據(jù)科學(xué)家撰寫(xiě)，從實(shí)戰(zhàn)角度系統(tǒng)講解TensorFlow基本概念及各種應(yīng)用實(shí)踐。真實(shí)的應(yīng)用場(chǎng)景和數(shù)據(jù)，豐富的代碼實(shí)例，詳盡的操作步驟，帶領(lǐng)讀者由淺入深系統(tǒng)掌握TensorFlow機(jī)器學(xué)習(xí)算法及其實(shí)現(xiàn)。本書(shū)第1章和第2章介紹了關(guān)于TensorFlow使用的基礎(chǔ)知識(shí)，后續(xù)章節(jié)則針對(duì)一些典型算法和典型應(yīng)用場(chǎng)景進(jìn)行了實(shí)現(xiàn)，并配有較詳細(xì)的程序說(shuō)明，可讀性非常強(qiáng)。讀者如果能對(duì)其中代碼進(jìn)行復(fù)現(xiàn)，則必定會(huì)對(duì)TensorFlow的使用了如指掌。

作者簡(jiǎn)介

　　尼克·麥克盧爾（Nick McClure），數(shù)據(jù)科學(xué)家，目前就職于美國(guó)西雅圖PayScale公司，曾經(jīng)在Zillow 公司和Caesar''s Entertainment公司工作，獲得蒙大拿大學(xué)和圣本尼迪克學(xué)院與圣約翰大學(xué)的應(yīng)用數(shù)學(xué)專業(yè)學(xué)位。他熱衷于數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和人工智能。Nick 有時(shí)會(huì)把想法寫(xiě)成博客（http：//fromdata.org/）或者發(fā)推特（@nfmcclure）。

