[套装书]机器学习实战+Python深度学习实战+TensorFlow机器学习实战指南（原书第2版）（3册）

作者
[法] 奥雷利安·杰龙（Aurélien Géron）[印] 纳温·库马尔·马纳西（Navin Kumar Manaswi）[美] 尼克·麦克卢尔（Nick McClure）
丛书名
O′Reilly精品图书系列
出版社
机械工业出版社
ISBN
9787190731102
简要
简介
内容简介书籍计算机书籍 ---------------------------TensorFlow机器学习实战指南（原书第2版）--------------------------- 本书由资深数据科学家撰写，从实战角度系统讲解TensorFlow基本概念及各种应用实践。真实的应用场景和数据，丰富的代码实例，详尽的操作步骤，带领读者由浅入深系统掌握TensorFlow机器学习算法及其实现。 本书第1章和第2章介绍了关于TensorFlow使用的基础知识，后续章节则针对一些典型算法和典型应用场景进行了实现，并配有较详细的程序说明，可读性非常强。读者如果能对其中代码进行复现，则必定会对TensorFlow的使用了如指掌。 ---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别--------------------------- 本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。 ---------------------------机器学习实战：基于Scikit-Learn和TensorFlow--------------------------- . 本书主要分为两部分，第一部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
目录



---------------------------TensorFlow机器学习实战指南（原书第2版）---------------------------


译者序
审校者简介
前言
第1章　TensorFlow基础 1
1.1　简介 1
1.2　TensorFlow如何工作 1
1.2.1　开始 1
1.2.2　动手做 2
1.2.3　工作原理 3
1.2.4　参考 3
1.3　声明变量和张量 4
1.3.1　开始 4
1.3.2　动手做 4
1.3.3　工作原理 6
1.3.4　延伸学习 6
1.4　使用占位符和变量 6
1.4.1　开始 6
1.4.2　动手做 6
1.4.3　工作原理 7
1.4.4　延伸学习 7
1.5　操作（计算）矩阵 8
1.5.1　开始 8
1.5.2　动手做 8
1.5.3　工作原理 10
1.6　声明操作 10
1.6.1　开始 10
1.6.2　动手做 10
1.6.3　工作原理 12
1.6.4　延伸学习 12
1.7　实现激励函数 12
1.7.1　开始 12
1.7.2　动手做 12
1.7.3　工作原理 14
1.7.4　延伸学习 14
1.8　读取数据源 14
1.8.1　开始 15
1.8.2　动手做 15
1.8.3　工作原理 18
1.8.4　参考 18
1.9　其他资源 19
1.9.1　开始 19
1.9.2　动手做 19
第2章　TensorFlow进阶 20
2.1　简介 20
2.2　计算图中的操作 20
2.2.1　开始 20
2.2.2　动手做 21
2.2.3　工作原理 21
2.3　TensorFlow的嵌入Layer 21
2.3.1　开始 21
2.3.2　动手做 22
2.3.3　工作原理 22
2.3.4　延伸学习 22
2.4　TensorFlow的多层Layer 23
2.4.1　开始 23
2.4.2　动手做 23
2.4.3　工作原理 24
2.5　TensorFlow实现损失函数 24
2.5.1　开始 25
2.5.2　动手做 26
2.5.3　工作原理 28
2.5.4　延伸学习 28
2.6　TensorFlow实现反向传播 29
2.6.1　开始 29
2.6.2　动手做 30
2.6.3　工作原理 33
2.6.4　延伸学习 33
2.6.5　参考 33
2.7　TensorFlow实现批量训练和随机训练 34
2.7.1　开始 34
2.7.2　动手做 34
2.7.3　工作原理 35
2.7.4　延伸学习 36
2.8　TensorFlow实现创建分类器 36
2.8.1　开始 36
2.8.2　动手做 37
2.8.3　工作原理 38
2.8.4　延伸学习 39
2.8.5　参考 39
2.9　TensorFlow实现模型评估 39
2.9.1　开始 39
2.9.2　动手做 40
2.9.3　工作原理 43
第3章　基于TensorFlow的线性回归 44
3.1　简介 44
3.2　用TensorFlow求逆矩阵 44
