译者序 \n
序 \n
前言 \n
关于本书 \n
致谢 \n
第一部分 机器学习基础 \n
第1章 开启机器学习之旅2 \n
1.1 机器学习的基本原理3 \n
1.1.1 参数5 \n
1.1.2 学习和推理6 \n
1.2 数据表示和特征7 \n
1.3 度量距离13 \n
1.4 机器学习的类型15 \n
1.4.1 监督学习15 \n
1.4.2 无监督学习16 \n
1.4.3 强化学习17 \n
1.4.4 元学习17 \n
1.5 TensorFlow19 \n
1.6 后续各章概述21 \n
小结22 \n
第2章 TensorFlow必备知识23 \n
2.1 确保TensorFlow工作正常24 \n
2.2 表示张量25 \n
2.3 创建运算29 \n
2.4 在会话中执行运算30 \n
2.5 将代码理解为图32 \n
2.6 在Jupyter中编写代码34 \n
2.7 使用变量37 \n
2.8 保存和加载变量38 \n
2.9 使用TensorBoard可视化数据40 \n
2.9.1 实现移动平均40 \n
2.9.2 可视化移动平均42 \n
2.10 把所有综合到一起：TensorFlow系统架构和API44 \n
小结45 \n
第二部分 核心学习算法 \n
第3章 线性回归及其他48 \n
3.1 形式化表示48 \n
3.2 线性回归52 \n
3.3 多项式模型55 \n
3.4 正则化58 \n
3.5 线性回归的应用62 \n
小结63 \n
第4章 使用回归进行呼叫量预测64 \n
4.1 什么是31166 \n
4.2 为回归清洗数据67 \n
4.3 什么是钟形曲线？预测高斯分布71 \n
4.4 训练呼叫回归预测器72 \n
4.5 可视化结果并绘制误差74 \n
4.6 正则化和训练测试集拆分76 \n
小结78 \n
第5章 分类问题基础介绍79 \n
5.1 形式化表示80 \n
5.2 衡量性能82 \n
5.2.1 准确率82 \n
5.2.2 精度和召回率82 \n
5.2.3 受试者操作特征曲线84 \n
5.3 使用线性回归进行分类85 \n
5.4 使用逻辑回归89 \n
5.4.1 解决1维逻辑回归90 \n
5.4.2 解决2维逻辑回归93 \n
5.5 多分类器96 \n
5.5.1 一对所有96 \n
5.5.2 一对一97 \n
5.5.3 softmax回归97 \n
5.6 分类的应用101 \n
小结101 \n
第6章 情感分类：大型影评数据集103 \n
6.1 使用词袋模型104 \n
6.1.1 在影评中应用词袋模型105 \n
6.1.2 清洗所有的电影评论107 \n
6.1.3 在词袋模型上进行探索性数据分析108 \n
6.2 使用逻辑回归构建情感分类器109 \n
6.2.1 模型训练的创建110 \n
6.2.2 训练创建的模型111 \n
6.3 使用情感分类器进行预测112 \n
6.4 测量分类器的有效性115 \n
6.5 创建softmax回归情感分类器119 \n
6.6 向Kaggle提交结果125 \n
小结127 \n
第7章 自动聚类数据128 \n
7.1 使用TensorFlow遍历文件129 \n
7.2 音频特征提取130 \n
7.3 使用k-means聚类135 \n
7.4 分割音频138 \n
7.5 使用自组织映射进行聚类140 \n
7.6 应用聚类144 \n
小结145 \n
第8章 从Android的加速度计数据推断用户活动146 \n
8.1 Walking数据集中的用户活动数据147 \n
8.1.1 创建数据集149 \n
8.1.2 计算急动度并提取特征向量150 \n
8.2 基于急动度大小聚类相似参与者153 \n
8.3 单个参与者的不同类别活动155 \n
小结157 \n
第9章 隐马尔可夫模型158 \n
9.1 一个不可解释模型的例子159 \n
9.2 马尔可夫模型159 \n
9.3 隐马尔可夫模型简介161 \n
9.4 前向算法162 \n
9.5 维特比解码165 \n
9.6 使用HMM166 \n
9.6.1 对视频建模166 \n
9.6.2 对DNA建模166 \n
9.6.3 对图像建模167 \n
9.7 HMM的应用167 \n
小结167 \n
第10章 词性标注和词义消歧168 \n
10.1 HMM示例回顾：雨天或晴天170 \n
10.2 词性标注173 \n
10.2.1 重点：使用HMM训练和预测词性176 \n
10.2.2 生成带歧义的词性标注数据集179 \n
10.3 构建基于HMM的词性消歧算法181 \n
10.4 运行HMM并评估其输出188 \n
10.5 从布朗语料库获得更多的训练数据190 \n
10.6 为词性标注定义评估指标196 \n
小结198 \n
第三部分 神经网络范式 \n
第11章 自编码器200 \n
11.1 神经网络简介201 \n
11.2 自编码器简介203 \n
11.3 批量训练207 \n
11.4 处理图像207 \n
11.5 自编码器的应用211 \n
小结212 \n
第12章 应用自编码器：CIFAR-10图像数据集213 \n
12.1 什么是CIFAR-10214 \n
12.2 自编码器作为分类器218 \n
12.3 去噪自编码器223 \n
12.4 堆栈自编码器226 \n
小结229 \n
第13章 强化学习230 \n
13.1 相关概念231 \n
13.1.1 策略232 \n
13.1.2 效用233 \n
13.2 应用强化学习233 \n
13.3 实现强化学习235 \n
13.4 探索强化学习的其他应用242 \n
小结243 \n
第14章 卷积神经网络244 \n
14.1 神经网络的缺点245 \n
14.2 卷积神经网络简介245 \n
14.3 准备图像246 \n
14.3.1 生成过滤器249 \n
14.3.2 使用过滤器进行卷积251 \n
14.3.3 最大池化253 \n
14.4 在TensorFlow中实现CNN254 \n
14.4.1 测量性能257 \n
14.4.2 训练分类器258 \n
14.5 提高性能的提示和技巧258 \n
14.6 CNN的应用259 \n
小结259 \n
第15章 构建现实世界中的CNN：VGG-Face和VGG-Face Lite260 \n
15.1 为CIFAR-10构建一个现实世界的CNN架构262 \n
15.1.1 加载和准备C
鄂公网安备 42010302001612号 