作者：[印]安奇特·简恩著熊爱华译
页数：240
出版社：清华大学出版社
出版日期：2019
ISBN：9787302535546
电子书格式：pdf/epub/txt
内容简介
本书详细阐述了与TensorFlow项目开发相关的基本解决方案，主要包括TensorFlow和机器学习概述、利用机器学习探测外太空中的系外行星、情感分析、数字分类、语音到文本的转换、预测股票价格、信用卡欺诈检测、贝叶斯深度学习、图像匹配和分类、推荐系统、大规模对象检测、生成图书脚本、深度强化学习与游戏、部署机器学习模型等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书既可作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
本书特色
本书详细阐述了与TensorFlow项目开发相关的基本解决方案，主要包括TensorFlow和机器学习概述、利用机器学习探测外太空中的系外行星、情感分析、数字分类、语音到文本的转换、预测股票价格、信用卡欺诈检测、贝叶斯深度学习、图像匹配和分类、推荐系统、大规模对象检测、生成图书脚本、深度强化学习与游戏、部署机器学习模型等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书既可作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
目录
目 录
第1章 TensorFlow和机器学习概述 1
1.1 关于 TensorFlow 1
1.2 TensorFlow 核心 API 2
1.3 计算图 11
1.4 机器学习、分类和逻辑回归 18
1.5 使用 TensorFlow 进行逻辑回归 21
1.6 使用 Keras 进行逻辑回归 24
1.7 小结 26
1.8 问题 26
1.9 延伸阅读 26
第2章 利用机器学习探测外太空中的系外行星 27
2.1 关于决策树 27
2.2 集成学习的必要性 28
2.3 基于决策树的集成方法 29
2.4 TensorFlow 中基于决策树的集成 32
2.5 探测外太空的系外行星 34
2.6 建立用于系外行星探测的 TFBT 模型 38
2.7 小结 42
2.8 问题 42
2.9 延伸阅读 43
第3章 使用TensorFlow.js在浏览器中进行情感分析 44
3.1 理解 TensorFlow.js 45
3.2 理解 Adam 优化 46
3.3 理解分类交叉熵损失 46
3.4 理解单词嵌入 47
3.5 构建情感分析模型 48
3.6 使用 TensorFlow.js 在浏览器中运行模型 51
3.7 小结 55
3.8 问题 55
第4章 使用TensorFlow Lite进行数字分类 56
4.1 关于 TensorFlow Lite 56
4.2 分类模型评估指标 58
4.3 使用 TensorFlow Lite 对数字进行分类 59
4.4 小结 69
4.5 问题 70
第5章 使用NLP进行从语音到文本的转换和主题的提取 71
5.1 关于 Speech-to-Text 框架和工具包 71
5.2 Google 语音命令数据集 72
5.3 神经网络架构 73
5.4 训练模型 74
5.5 小结 77
5.6 问题 77
5.7 延伸阅读 77
第6章 使用高斯过程回归预测股票价格 79
6.1 理解贝叶斯规则 79
6.2 贝叶斯推理 80
6.3 高斯过程 81
6.4 将高斯过程应用于股市预测 84
6.5 创建股票价格预测模型 86
6.6 理解获得的结果 89
6.7 小结 99
6.8 问题 99
第7章 使用自动编码器进行信用卡欺诈检测 100
7.1 理解自动编码器 100
7.2 构建欺诈检测模型 101
7.3 小结 111
7.4 问题 111
第8章 使用贝叶斯神经网络生成交通标志分类器中的不确定性 112
8.1 理解贝叶斯深度学习 112
8.2 神经网络中的贝叶斯规则 113
8.3 理解 TensorFlow Probability、变分推断和蒙特卡罗方法 114
8.4 构建贝叶斯神经网络 116
8.5 定义、培训和测试模型 118
8.6 小结 129
8.7 问题 130