3.2.1　开始 45
3.2.2　动手做 45
3.2.3　工作原理 46
3.3　用TensorFlow实现矩阵分解 46
3.3.1　开始 46
3.3.2　动手做 46
3.3.3　工作原理 47
3.4　用TensorFlow实现线性回归算法 47
3.4.1　开始 48
3.4.2　动手做 48
3.4.3　工作原理 50
3.5　理解线性回归中的损失函数 51
3.5.1　开始 51
3.5.2　动手做 51
3.5.3　工作原理 52
3.5.4　延伸学习 53
3.6　用TensorFlow实现戴明回归算法 53
3.6.1　开始 54
3.6.2　动手做 54
3.6.3　工作原理 55
3.7　用TensorFlow实现lasso回归和岭回归算法 56
3.7.1　开始 56
3.7.2　动手做 56
3.7.3　工作原理 58
3.7.4　延伸学习 58
3.8　用TensorFlow实现弹性网络回归算法 58
3.8.1　开始 58
3.8.2　动手做 58
3.8.3　工作原理 60
3.9　用TensorFlow实现逻辑回归算法 60
3.9.1　开始 60
3.9.2　动手做 61
3.9.3　工作原理 63
第4章　基于TensorFlow的支持向量机 65
4.1　简介 65
4.2　线性支持向量机的使用 67
4.2.1　开始 67
4.2.2　动手做 67
4.2.3　工作原理 70
4.3　弱化为线性回归 71
4.3.1　开始 71
4.3.2　动手做 72
4.3.3　工作原理 74
4.4　TensorFlow上核函数的使用 75
4.4.1　开始 75
4.4.2　动手做 76
4.4.3　工作原理 80
4.4.4　延伸学习 80
4.5　用TensorFlow实现非线性支持向量机 80
4.5.1　开始 80
4.5.2　动手做 80
4.5.3　工作原理 83
4.6　用TensorFlow实现多类支持向量机 83
4.6.1　开始 83
4.6.2　动手做 84
4.6.3　工作原理 87
第5章　最近邻域法 88
5.1　简介 88
5.2　最近邻域法的使用 89
5.2.1　开始 89
5.2.2　动手做 89
5.2.3　工作原理 92
5.2.4　延伸学习 92
5.3　如何度量文本距离 92
5.3.1　开始 93
5.3.2　动手做 93
5.3.3　工作原理 95
5.3.4　延伸学习 95
5.4　用TensorFlow实现混合距离计算 95
5.4.1　开始 96
5.4.2　动手做 96
5.4.3　工作原理 98
5.4.4　延伸学习 98
5.5　用TensorFlow实现地址匹配 99
5.5.1　开始 99
5.5.2　动手做 99
5.5.3　工作原理 101
5.6　用TensorFlow实现图像识别 102
5.6.1　开始 102
5.6.2　动手做 102
5.6.3　工作原理 104
5.6.4　延伸学习 105
第6章　神经网络算法 106
6.1　简介 106
6.2　用TensorFlow实现门函数 107
6.2.1　开始 107
6.2.2　动手做 108
6.2.3　工作原理 110
6.3　使用门函数和激励函数 110
6.3.1　开始 111
6.3.2　动手做 111
6.3.3　工作原理 113
6.3.4　延伸学习 113
6.4　用TensorFlow实现单层神经网络 114
6.4.1　开始 114
6.4.2　动手做 114
6.4.3　工作原理 116
6.4.4　延伸学习 117
6.5　用TensorFlow实现神经网络常见层 117
6.5.1　开始 117
6.5.2　动手做 117
6.5.3　工作原理 122
6.6　用TensorFlow实现多层神经网络 123
6.6.1　开始 123
6.6.2　动手做 123
6.6.3　工作原理 127
6.7　线性预测模型的优化 128
6.7.1　开始 128
6.7.2　动手做 128
6.7.3　工作原理 131
6.8　用TensorFlow基于神经网络实现井字棋 132
6.8.1　开始 133
6.8.2　动手做 134
6.8.3　工作原理 139
第7章　自然语言处理 140
7.1　简介 140
7.2　词袋的使用 141
7.2.1　开始 141
7.2.2　动手做 142
7.2.3　工作原理 146
7.2.4　延伸学习 146
7.3　用TensorFlow实现TF-IDF算法 146
7.3.1　开始 146
7.3.2　动手做 147
7.3.3　工作原理 150
7.3.4　延伸学习 151
7.4　用TensorFlow实现skip-gram模型 151
7.4.1　开始 151
7.4.2　动手做 152
7.4.3　工作原理 158
7.4.4　延伸学习 158
