《TensorFlow机器学习（原书第2版）》内容简介

本书是升级版，不仅包含机器学习的基本概念，以及如何利用TensorFlow库快速构建强大的机器学习模型，还涵盖了前沿的神经网络技术，如深度语音分类器、面部识别和CIFAR-10自动编码。另外，本书新增了如何将代码更新到TensorFlow2.0，以及在Docker容器中运行代码所需要的技术。
Chris Mattmann是美国宇航局JPL（喷气推进实验室）信息技术和解决方案理事会AI、分析和创新发展组织的部门经理和首席数据科学家，负责管理先进的IT研究、开源和技术评估以及用户注入能力。他致力于开源，曾在Apache软件基金会（2013-2018）担任主任，是Apache Nutch最初的贡献者之一，也是Apache Tika框架的先驱。Mattmann一直致力于为TensorFlow和所有与机器学习相关的技术做出贡献。Mattmann还是美国南加州大学信息检索和数据科学（IRDS）小组的主任和兼职副教授，主要教授研究生课程，包括内容检测和分析、搜索引擎和信息检索等。

作品目录

译者序
序
前言
关于本书
致谢
第一部分
机器学习基础
第1章：开启机器学习之旅
1.1、机器学习的基本原理
1.2、数据表示和特征
1.3、度量距离
1.4、机器学习的类型
1.5、TensorFlow
1.6、后续各章概述
小结
第2章：TensorFlow必备知识
2.1、确保TensorFlow工作正常
2.2、表示张量
2.3、创建运算
2.4、在会话中执行运算
2.5、将代码理解为图
2.6、在Jupyter中编写代码
2.7、使用变量
2.8、保存和加载变量
2.9、使用TensorBoard可视化数据
2.10、把所有综合到一起：TensorFlow系统架构和API
小结
第二部分
核心学习算法
第3章：线性回归及其他
3.1、形式化表示
3.2、线性回归
3.3、多项式模型
3.4、正则化
3.5、线性回归的应用
小结
第4章：使用回归进行呼叫量预测
4.1、什么是311、4.2、为回归清洗数据
4.3、什么是钟形曲线？预测高斯分布
4.4、训练呼叫回归预测器
4.5、可视化结果并绘制误差
4.6、正则化和训练测试集拆分
小结
第5章：分类问题基础介绍
5.1、形式化表示
5.2、衡量性能
5.3、使用线性回归进行分类
5.4、使用逻辑回归
5.5、多分类器
5.6、分类的应用
小结
第6章：情感分类：大型影评数据集
6.1、使用词袋模型
6.2、使用逻辑回归构建情感分类器
6.3、使用情感分类器进行预测
6.4、测量分类器的有效性
6.5、创建softmax回归情感分类器
6.6、向Kaggle提交结果
小结
第7章：自动聚类数据
7.1、使用TensorFlow遍历文件
7.2、音频特征提取
7.3、使用k-means聚类
7.4、分割音频
7.5、使用自组织映射进行聚类
7.6、应用聚类
小结
第8章：从Android的加速度计数据推断用户活动
8.1、Walking数据集中的用户活动数据
8.2、基于急动度大小聚类相似参与者
8.3、单个参与者的不同类别活动
小结
第9章：隐马尔可夫模型
9.1、一个不可解释模型的例子
9.2、马尔可夫模型
9.3、隐马尔可夫模型简介
9.4、前向算法
9.5、维特比解码
9.6、使用HMM
9.7、HMM的应用
小结
第10章：词性标注和词义消歧
10.1、HMM示例回顾：雨天或晴天
10.2、词性标注
10.3、构建基于HMM的词性消歧算法
10.4、运行HMM并评估其输出
10.5、从布朗语料库获得更多的训练数据
10.6、为词性标注定义评估指标
小结
第三部分
神经网络范式
第11章：自编码器
11.1、神经网络简介
11.2、自编码器简介
11.3、批量训练
11.4、处理图像
11.5、自编码器的应用
小结
第12章：应用自编码器：CIFAR-10图像数据集
12.1、什么是CIFAR-10、12.2、自编码器作为分类器
12.3、去噪自编码器
12.4、堆栈自编码器
小结
第13章：强化学习
13.1、相关概念
13.2、应用强化学习
13.3、实现强化学习
13.4、探索强化学习的其他应用
小结
第14章：卷积神经网络
14.1、神经网络的缺点
14.2、卷积神经网络简介
14.3、准备图像
14.4、在TensorFlow中实现CNN
14.5、提高性能的提示和技巧
14.6、CNN的应用
小结
第15章：构建现实世界中的CNN：VGG-Face和VGG-Face
Lite
15.1、为CIFAR-10构建一个现实世界的CNN架构
15.2、为CIFAR-10构建深层CNN架构
15.3、训练和应用一个更好的CIFAR-10、CNN
15.4、在CIFAR-10测试和评估CNN
15.5、构建用于人脸识别的VGG-Face
小结
第16章：循环神经网络
16.1、RNN介绍
16.2、实现循环神经网络
16.3、使用时间序列数据的预测模型
16.4、应用RNN
小结
第17章：LSTM和自动语音识别
17.1、准备LibriSpeech语料库
17.2、使用深度语音模型
17.3、训练和评估深度语音模型
小结
第18章：用于聊天机器人的seq2seq模型
18.1、基于分类和RNN
18.2、理解seq2seq架构
18.3、符号的向量表示
18.4、把它们综合到一起
18.5、收集对话数据
小结
第19章：效用
19.1、偏好模型
19.2、图像嵌入
19.3、图像排序
小结
接下来
附录安装说明
A.1、用Docker安装书中的代码
A.2、获取数据和存储模型
A.3、必需的库
A.4、将呼叫中心示例转换为TensorFlow2