第9章 使用DiscoGAN从鞋子图像生成匹配的手提包图像 131
9.1 理解生成模型 131
9.2 理解 DiscoGAN 135
9.3 构建 DiscoGAN 模型 139
9.4 小结 148
9.5 问题 149
第10章 使用胶囊网络对服装图像进行分类 150
10.1 理解胶囊网络的重要性 150
10.2 理解胶囊 151
10.3 动态路由算法 153
10.4 用于对 Fashion MNIST 图像进行分类的胶囊网络 156
10.5 训练和测试模型 160
10.6 重建样本图像 167
10.7 胶囊网络的局限性 169
10.8 小结 170
第11章 使用TensorFlow制作商品推荐系统 172
11.1 推荐系统 172
11.2 基于内容的过滤 173
11.3 协同过滤 174
11.4 混合系统 174
11.5 矩阵分解 175
11.6 Retailrocket 数据集简介 175
11.7 Retailrocket 数据集深入探究 176
11.8 预处理数据 177
11.9 Retailrocket 数据集推荐系统的矩阵分解模型 178
11.10 Retailrocket 数据集推荐系统的神经网络模型 181
11.11 小结 183
11.12 问题 183
11.13 延伸阅读 183
第12章 使用TensorFlow进行大规模的对象检测 184
12.1 Apache Spark 简介 185
12.2 理解分布式 TensorFlow 186
12.3 理解 TensorFlowOnSpark 191
12.4 使用 TensorFlowOnSpark 和 Sparkdl 进行对象检测 197
12.5 小结 202
第13章 使用LSTM生成图书脚本 204
13.1 理解循环神经网络 204
13.2 预处理数据 205
13.3 定义模型 207
13.4 训练模型 208
13.5 定义和训练文本生成模型 208
13.6 生成图书脚本 214
13.7 小结 217
13.8 问题 217
第14章 使用深度强化学习玩《吃豆人》游戏 218
14.1 强化学习 219
14.2 强化学习与监督学习和无监督学习的对比 219
14.3 强化学习的组成部分 220
14.4 OpenAI Gym 工具包 220
14.5 在 OpenAI Gym 中创建《吃豆人》游戏 222
14.6 用于深度强化学习的 DQN 224
14.7 将 DQN 应用于游戏 225
14.8 小结 230
14.9 延伸阅读 230
第15章 在生产环境中部署机器学习模型 231
15.1 在生产环境中实现 TensorFlow 231
15.2 建立 AI 应用程序的建议 237
15.3 深度学习的局限性 238
15.4 AI 在行业中的应用 238
15.5 AI 中的伦理道德考虑因素 239
15.6 小结 240
第1章 TensorFlow和机器学习概述 1
1.1 关于 TensorFlow 1
1.2 TensorFlow 核心 API 2
1.3 计算图 11
1.4 机器学习、分类和逻辑回归 18
1.5 使用 TensorFlow 进行逻辑回归 21
1.6 使用 Keras 进行逻辑回归 24
1.7 小结 26
1.8 问题 26
1.9 延伸阅读 26
第2章 利用机器学习探测外太空中的系外行星 27
2.1 关于决策树 27
2.2 集成学习的必要性 28
2.3 基于决策树的集成方法 29
2.4 TensorFlow 中基于决策树的集成 32
2.5 探测外太空的系外行星 34
2.6 建立用于系外行星探测的 TFBT 模型 38
2.7 小结 42
2.8 问题 42
2.9 延伸阅读 43
第3章 使用TensorFlow.js在浏览器中进行情感分析 44
3.1 理解 TensorFlow.js 45
3.2 理解 Adam 优化 46
3.3 理解分类交叉熵损失 46
3.4 理解单词嵌入 47
3.5 构建情感分析模型 48
3.6 使用 TensorFlow.js 在浏览器中运行模型 51
3.7 小结 55
3.8 问题 55
第4章 使用TensorFlow Lite进行数字分类 56
4.1 关于 TensorFlow Lite 56
4.2 分类模型评估指标 58