7.5　用TensorFlow实现CBOW词嵌入模型 158
7.5.1　开始 158
7.5.2　动手做 159
7.5.3　工作原理 163
7.5.4　延伸学习 163
7.6　使用TensorFlow的Word2Vec预测 163
7.6.1　开始 163
7.6.2　动手做 163
7.6.3　工作原理 168
7.6.4　延伸学习 168
7.7　用TensorFlow实现基于Doc2Vec的情感分析 168
7.7.1　开始 168
7.7.2　动手做 169
7.7.3　工作原理 175
第8章　卷积神经网络 176
8.1　简介 176
8.2　用TensorFlow实现简单的CNN 177
8.2.1　开始 177
8.2.2　动手做 177
8.2.3　工作原理 182
8.2.4　延伸学习 182
8.2.5　参考 183
8.3　用TensorFlow实现进阶的CNN 183
8.3.1　开始 183
8.3.2　动手做 183
8.3.3　工作原理 189
8.3.4　参考 190
8.4　再训练已有的CNN模型 190
8.4.1　开始 190
8.4.2　动手做 191
8.4.3　工作原理 193
8.4.4　参考 193
8.5　用TensorFlow实现图像风格迁移 193
8.5.1　开始 194
8.5.2　动手做 194
8.5.3　工作原理 199
8.5.4　参考 199
8.6　用TensorFlow实现DeepDream 199
8.6.1　开始 199
8.6.2　动手做 199
8.6.3　延伸学习 204
8.6.4　参考 204
第9章　循环神经网络 205
9.1　简介 205
9.2　用TensorFlow实现RNN模型进行垃圾邮件预测 206
9.2.1　开始 206
9.2.2　动手做 206
9.2.3　工作原理 211
9.2.4　延伸学习 211
9.3　用TensorFlow实现LSTM模型 211
9.3.1　开始 211
9.3.2　动手做 212
9.3.3　工作原理 218
9.3.4　延伸学习 218
9.4　TensorFlow堆叠多层LSTM 219
9.4.1　开始 219
9.4.2　动手做 219
9.4.3　工作原理 221
9.5　用TensorFlow实现Seq2Seq翻译模型 221
9.5.1　开始 221
9.5.2　动手做 222
9.5.3　工作原理 232
9.5.4　延伸学习 232
9.6　TensorFlow训练孪生RNN度量相似度 232
9.6.1　开始 232
9.6.2　动手做 233
9.6.3　延伸学习 238
第10章　TensorFlow产品化 239
10.1　简介 239
10.2　TensorFlow的单元测试 239
10.2.1　开始 239
10.2.2　工作原理 244
10.3　TensorFlow的多设备使用 244
10.3.1　开始 244
10.3.2　动手做 245
10.3.3　工作原理 246
10.3.4　延伸学习 246
10.4　分布式TensorFlow实践 246
10.4.1　开始 247
10.4.2　动手做 247
10.4.3　工作原理 248
10.5　TensorFlow产品化开发提示 248
10.5.1　开始 248
10.5.2　动手做 248
10.5.3　工作原理 250
10.6　TensorFlow产品化的实例 250
10.6.1　开始 250
10.6.2　动手做 250
10.6.3　工作原理 253
10.7　TensorFlow服务部署 253
10.7.1　开始 253
10.7.2　动手做 253
10.7.3　工作原理 256
10.7.4　延伸学习 257
第11章　TensorFlow的进阶应用 258
11.1　简介 258
11.2　TensorFlow可视化：Tensorboard 258
11.2.1　开始 258
11.2.2　动手做 259
11.2.3　延伸学习 261
11.3　用TensorFlow实现遗传算法 263
11.3.1　开始 263
11.3.2　动手做 264
11.3.3　工作原理 266
11.3.4　延伸学习 266
11.4　用TensorFlow实现k-means聚类算法 267
11.4.1　开始 267
11.4.2　动手做 267
11.4.3　延伸学习 270
11.5　用TensorFlow求解常微分方程组 270
11.5.1　开始 271
11.5.2　动手做 271
11.5.3　工作原理 272
11.5.4　参考 272
11.6　用TensorFlow实现随机森林算法 273
11.6.1　开始 273
11.6.2　动手做 273
11.6.3　工作原理 276
11.6.4　参考 276
11.7　将Keras作为TensorFlow API使用 277
