掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習實戰(模型構建與應用) 版權信息
- ISBN：9787111705635
- 條形碼：9787111705635 ; 978-7-111-70563-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習實戰(模型構建與應用) 本書特色
深入研究深度學習、計算機視覺和自然語言處理的實用起點；涉及人工智能的倫理、聯邦學習等新穎課題。
機器學習實戰(模型構建與應用) 內容簡介
本書是一本面向程序員的基礎教程，涉及目前人工智能領域的幾個熱門方向，包括計算機視覺、自然語言處理和序列數據建模。盡管內容豐富，但作者并沒有引入太多的理論知識，而是通過直觀的例子來解釋機器學習和人工智能的基本概念，并立刻通過代碼來實現。本書遵循近期新的TensorFlow 2.0編程規范，易于閱讀和理解，不需要你有大量的機器學習背景。 作者不惜筆墨地充分展示了如何利用TensorFlow在不同的場景下部署模型，包括網頁端、移動端（iOS和Android）和云端。書中提供的很多用于部署模型的代碼范例稍加修改就可以用于不同的場景。本書還涉及如何確保人工智能的倫理、公平和隱私。書中提到的聯邦學習及保證公平性的軟件都是近期新的和值得研究的。
機器學習實戰(模型構建與應用) 目錄
序言1
前言3
**部分 構建模型
第1章 TensorFlow簡介11
1.1 什么是機器學習11
1.2 傳統編程的局限性13
1.3 從編程到學習15
1.4 什么是TensorFlow16
1.5 使用TensorFlow18
1.6 初學機器學習22
1.7 總結27
第2章 計算機視覺簡介28
2.1 識別服裝28
2.2 視覺神經元30
2.3 設計神經網絡32
2.4 訓練神經網絡35
2.5 探索模型輸出36
2.6 訓練更長時間，發現過擬合36
2.7 停止訓練37
2.8 總結38
第3章 圖像特征檢測39
3.1 卷積39
3.2 池化41
3.3 實現卷積神經網絡43
3.4 探索卷積網絡45
3.5 創建一個CNN來區分馬和人47
3.6 圖像增強56
3.7 遷移學習59
3.8 多類別分類63
3.9 dropout正則化66
3.10 總結69
第4章 TensorFlow Datasets70
4.1 TFDS入門71
4.2 在Keras模型中使用TFDS73
4.3 使用映射函數進行增強76
4.4 使用自定義分割77
4.5 理解TFRecord78
4.6 TensorFlow中管理數據的ETL過程81
4.7 總結86
第5章 自然語言處理簡介87
5.1 將語言編碼為數字87
5.2 移除停用詞和清理文本93
5.3 使用真實數據源94
5.4 總結103
第6章 使用嵌入來編程情感104
6.1 從詞建立意義104
6.2 TensorFlow中的嵌入106
6.3 可視化嵌入121
6.4 使用來自TensorFlow Hub的預訓練嵌入123
6.5 總結125
第7章 自然語言處理的循環神經網絡126
7.1 循環的基礎126
7.2 為語言擴展循環128
7.3 使用RNN創建文本分類器130
7.4 在RNN中使用預訓練的嵌入137
7.5 總結143
第8章 使用TensorFlow創建文本144
8.1 將序列轉換為輸入序列145
8.2 創建模型149
8.3 生成文本150
8.4 擴展數據集152
8.5 改變模型架構153
8.6 改進數據154
8.7 基于字符的編碼157
8.8 總結158
第9章 理解序列和時間序列數據159
9.1 時間序列的常見屬性160
9.2 預測時間序列的技術162
9.3 總結167
第10章 創建ML模型來預測序列168
10.1 創建窗口數據集169
10.2 創建并訓練DNN來擬合序列數據173
10.3 評估DNN的結果174
10.4 探索整體的預測175
10.5 調整學習率177
10.6 使用Keras Tuner探索超參數調優178
10.7 總結182
第11章 序列模型中的卷積和循環183
11.1 序列數據的卷積183
11.2 使用NASA天氣數據189
11.3 使用RNN進行序列建模191
11.4 使用其他循環方法196
11.5 使用dropout197
11.6 使用雙向RNN199
11.7 總結201
第二部分 使用模型
第12章 TensorFlow Lite簡介205
12.1 什么是TensorFlow Lite205