4.3 使用 TensorFlow Lite 对数字进行分类 59
4.4 小结 69
4.5 问题 70
第5章 使用NLP进行从语音到文本的转换和主题的提取 71
5.1 关于 Speech-to-Text 框架和工具包 71
5.2 Google 语音命令数据集 72
5.3 神经网络架构 73
5.4 训练模型 74
5.5 小结 77
5.6 问题 77
5.7 延伸阅读 77
第6章 使用高斯过程回归预测股票价格 79
6.1 理解贝叶斯规则 79
6.2 贝叶斯推理 80
6.3 高斯过程 81
6.4 将高斯过程应用于股市预测 84
6.5 创建股票价格预测模型 86
6.6 理解获得的结果 89
6.7 小结 99
6.8 问题 99
第7章 使用自动编码器进行信用卡欺诈检测 100
7.1 理解自动编码器 100
7.2 构建欺诈检测模型 101
7.3 小结 111
7.4 问题 111
第8章 使用贝叶斯神经网络生成交通标志分类器中的不确定性 112
8.1 理解贝叶斯深度学习 112
8.2 神经网络中的贝叶斯规则 113
8.3 理解 TensorFlow Probability、变分推断和蒙特卡罗方法 114
8.4 构建贝叶斯神经网络 116
8.5 定义、培训和测试模型 118
8.6 小结 129
8.7 问题 130
第9章 使用DiscoGAN从鞋子图像生成匹配的手提包图像 131
9.1 理解生成模型 131
9.2 理解 DiscoGAN 135
9.3 构建 DiscoGAN 模型 139
9.4 小结 148
9.5 问题 149
第10章 使用胶囊网络对服装图像进行分类 150
10.1 理解胶囊网络的重要性 150
10.2 理解胶囊 151
10.3 动态路由算法 153
10.4 用于对 Fashion MNIST 图像进行分类的胶囊网络 156
10.5 训练和测试模型 160
10.6 重建样本图像 167
10.7 胶囊网络的局限性 169
10.8 小结 170
第11章 使用TensorFlow制作商品推荐系统 172
11.1 推荐系统 172
11.2 基于内容的过滤 173
11.3 协同过滤 174
11.4 混合系统 174
11.5 矩阵分解 175
11.6 Retailrocket 数据集简介 175
11.7 Retailrocket 数据集深入探究 176
11.8 预处理数据 177
11.9 Retailrocket 数据集推荐系统的矩阵分解模型 178
11.10 Retailrocket 数据集推荐系统的神经网络模型 181
11.11 小结 183
11.12 问题 183
11.13 延伸阅读 183
第12章 使用TensorFlow进行大规模的对象检测 184
12.1 Apache Spark 简介 185
12.2 理解分布式 TensorFlow 186
12.3 理解 TensorFlowOnSpark 191
12.4 使用 TensorFlowOnSpark 和 Sparkdl 进行对象检测 197
12.5 小结 202
第13章 使用LSTM生成图书脚本 204
13.1 理解循环神经网络 204
13.2 预处理数据 205
13.3 定义模型 207
13.4 训练模型 208
13.5 定义和训练文本生成模型 208
13.6 生成图书脚本 214
13.7 小结 217
13.8 问题 217
第14章 使用深度强化学习玩《吃豆人》游戏 218
14.1 强化学习 219
14.2 强化学习与监督学习和无监督学习的对比 219
14.3 强化学习的组成部分 220
14.4 OpenAI Gym 工具包 220
14.5 在 OpenAI Gym 中创建《吃豆人》游戏 222
14.6 用于深度强化学习的 DQN 224
14.7 将 DQN 应用于游戏 225
14.8 小结 230
14.9 延伸阅读 230
第15章 在生产环境中部署机器学习模型 231
15.1 在生产环境中实现 TensorFlow 231
15.2 建立 AI 应用程序的建议 237
15.3 深度学习的局限性 238
15.4 AI 在行业中的应用 238
15.5 AI 中的伦理道德考虑因素 239
15.6 小结 240
