TensorFlow神經(jīng)網(wǎng)絡設計：基于Python API的深度學習實戰(zhàn)

定　價：￥69.00

作　者：	[土]奧汗·亞爾欽著汪雄飛陳朗汪榮貴譯
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥65.60)

ISBN：	9787302662235	出版時間：	2024-09-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書首先介紹深度學習，并與其他機器學習模型進行比較，并闡述與TensorFlow互補的用于創(chuàng)建深度學習模型的技術，如Panda、Scikit-Learn和Numpy。隨后介紹有監(jiān)督的深度學習模型，并使用單層的多個感知器構建淺層神經(jīng)網(wǎng)絡，使用Tensorflow 2.0和Keras API創(chuàng)建真實的應用程序。隨后是數(shù)據(jù)增強和批處理規(guī)范化方法，并使用MNIST數(shù)據(jù)集訓練CNN。最后是使用自動編碼器的理論應用和無監(jiān)督學習，以及使用tf-agent模型的強化學習。本書主要面向深度學習和機器學習API領域的數(shù)據(jù)科學家和程序員。

作者簡介

　　汪榮貴，合肥工業(yè)大學計算機與信息學院教授，中國人工智能學會離散智能計算專委會委員，安徽省人工智能學會理事，機械工業(yè)出版社計算機類教材出版咨詢專家；主要研究方向為機器學習與視頻圖像處理；承擔完成國家自然基金企業(yè)聯(lián)合基金、科技部重點研發(fā)計劃、電子產(chǎn)業(yè)基金、安徽省科技攻關重點項目等多個課題，以及中電集團四創(chuàng)電子股份公司等多個企業(yè)委托項目；發(fā)表80余篇學術論文，近期完成的研究成果獲安徽省科技進步二等獎、中電集團科技進步一等獎、合肥市科技進步一等獎，編著出版的《離散數(shù)學及其應用》、《算法設計與應用》、《機器學習及其應用》、《機器學習簡明教程》深受廣大讀者好評。