12.2 演練：創建模型并將其轉換為TensorFlow Lite207
12.3 演練：遷移學習圖像分類器并轉換到Tensor Flow Lite211
12.4 總結216
第13章 在Android應用程序中使用TensorFlow Lite217
13.1 什么是Android Studio217
13.2 創建你的**個TensorFlow Lite Android應用程序218
13.3 超越“Hello World”—處理圖像226
13.4 TensorFlow Lite示例應用程序229
13.5 總結230
第14章 在iOS應用程序中使用TensorFlow Lite231
14.1 使用Xcode創建你的**個TensorFlow Lite應用程序231
14.2 超越“Hello World”—處理圖像243
14.3 TensorFlow Lite示例應用程序246
14.4 總結247
第15章 TensorFlow.js簡介248
15.1 什么是TensorFlow.js248
15.2 安裝和使用Brackets IDE249
15.3 構建**個TensorFlow.js模型251
15.4 創建Iris分類器254
15.5 總結258
第16章 TensorFlow.js中的計算機視覺編程技術259
16.1 TensorFlow開發人員的JavaScript注意事項260
16.2 使用JavaScript構建CNN261
16.3 使用回調進行可視化263
16.4 使用MNIST數據集進行訓練264
16.5 在TensorFlow.js中對圖像運行推理270
16.6 總結270
第17章 重用和轉換Python模型為JavaScript272
17.1 將基于Python的模型轉換為JavaScript272
17.2 使用預轉換的JavaScript模型276
17.3 總結284
第18章 JavaScript中的遷移學習285
18.1 從MobileNet進行遷移學習285
18.2 來自TensorFlow Hub的遷移學習297
18.3 使用來自TensorFlow.org的模型301
18.4 總結303
第19章 使用TensorFlow Serving進行部署304
19.1 什么是TensorFlow Serving304
19.2 安裝TensorFlow Serving306
19.3 構建和服務模型308
19.4 總結314
第20章 AI的倫理、公平和隱私315
20.1 編程中的公平316
20.2 機器學習中的公平318
20.3 實現公平的工具320
20.4 聯邦學習323
20.5 谷歌的AI原則328
20.6 總結329
前言3
**部分 構建模型
第1章 TensorFlow簡介11
1.1 什么是機器學習11
1.2 傳統編程的局限性13
1.3 從編程到學習15
1.4 什么是TensorFlow16
1.5 使用TensorFlow18
1.6 初學機器學習22
1.7 總結27
第2章 計算機視覺簡介28
2.1 識別服裝28
2.2 視覺神經元30
2.3 設計神經網絡32
2.4 訓練神經網絡35
2.5 探索模型輸出36
2.6 訓練更長時間，發現過擬合36
2.7 停止訓練37
2.8 總結38
第3章 圖像特征檢測39
3.1 卷積39
3.2 池化41
3.3 實現卷積神經網絡43
3.4 探索卷積網絡45
3.5 創建一個CNN來區分馬和人47
3.6 圖像增強56
3.7 遷移學習59
3.8 多類別分類63
3.9 dropout正則化66
3.10 總結69
第4章 TensorFlow Datasets70
4.1 TFDS入門71
4.2 在Keras模型中使用TFDS73
4.3 使用映射函數進行增強76
4.4 使用自定義分割77
4.5 理解TFRecord78
4.6 TensorFlow中管理數據的ETL過程81
4.7 總結86
第5章 自然語言處理簡介87
5.1 將語言編碼為數字87
5.2 移除停用詞和清理文本93
5.3 使用真實數據源94
5.4 總結103
第6章 使用嵌入來編程情感104
6.1 從詞建立意義104
6.2 TensorFlow中的嵌入106
6.3 可視化嵌入121
6.4 使用來自TensorFlow Hub的預訓練嵌入123
6.5 總結125
第7章 自然語言處理的循環神經網絡126
7.1 循環的基礎126
7.2 為語言擴展循環128
7.3 使用RNN創建文本分類器130
7.4 在RNN中使用預訓練的嵌入137
7.5 總結143