圖書(shū)目錄

譯者序
審校者簡(jiǎn)介
前言
第1章　TensorFlow基礎(chǔ) 1
1.1　簡(jiǎn)介 1
1.2　TensorFlow如何工作 1
1.2.1　開(kāi)始 1
1.2.2　動(dòng)手做 2
1.2.3　工作原理 3
1.2.4　參考 3
1.3　聲明變量和張量 4
1.3.1　開(kāi)始 4
1.3.2　動(dòng)手做 4
1.3.3　工作原理 6
1.3.4　延伸學(xué)習(xí) 6
1.4　使用占位符和變量 6
1.4.1　開(kāi)始 6
1.4.2　動(dòng)手做 6
1.4.3　工作原理 7
1.4.4　延伸學(xué)習(xí) 7
1.5　操作（計(jì)算）矩陣 8
1.5.1　開(kāi)始 8
1.5.2　動(dòng)手做 8
1.5.3　工作原理 10
1.6　聲明操作 10
1.6.1　開(kāi)始 10
1.6.2　動(dòng)手做 10
1.6.3　工作原理 12
1.6.4　延伸學(xué)習(xí) 12
1.7　實(shí)現(xiàn)激勵(lì)函數(shù) 12
1.7.1　開(kāi)始 12
1.7.2　動(dòng)手做 12
1.7.3　工作原理 14
1.7.4　延伸學(xué)習(xí) 14
1.8　讀取數(shù)據(jù)源 14
1.8.1　開(kāi)始 15
1.8.2　動(dòng)手做 15
1.8.3　工作原理 18
1.8.4　參考 18
1.9　其他資源 19
1.9.1　開(kāi)始 19
1.9.2　動(dòng)手做 19
第2章　TensorFlow進(jìn)階 20
2.1　簡(jiǎn)介 20
2.2　計(jì)算圖中的操作 20
2.2.1　開(kāi)始 20
2.2.2　動(dòng)手做 21
2.2.3　工作原理 21
2.3　TensorFlow的嵌入Layer 21
2.3.1　開(kāi)始 21
2.3.2　動(dòng)手做 22
2.3.3　工作原理 22
2.3.4　延伸學(xué)習(xí) 22
2.4　TensorFlow的多層Layer 23
2.4.1　開(kāi)始 23
2.4.2　動(dòng)手做 23
2.4.3　工作原理 24
2.5　TensorFlow實(shí)現(xiàn)損失函數(shù) 24
2.5.1　開(kāi)始 25
2.5.2　動(dòng)手做 26
2.5.3　工作原理 28
2.5.4　延伸學(xué)習(xí) 28
2.6　TensorFlow實(shí)現(xiàn)反向傳播 29
2.6.1　開(kāi)始 29
2.6.2　動(dòng)手做 30
2.6.3　工作原理 33
2.6.4　延伸學(xué)習(xí) 33
2.6.5　參考 33
2.7　TensorFlow實(shí)現(xiàn)批量訓(xùn)練和隨機(jī)訓(xùn)練 34
2.7.1　開(kāi)始 34
2.7.2　動(dòng)手做 34
2.7.3　工作原理 35
2.7.4　延伸學(xué)習(xí) 36
2.8　TensorFlow實(shí)現(xiàn)創(chuàng)建分類器 36
2.8.1　開(kāi)始 36
2.8.2　動(dòng)手做 37
2.8.3　工作原理 38
2.8.4　延伸學(xué)習(xí) 39
2.8.5　參考 39
2.9　TensorFlow實(shí)現(xiàn)模型評(píng)估 39
2.9.1　開(kāi)始 39
2.9.2　動(dòng)手做 40
2.9.3　工作原理 43
第3章　基于TensorFlow的線性回歸 44
3.1　簡(jiǎn)介 44
3.2　用TensorFlow求逆矩陣 44
3.2.1　開(kāi)始 45
3.2.2　動(dòng)手做 45
3.2.3　工作原理 46
3.3　用TensorFlow實(shí)現(xiàn)矩陣分解 46
3.3.1　開(kāi)始 46
3.3.2　動(dòng)手做 46
3.3.3　工作原理 47
3.4　用TensorFlow實(shí)現(xiàn)線性回歸算法 47
3.4.1　開(kāi)始 48
3.4.2　動(dòng)手做 48
3.4.3　工作原理 50
3.5　理解線性回歸中的損失函數(shù) 51
3.5.1　開(kāi)始 51
3.5.2　動(dòng)手做 51
3.5.3　工作原理 52
3.5.4　延伸學(xué)習(xí) 53
3.6　用TensorFlow實(shí)現(xiàn)戴明回歸算法 53
3.6.1　開(kāi)始 54
3.6.2　動(dòng)手做 54
3.6.3　工作原理 55
3.7　用TensorFlow實(shí)現(xiàn)lasso回歸和嶺回歸算法 56
3.7.1　開(kāi)始 56
3.7.2　動(dòng)手做 56
3.7.3　工作原理 58
3.7.4　延伸學(xué)習(xí) 58
3.8　用TensorFlow實(shí)現(xiàn)彈性網(wǎng)絡(luò)回歸算法 58
3.8.1　開(kāi)始 58
3.8.2　動(dòng)手做 58
3.8.3　工作原理 60
3.9　用TensorFlow實(shí)現(xiàn)邏輯回歸算法 60
3.9.1　開(kāi)始 60
3.9.2　動(dòng)手做 61
3.9.3　工作原理 63
第4章　基于TensorFlow的支持向量機(jī) 65
4.1　簡(jiǎn)介 65
4.2　線性支持向量機(jī)的使用 67
4.2.1　開(kāi)始 67
4.2.2　動(dòng)手做 67
4.2.3　工作原理 70
4.3　弱化為線性回歸 71
4.3.1　開(kāi)始 71
4.3.2　動(dòng)手做 72
4.3.3　工作原理 74
4.4　TensorFlow上核函數(shù)的使用 75
4.4.1　開(kāi)始 75
4.4.2　動(dòng)手做 76
4.4.3　工作原理 80
4.4.4　延伸學(xué)習(xí) 80
4.5　用TensorFlow實(shí)現(xiàn)非線性支持向量機(jī) 80
4.5.1　開(kāi)始 80
4.5.2　動(dòng)手做 80
4.5.3　工作原理 83
4.6　用TensorFlow實(shí)現(xiàn)多類支持向量機(jī) 83
4.6.1　開(kāi)始 83
4.6.2　動(dòng)手做 84
4.6.3　工作原理 87
第5章　最近鄰域法 88
5.1　簡(jiǎn)介 88
5.2　最近鄰域法的使用 89
5.2.1　開(kāi)始 89
5.2.2　動(dòng)手做 89
5.2.3　工作原理 92
5.2.4　延伸學(xué)習(xí) 92
5.3　如何度量文本距離 92
5.3.1　開(kāi)始 93
5.3.2　動(dòng)手做 93
5.3.3　工作原理 95
5.3.4　延伸學(xué)習(xí) 95
5.4　用TensorFlow實(shí)現(xiàn)混合距離計(jì)算 95
5.4.1　開(kāi)始 96
5.4.2　動(dòng)手做 96
5.4.3　工作原理 98
5.4.4　延伸學(xué)習(xí) 98
5.5　用TensorFlow實(shí)現(xiàn)地址匹配 99
5.5.1　開(kāi)始 99
5.5.2　動(dòng)手做 99
5.5.3　工作原理 101
5.6　用TensorFlow實(shí)現(xiàn)圖像識(shí)別 102
5.6.1　開(kāi)始 102
5.6.2　動(dòng)手做 102
5.6.3　工作原理 104
5.6.4　延伸學(xué)習(xí) 105
第6章　神經(jīng)網(wǎng)絡(luò)算法 106
6.1　簡(jiǎn)介 106
6.2　用TensorFlow實(shí)現(xiàn)門函數(shù) 107
6.2.1　開(kāi)始 107
6.2.2　動(dòng)手做 108
6.2.3　工作原理 110
6.3　使用門函數(shù)和激勵(lì)函數(shù) 110
6.3.1　開(kāi)始 111
6.3.2　動(dòng)手做 111
6.3.3　工作原理 113
6.3.4　延伸學(xué)習(xí) 113
6.4　用TensorFlow實(shí)現(xiàn)單層神經(jīng)網(wǎng)絡(luò) 114
6.4.1　開(kāi)始 114
6.4.2　動(dòng)手做 114
6.4.3　工作原理 116
6.4.4　延伸學(xué)習(xí) 117
6.5　用TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)常見(jiàn)層 117
6.5.1　開(kāi)始 117