机器学习实战：模型构建与应用

序言1
前言3
第一部分 构建模型
第1章 TensorFlow简介11
1.1 什么是机器学习11
1.2 传统编程的局限性13
1.3 从编程到学习15
1.4 什么是TensorFlow16
1.5 使用TensorFlow18
1.6 初学机器学习22
1.7 总结27
第2章 计算机视觉简介28
2.1 识别服装28
2.2 视觉神经元30
2.3 设计神经网络32
2.4 训练神经网络35
2.5 探索模型输出36
2.6 训练更长时间，发现过拟合36
2.7 停止训练37
2.8 总结38
第3章 图像特征检测39
3.1 卷积39
3.2 池化41
3.3 实现卷积神经网络43
3.4 探索卷积网络45
3.5 创建一个CNN来区分马和人47
3.6 图像增强56
3.7 迁移学习59
3.8 多类别分类63
3.9 dropout正则化66
3.10 总结69
第4章 TensorFlow Datasets70
4.1 TFDS入门71
4.2 在Keras模型中使用TFDS73
4.3 使用映射函数进行增强76
4.4 使用自定义分割77
4.5 理解TFRecord78
4.6 TensorFlow中管理数据的ETL过程81
4.7 总结86
第5章 自然语言处理简介87
5.1 将语言编码为数字87
5.2 移除停用词和清理文本93
5.3 使用真实数据源94
5.4 总结103
第6章 使用嵌入来编程情感104
6.1 从词建立意义104
6.2 TensorFlow中的嵌入106
6.3 可视化嵌入121
6.4 使用来自TensorFlow Hub的预训练嵌入123
6.5 总结125
第7章 自然语言处理的循环神经网络126
7.1 循环的基础126
7.2 为语言扩展循环128
7.3 使用RNN创建文本分类器130
7.4 在RNN中使用预训练的嵌入137
7.5 总结143
第8章 使用TensorFlow创建文本144
8.1 将序列转换为输入序列145
8.2 创建模型149
8.3 生成文本150
8.4 扩展数据集152
8.5 改变模型架构153
8.6 改进数据154
8.7 基于字符的编码157
8.8 总结158
第9章 理解序列和时间序列数据159
9.1 时间序列的常见属性160
9.2 预测时间序列的技术162
9.3 总结167
第10章 创建ML模型来预测序列168
10.1 创建窗口数据集169
10.2 创建并训练DNN来拟合序列数据173
10.3 评估DNN的结果174
10.4 探索整体的预测175
10.5 调整学习率177
10.6 使用Keras Tuner探索超参数调优178
10.7 总结182
第11章 序列模型中的卷积和循环183
11.1 序列数据的卷积183
11.2 使用NASA天气数据189
11.3 使用RNN进行序列建模191
11.4 使用其他循环方法196
11.5 使用dropout197
11.6 使用双向RNN199
11.7 总结201
第二部分 使用模型
第12章 TensorFlow Lite简介205
12.1 什么是TensorFlow Lite205
12.2 演练：创建模型并将其转换为TensorFlow Lite207
12.3 演练：迁移学习图像分类器并转换到Tensor Flow Lite211
12.4 总结216
第13章 在Android应用程序中使用TensorFlow Lite217
13.1 什么是Android Studio217
13.2 创建你的第一个TensorFlow Lite Android应用程序218
13.3 超越“Hello World”—处理图像226
13.4 TensorFlow Lite示例应用程序229
13.5 总结230
第14章 在iOS应用程序中使用TensorFlow Lite231
14.1 使用Xcode创建你的第一个TensorFlow Lite应用程序231
14.2 超越“Hello World”—处理图像243
14.3 TensorFlow Lite示例应用程序246
14.4 总结247
第15章 TensorFlow.js简介248
15.1 什么是TensorFlow.js248
15.2 安装和使用Brackets IDE249
15.3 构建第一个TensorFlow.js模型251
15.4 创建Iris分类器254
15.5 总结258
第16章 TensorFlow.js中的计算机视觉编程技术259
16.1 TensorFlow开发人员的JavaScript注意事项260
16.2 使用JavaScript构建CNN261
16.3 使用回调进行可视化263
16.4 使用MNIST数据集进行训练264
16.5 在TensorFlow.js中对图像运行推理270
16.6 总结270
第17章 重用和转换Python模型为JavaScript272
17.1 将基于Python的模型转换为JavaScript272
17.2 使用预转换的JavaScript模型276
17.3 总结284
第18章 JavaScript中的迁移学习285
18.1 从MobileNet进行迁移学习285
18.2 来自TensorFlow Hub的迁移学习297
18.3 使用来自TensorFlow.org的模型301
18.4 总结303
第19章 使用TensorFlow Serving进行部署304
19.1 什么是TensorFlow Serving304
19.2 安装TensorFlow Serving306
19.3 构建和服务模型308
19.4 总结314
第20章 AI的伦理、公平和隐私315
20.1 编程中的公平316
20.2 机器学习中的公平318
20.3 实现公平的工具320
20.4 联邦学习323
20.5 谷歌的AI原则328
20.6 总结329