第8章 使用TensorFlow創建文本144
8.1 將序列轉換為輸入序列145
8.2 創建模型149
8.3 生成文本150
8.4 擴展數據集152
8.5 改變模型架構153
8.6 改進數據154
8.7 基于字符的編碼157
8.8 總結158
第9章 理解序列和時間序列數據159
9.1 時間序列的常見屬性160
9.2 預測時間序列的技術162
9.3 總結167
第10章 創建ML模型來預測序列168
10.1 創建窗口數據集169
10.2 創建并訓練DNN來擬合序列數據173
10.3 評估DNN的結果174
10.4 探索整體的預測175
10.5 調整學習率177
10.6 使用Keras Tuner探索超參數調優178
10.7 總結182
第11章 序列模型中的卷積和循環183
11.1 序列數據的卷積183
11.2 使用NASA天氣數據189
11.3 使用RNN進行序列建模191
11.4 使用其他循環方法196
11.5 使用dropout197
11.6 使用雙向RNN199
11.7 總結201
第二部分 使用模型
第12章 TensorFlow Lite簡介205
12.1 什么是TensorFlow Lite205
12.2 演練：創建模型并將其轉換為TensorFlow Lite207
12.3 演練：遷移學習圖像分類器并轉換到Tensor Flow Lite211
12.4 總結216
第13章 在Android應用程序中使用TensorFlow Lite217
13.1 什么是Android Studio217
13.2 創建你的**個TensorFlow Lite Android應用程序218
13.3 超越“Hello World”—處理圖像226
13.4 TensorFlow Lite示例應用程序229
13.5 總結230
第14章 在iOS應用程序中使用TensorFlow Lite231
14.1 使用Xcode創建你的**個TensorFlow Lite應用程序231
14.2 超越“Hello World”—處理圖像243
14.3 TensorFlow Lite示例應用程序246
14.4 總結247
第15章 TensorFlow.js簡介248
15.1 什么是TensorFlow.js248
15.2 安裝和使用Brackets IDE249
15.3 構建**個TensorFlow.js模型251
15.4 創建Iris分類器254
15.5 總結258
第16章 TensorFlow.js中的計算機視覺編程技術259
16.1 TensorFlow開發人員的JavaScript注意事項260
16.2 使用JavaScript構建CNN261
16.3 使用回調進行可視化263
16.4 使用MNIST數據集進行訓練264
16.5 在TensorFlow.js中對圖像運行推理270
16.6 總結270
第17章 重用和轉換Python模型為JavaScript272
17.1 將基于Python的模型轉換為JavaScript272
17.2 使用預轉換的JavaScript模型276
17.3 總結284
第18章 JavaScript中的遷移學習285
18.1 從MobileNet進行遷移學習285
18.2 來自TensorFlow Hub的遷移學習297
18.3 使用來自TensorFlow.org的模型301
18.4 總結303
第19章 使用TensorFlow Serving進行部署304
19.1 什么是TensorFlow Serving304
19.2 安裝TensorFlow Serving306
19.3 構建和服務模型308
19.4 總結314
第20章 AI的倫理、公平和隱私315
20.1 編程中的公平316
20.2 機器學習中的公平318
20.3 實現公平的工具320
20.4 聯邦學習323
20.5 谷歌的AI原則328
20.6 總結329
展開全部
機器學習實戰(模型構建與應用) 作者簡介
勞倫斯·莫羅尼（Laurence Moroney），在谷歌領導AlAdvocacy，教授軟件開發人員使用機器學習構建Al系統。他是TensorFlowYouTube頻道youtube.com/tensorflow的？，是認可的優選主題演講者，著作數不勝數。
書友推薦
- >
巴金－再思錄
- >
朝聞道
- >
苦雨齋序跋文-周作人自編集
- >
煙與鏡
- >
伊索寓言-世界文學名著典藏-全譯本
- >
推拿
- >
李白與唐代文化
- >
史學評論
本類暢銷