11.7.1　开始 277
11.7.2　动手做 277
11.7.3　工作原理 280
11.7.4　参考 281



---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别---------------------------


序
第1章　TensorFlow基础 1
1.1　张量 2
1.2　计算图与会话 2
1.3　常量、占位符与变量 4
1.4　占位符 6
1.5　创建张量 8
1.5.1　固定张量 9
1.5.2　序列张量 11
1.5.3　随机张量 11
1.6　矩阵操作 12
1.7　激活函数 13
1.7.1　双曲正切函数与Sigmoid函数 13
1.7.2　ReLU与ELU 15
1.7.3　ReLU6 15
1.8　损失函数 17
1.8.1　损失函数实例 18
1.8.2　常用的损失函数 18
1.9　优化器 19
1.9.1　优化器实例 20
1.9.2　常用的优化器 21
1.10　度量 21
1.10.1　度量实例 22
1.10.2　常用的度量 22
第2章　理解并运用Keras 25
2.1　深度学习模型构建的主要步骤 25
2.1.1　载入数据 26
2.1.2　预处理数据 27
2.1.3　定义模型 27
2.1.4　编译模型 29
2.1.5　拟合模型 29
2.1.6　评估模型 30
2.1.7　预测 30
2.1.8　保存与重载模型 31
2.1.9　可选：总结模型 31
2.2　改进Keras模型的附加步骤 32
2.3　Keras联合TensorFlow 33
第3章　多层感知机 35
3.1　人工神经网络 35
3.2　单层感知机 37
3.3　多层感知机 37
3.4　逻辑斯谛回归模型 38
第4章　TensorFlow中的回归到MLP 45
4.1　TensorFlow搭建模型的步骤 45
4.2　TensorFlow中的线性回归 46
4.3　逻辑斯谛回归模型 49
4.4　TensorFlow中的多层感知机 52
第5章　Keras中的回归到MLP 55
5.1　对数-线性模型 55
5.2　线性回归的Keras神经网络 56
5.3　逻辑斯谛回归 58
5.3.1 scikit-learn逻辑斯谛回归 58
5.3.2 逻辑斯谛回归的Keras神经网络 59
5.3.3 流行的MNIST数据：Keras中的逻辑斯谛回归 60
5.4　基于Iris数据的MLP 62
5.4.1　编写代码 62
5.4.2 构建一个序列Keras模型 63
5.5 基于MNIST数据的MLP数字分类 66
5.6　基于随机生成数据的MLP 68
第6章　卷积神经网络 71
6.1　CNN中的各种层 71
6.2　CNN结构 74
第7章　TensorFlow中的CNN 77
7.1 为什么用TensorFlow搭建CNN模型 77
7.2 基于MNIST数据集搭建图片分类器的TensorFlow代码 78
7.3　使用高级API搭建CNN模型 82
第8章　Keras中的CNN 83
8.1 在Keras中使用MNIST数据集搭建图片分类器 83
8.1.1　定义网络结构 85
8.1.2　定义模型架构 85
8.2 使用CIFAR-10数据集搭建图片分类器 86
8.2.1　定义网络结构 87
8.2.2　定义模型架构 88
8.3　预训练模型 89
第9章　RNN与LSTM 91
9.1　循环神经网络的概念 91
9.2　长短时记忆网络的概念 93
9.3　LSTM常见模式 93
9.4　序列预测 94
9.4.1　数字序列预测 94
9.4.2　序列分类 95
9.4.3　序列生成 95
9.4.4　序列到序列预测 95
9.5 利用LSTM模型处理时间序列预测问题 96
第10章　语音-文本转换及其逆过程 101
10.1　语音-文本转换 101
10.2　语音数据 102
10.3 语音特征：将语音映射为矩阵 103
10.4 声谱图：将语音映射为图像 104
10.5 利用MFCC特征构建语音识别分类器 104
10.6 利用声谱图构建语音识别分类器 105
10.7　开源方法 106
10.8　使用API的例子 107
10.8.1　使用PocketSphinx 107
10.8.2 使用Google Speech API 108
10.8.3 使用Google Cloud Speech API 108
10.8.4　使用Wit.ai API 108
10.8.5　使用Houndify API 109
10.8.6 使用IBM Speech to Text API 109
10.8.7 使用Bing Voice Recognition API 110
10.9　文本-语音转换 110
10.9.1　使用pyttsx 110
10.9.2　使用SAPI 111
10.9.3　使用SpeechLib 111