圖書目錄

第1章緒論
1.1編程語言Python
1.1.1Python發(fā)展時間軸
1.1.2Python 2.x與Python 3.x
1.1.3選擇Python的原因
1.2機器學習框架TensorFlow
1.2.1TensorFlow發(fā)展時間軸
1.2.2選擇TensorFlow的原因
1.2.3TensorFlow 2.x的新特點
1.2.4TensorFlow的競爭產(chǎn)品
1.3安裝與環(huán)境設置
1.4硬件選項和要求
第2章機器學習簡介
2.1何為機器學習
2.2機器學習的范圍及相關鄰域
2.2.1人工智能
2.2.2深度學習
2.2.3數(shù)據(jù)科學
2.2.4大數(shù)據(jù)
2.2.5分類圖
2.3機器學習方式和模型
2.3.1監(jiān)督學習
2.3.2非監(jiān)督學習
2.3.3半監(jiān)督學習
2.3.4強化學習
2.4機器學習的基本步驟
2.4.1數(shù)據(jù)收集
2.4.2數(shù)據(jù)準備
2.4.3模型選擇
2.4.4訓練
2.4.5評價
2.4.6調(diào)優(yōu)超參數(shù)
2.4.7預測
2.5小結
第3章深度學習與神經(jīng)網(wǎng)絡概述
3.1神經(jīng)網(wǎng)絡和深度學習研究的時間軸
3.2人工神經(jīng)網(wǎng)絡的結構
3.2.1McCullochPitts神經(jīng)元
3.2.2現(xiàn)代深度神經(jīng)網(wǎng)絡
3.3深度學習的優(yōu)化算法
3.3.1最優(yōu)化面臨的挑戰(zhàn)
3.3.2過度擬合與正則化
3.4小結
第4章TensorFlow 2.x的附加程序庫
4.1TensorFlow互補程序庫的安裝
4.1.1使用pip安裝
4.1.2程序庫的安裝
4.2常見程序庫
4.2.1NumPy——數(shù)組處理
4.2.2SciPy——科學計算
4.2.3Pandas——數(shù)組處理與數(shù)據(jù)分析
4.2.4Matplotlib和Seaborn——數(shù)據(jù)可視化
4.2.5Scikitlearn——機器學習
4.2.6Flask——部署
4.3小結
第5章TensorFlow 2.0與深度學習流程
5.1TensorFlow基礎
5.1.1直接執(zhí)行
5.1.2張量
5.1.3TensorFlow變量
5.2TensorFlow深度學習流程
5.2.1數(shù)據(jù)加載與準備
5.2.2構建模型
5.2.3編譯、訓練、評估模型并進行預測
5.2.4保存并加載模型
5.3小結
第6章前饋神經(jīng)網(wǎng)絡
6.1深度和淺層前饋神經(jīng)網(wǎng)絡
6.1.1淺層前饋神經(jīng)網(wǎng)絡
6.1.2深度前饋神經(jīng)網(wǎng)絡
6.2前饋神經(jīng)網(wǎng)絡架構
6.3案例分析：燃油經(jīng)濟學與Auto MPG
6.3.1初始安裝和導入
6.3.2下載 Auto MPG數(shù)據(jù)
6.3.3數(shù)據(jù)準備
6.3.4創(chuàng)建DataFrame
6.3.5丟棄空值
6.3.6處理分類變量
6.3.7將Auto MPG分為訓練集和測試集
6.3.8模型構建與訓練
6.3.9結果評價
6.3.10使用新的觀測數(shù)據(jù)進行預測
6.4小結
第7章卷積神經(jīng)網(wǎng)絡
7.1為什么選擇使用卷積神經(jīng)網(wǎng)絡
7.2CNN的架構
7.2.1CNN中的網(wǎng)絡層
7.2.2完整的CNN模型
7.3案例研究： MNIST的圖像識別
7.3.1下載MNIST數(shù)據(jù)
7.3.2圖像的重塑與標準化
7.3.3構建卷積神經(jīng)網(wǎng)絡
7.3.4模型的編譯與調(diào)試
7.3.5評價模型
7.3.6保存訓練完成的模型
7.4小結
第8章循環(huán)神經(jīng)網(wǎng)絡
8.1序列數(shù)據(jù)與時序數(shù)據(jù)
8.2RNN與序列數(shù)據(jù)
8.3RNN基礎
8.3.1RNN的歷史
8.3.2RNN的應用
8.3.3RNN的運作機制
8.3.4RNN的類型
8.4案例研究： IMDB影評的情緒分析
8.4.1為Colab準備GPU加速訓練
8.4.2基于TensorFlow導入的數(shù)據(jù)集加載
8.4.3構建循環(huán)神經(jīng)網(wǎng)絡
8.5小結
第9章自然語言處理
9.1NLP的歷史
9.2NLP的實際應用
9.3主要評估、技術、方法和任務
9.3.1形態(tài)句法學
9.3.2語義學
9.3.3語篇
9.3.4語音
9.3.5對話
9.3.6認知
9.4自然語言工具包
9.5案例研究：深度NLP的文本生成
9.5.1案例實現(xiàn)目標
9.5.2莎士比亞語料庫
9.5.3初始導入
9.5.4加載語料庫
9.5.5文本向量化
9.5.6創(chuàng)建數(shù)據(jù)集
9.5.7模型構建
9.5.8編譯并訓練模型
9.5.9使用訓練好的模型生成文本
9.6小結
第10章推薦系統(tǒng)
10.1構建推薦系統(tǒng)的流行方法
10.1.1協(xié)同過濾方法
10.1.2基于內(nèi)容的過濾
10.1.3構建推薦系統(tǒng)的其他方法
10.2案例開發(fā)：深度協(xié)同過濾與MovieLens數(shù)據(jù)集
10.2.1初始導入
10.2.2加載數(shù)據(jù)
10.2.3數(shù)據(jù)處理
10.2.4拆分數(shù)據(jù)集
10.2.5構建模型
10.2.6編譯并訓練模型
10.2.7進行推薦
10.3小結
第11章自動編碼器
11.1自動編碼器的優(yōu)缺點
11.2自動編碼器的架構
11.2.1自動編碼器的各個層
11.2.2深度的優(yōu)勢
11.3自動編碼器的變體
11.3.1欠完備自動編碼器
11.3.2正則化自動編碼器
11.3.3變分自動編碼器
11.4自動編碼器的應用
11.5案例研發(fā)： Fashion MNIST圖像降噪
11.5.1初始導入
11.5.2加載并處理數(shù)據(jù)
11.5.3向圖像中添加噪聲
11.5.4構建模型
11.5.5噪聲圖像的降噪
11.6小結
第12章生成對抗網(wǎng)絡
12.1GAN方法
12.2架構
12.2.1生成器網(wǎng)絡
12.2.2判別器網(wǎng)絡
12.2.3潛在空間層
12.2.4面臨的問題：模式崩潰
12.2.5有關架構的最后注解
12.3GAN的應用
12.3.1藝術與時尚
12.3.2制造與研發(fā)
12.3.3電子游戲
12.3.4惡意應用與深度偽造
12.3.5其他應用
12.4案例研發(fā)： MNIST數(shù)據(jù)集的數(shù)字生成
12.4.1初始導入
12.4.2加載并處理MNIST數(shù)據(jù)集
12.4.3構建GAN模型
12.4.4配置GAN模型
12.4.5訓練GAN模型
12.4.6圖像生成函數(shù)
12.5小結
參考文獻