10.10　音频剪辑代码 111
10.11　认知服务提供商 112
10.11.1　Microsoft Azure 113
10.11.2　Amazon Cognitive Services 113
10.11.3　IBM Watson Services 113
10.12　语音分析的未来 113
第11章　创建聊天机器人 115
11.1　为什么是聊天机器人 116
11.2　聊天机器人的设计和功能 116
11.3　构建聊天机器人的步骤 116
11.3.1　预处理文本和消息 117
11.3.2 用API构建聊天机器人 130
11.4 聊天机器人开发的最佳实践 133
11.4.1　了解潜在用户 133
11.4.2 读入用户情感使得机器人情感更丰富 133
第12章　人脸检测与识别 135
12.1 人脸检测、人脸识别与人脸分析 135
12.2　OpenCV 136
12.2.1　特征脸 137
12.2.2　LBPH 137
12.2.3　费歇脸 138
12.3　检测人脸 139
12.4　跟踪人脸 141
12.5　人脸识别 144
12.6　基于深度学习的人脸识别 147
12.7　迁移学习 149
12.7.1 为什么要用迁移学习 150
12.7.2　迁移学习实例 150
12.7.3　计算迁移值 152
12.8　API 158
附录1　图像处理的Keras函数 161
附录2　可用的优质图像数据集 165
附录3　医学成像：DICOM文件格式 167



---------------------------机器学习实战：基于Scikit-Learn和TensorFlow---------------------------


前言1
第一部分 机器学习基础
第1章 机器学习概览11
什么是机器学习12
为什么要使用机器学习12
机器学习系统的种类15
监督式/无监督式学习16
批量学习和在线学习21
基于实例与基于模型的学习24
机器学习的主要挑战29
训练数据的数量不足29
训练数据不具代表性30
质量差的数据32
无关特征32
训练数据过度拟合33
训练数据拟合不足34
退后一步35
测试与验证35
练习37
第2章 端到端的机器学习项目39
使用真实数据39
观察大局40
框架问题41
选择性能指标42
检查假设45
获取数据45
创建工作区45
下载数据48
快速查看数据结构49
创建测试集52
从数据探索和可视化中获得洞见56
将地理数据可视化57
寻找相关性59
试验不同属性的组合61
机器学习算法的数据准备62
数据清理63
处理文本和分类属性65
自定义转换器67
特征缩放68
转换流水线68
选择和训练模型70
培训和评估训练集70
使用交叉验证来更好地进行评估72
微调模型74
网格搜索74
随机搜索76
集成方法76
分析最佳模型及其错误76
通过测试集评估系统77
启动、监控和维护系统78
试试看79
练习79
第3章 分类80
MNIST80
训练一个二元分类器82
性能考核83
使用交叉验证测量精度83
混淆矩阵84
精度和召回率86
精度/召回率权衡87
ROC曲线90
多类别分类器93
错误分析95
多标签分类98
多输出分类99
练习100
第4章 训练模型102
线性回归103
标准方程104
计算复杂度106
梯度下降107
批量梯度下降110
随机梯度下降112
小批量梯度下降114
多项式回归115
学习曲线117
正则线性模型121
岭回归121
套索回归123
弹性网络125
早期停止法126
逻辑回归127
概率估算127
训练和成本函数128
决策边界129
Softmax回归131
练习134
第5章 支持向量机136
线性SVM分类136
软间隔分类137
非线性SVM分类139
多项式核140
添加相似特征141
高斯RBF核函数142
计算复杂度143
SVM回归144
工作原理145
决策函数和预测146
训练目标146
二次规划148
对偶问题149
核化SVM149
在线SVM151
练习152
第6章 决策树154
决策树训练和可视化154
做出预测155
估算类别概率157
CART训练算法158
计算复杂度158
基尼不纯度还是信息熵159
正则化超参数159
回归161
不稳定性162
练习163
第7章 集成学习和随机森林165
投票分类器165
bagging和pasting168
Scikit-Learn的bagging和pasting169
包外评估170
Random Patches和随机子空间171
随机森林172
极端随机树173
特征重要性173
提升法174
AdaBoost175
梯度提升177
堆叠法181
练习184
第8章 降维185
维度的诅咒186
数据降维的主要方法187
投影187
流形学习189
PCA190
保留差异性190
主成分191
低维度投影192
使用Scikit-Learn192
方差解释率193
选择正确数量的维度193
PCA压缩194
增量PCA195
随机PCA195
核主成分分析196
选择核函数和调整超参数197
局部线性嵌入199
其他降维技巧200
练习201
第二部分 神经网络和深度学习
第9章 运行TensorFlow205
安装207
创建一个计算图并在会话中执行208
管理图209
节点值的生命周期210
TensorFlow中的线性回归211
实现梯度下降211
手工计算梯度212
使用自动微分212
使用优化器214
给训练算法提供数据214
保存和恢复模型215
用TensorBoard来可视化图和训练曲线216
命名作用域219
模块化220
共享变量222
练习225
第10章 人工神经网络简介227
从生物神经元到人工神经元227
生物神经元228
具有神经元的逻辑计算229
感知器230
多层感知器和反向传播233
用TensorFlow的高级API来训练MLP236
使用纯TensorFlow训练DNN237
构建阶段237
执行阶段240
使用神经网络241
微调神经网络的超参数242
隐藏层的个数242
每个隐藏层中的神经元数243
激活函数243
练习244
第11章 训练深度神经网络245
梯度消失/爆炸问题245
Xavier初始化和He初始化246
非饱和激活函数248
批量归一化250
梯度剪裁254
重用预训练图层255
重用TensorFlow模型255
重用其他框架的模型256
冻结低层257
缓存冻结层257
调整、丢弃或替换高层258
模型动物园258
无监督的预训练259
辅助任务中的预训练260
快速优化器261
Momentum优化261
Nesterov梯度加速262
AdaGrad263
RMSProp265
Adam优化265
学习速率调度267
通过正则化避免过度拟合269
提前停止269
1和2正则化269
dropout270
最大范数正则化273
数据扩充274
实用指南275
练习276
第12章 跨设备和服务器的分布式TensorFlow279
一台机器上的多个运算资源280
安装280
管理GPU RAM282
在设备上操作284
并行执行287
控制依赖288
多设备跨多服务器288
开启一个会话290
master和worker服务290
分配跨任务操作291
跨多参数服务器分片变量291
用资源容器跨会话共享状态292
使用TensorFlow队列进行异步通信294
直接从图中加载数据299
在TensorFlow集群上并行化神经网络305
一台设备一个神经网络305
图内与图间复制306
模型并行化308
数据并行化309
练习314
第13章 卷积神经网络315
视觉皮层的组织结构315
卷积层317
过滤器318
多个特征图的叠加319
TensorFlow实现321
内存需求323
池化层323
CNN架构325
LeNet-5326
AlexNet327
GoogLeNet328
ResNet331
练习334
第14章 循环神经网络337
循环神经元337
记忆单元339
输入和输出序列340
TensorFlow中的基本RNN341
通过时间静态展开342
通过时间动态展开344
处理长度可变输入序列344
处理长度可变输出序列345
训练RNN346
训练序列分类器346
训练预测时间序列348
创造性的RNN352
深层RNN353
在多个GPU中分配一个深层RNN354
应用丢弃机制355
多个时间迭代训练的难点356
LSTM单元357
窥视孔连接359
GRU单元359
自然语言处理361
单词嵌入361
用于机器翻译的编码器-解码器网络362
练习364
第15章 自动编码器366
高效的数据表示366
使用不完整的线性自动编码器实现PCA368
栈式自动编码器369
TensorFlow实现370
权重绑定371
一次训练一个自动编码器372
重建可视化374
特征可视化375
使用堆叠的自动编码器进行无监控的预训练376
去噪自动编码器377
TensorFlow 实现378
稀疏自动编码器379
TensorFlow 实现380
变分自动编码器381
生成数字384
其他自动编码器385
练习386
第16章 强化学习388
学习奖励最优化389
策略搜索390
OpenAI gym 介绍391
神经网络策略394
评估行为：信用分配问题396
策略梯度397
马尔可夫决策过程401
时间差分学习与Q学习405
探索策略406
逼近Q学习407
使用深度Q学习玩吃豆人游戏407
练习414
致谢415
附录A 练习答案416
附录B 机器学习项目清单438
附录C SVM对偶问题444
附录D 自动微分447
附录E 其他流行的ANN架构453




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4