TensorFlow深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)

定　價(jià)：￥79.90

作　者：	[美] 盧卡·馬薩羅（Luca Massaron）等著，魏博，劉昌靈，司竹月，劉小晴譯
出版社：	人民郵電出版社
叢編項(xiàng)：	深度學(xué)習(xí)系列
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115563897	出版時(shí)間：	2022-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	234	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書旨在利用 TensorFlow 針對(duì)各種現(xiàn)實(shí)場(chǎng)景設(shè)計(jì)深度學(xué)習(xí)系統(tǒng)，引導(dǎo)讀者實(shí)現(xiàn)有趣的深度學(xué)習(xí)項(xiàng)目。本書涵蓋 10 個(gè)實(shí)踐項(xiàng)目，如用目標(biāo)檢測(cè) API 標(biāo)注圖像、利用長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）預(yù)測(cè)股票價(jià)格、構(gòu)建和訓(xùn)練機(jī)器翻譯模型、檢測(cè) Quora 數(shù)據(jù)集中的重復(fù)問題等。通過閱讀本書，讀者可以了解如何搭建深度學(xué)習(xí)的 TensorFlow 環(huán)境、如何構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)以有效地處理圖像、如何利用長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票價(jià)格，以及如何實(shí)現(xiàn)一個(gè)能夠自己玩電子游戲的人工智能（AI）！本書適合數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的從業(yè)者以及人工智能技術(shù)的愛好者閱讀。

作者簡(jiǎn)介

　　Luca Massaron 是一名數(shù)據(jù)科學(xué)家，也是一家公司的市場(chǎng)研究總監(jiān)，長期從事多元統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)和客戶分析等工作，有 10 多年的解決實(shí)際問題的經(jīng)驗(yàn)，擅長運(yùn)用推理、統(tǒng)計(jì)、數(shù)據(jù)挖掘和算法為客戶創(chuàng)造價(jià)值。他對(duì)數(shù)據(jù)分析技術(shù)非常感興趣，樂于向?qū)I(yè)人員和非專業(yè)人員展示數(shù)據(jù)驅(qū)動(dòng)的知識(shí)發(fā)現(xiàn)的巨大潛力。他堅(jiān)信通過簡(jiǎn)單明了的解釋和對(duì)行業(yè)的基本理解可以實(shí)現(xiàn)很多目標(biāo)。Alberto Boschetti 是一名數(shù)據(jù)科學(xué)家，在信號(hào)處理和統(tǒng)計(jì)方面有豐富的經(jīng)驗(yàn)。他擁有通信工程博士學(xué)位，目前從事自然語言處理、機(jī)器學(xué)習(xí)和分布式處理等方向的工作。他經(jīng)常參加學(xué)術(shù)討論、大型會(huì)議和其他活動(dòng)，關(guān)注數(shù)據(jù)科學(xué)技術(shù)的**進(jìn)展。Alexey Grigorev 是經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)工程師和軟件開發(fā)人員，擁有超過8年的專業(yè)經(jīng)驗(yàn)。他原是一名 Java 開發(fā)人員，后轉(zhuǎn)而從事數(shù)據(jù)科學(xué)工作?，F(xiàn)在，Alexey 是Simplaex 公司的數(shù)據(jù)科學(xué)家，主要使用 Java 和 Python 進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)分析和建模。他擅長的領(lǐng)域是機(jī)器學(xué)習(xí)和文本挖掘。Abhishek Thakur 是一名數(shù)據(jù)科學(xué)家，主要關(guān)注應(yīng)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。他在 2014 年獲得了德國波恩大學(xué)的計(jì)算機(jī)科學(xué)碩士學(xué)位，之后在多個(gè)行業(yè)工作。他的研究方向是自動(dòng)化機(jī)器學(xué)習(xí)。他熱衷于參加機(jī)器學(xué)習(xí)競(jìng)賽，在 Kaggle 競(jìng)賽中獲得過的好成績?nèi)虻谌?/div>

圖書目錄

第 1章用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志1
1．1 數(shù)據(jù)集1
1．2 卷積神經(jīng)網(wǎng)絡(luò)2
1．3 圖像預(yù)處理3
1．4 訓(xùn)練模型并進(jìn)行預(yù)測(cè)6
1．5 后續(xù)問題12
1．6 小結(jié)12
第 2章用目標(biāo)檢測(cè)API標(biāo)注圖像13
2．1 微軟常見物體數(shù)據(jù)集13
2．2 TensorFlow的目標(biāo)檢測(cè)API16
2．3 展示項(xiàng)目計(jì)劃18
2．3．1 為項(xiàng)目搭建合適的開發(fā)環(huán)境19
2．3．2 protobuf編譯20
2．4 準(zhǔn)備項(xiàng)目代碼20
2．4．1 一些簡(jiǎn)單應(yīng)用31
2．4．2 網(wǎng)絡(luò)攝像頭實(shí)時(shí)檢測(cè)34
2．5 致謝36
2．6 小結(jié)36
第3章圖像的描述生成37
3．1 什么是描述生成37
3．2 探索圖像描述數(shù)據(jù)集38
3．3 把單詞轉(zhuǎn)換為詞嵌入40
3．4 描述圖像的方法42
3．4．1 條件隨機(jī)場(chǎng)42
3．4．2 基于卷積神經(jīng)網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)43
3．4．3 描述排序44
3．4．4 密集描述45
3．4．5 循環(huán)神經(jīng)網(wǎng)絡(luò)描述46
3．4．6 多模態(tài)描述46
3．4．7 基于注意力機(jī)制的描述47
3．5 實(shí)現(xiàn)描述生成模型48
3．6 小結(jié)52
第4章為生成條件圖像構(gòu)建GAN53
4．1 GAN簡(jiǎn)介53
4．1．1 對(duì)抗方式是關(guān)鍵54
4．1．2 “寒武紀(jì)大爆發(fā)”56
4．2 項(xiàng)目57
4．2．1 數(shù)據(jù)集類58
4．2．2 CGAN類60
4．3 CGAN應(yīng)用示例74
4．3．1 MNIST75
4．3．2 Zalando MNIST79
4．3．3 EMNIST81
4．3．4 重用經(jīng)過訓(xùn)練的CGAN82
4．4 使用AWS服務(wù)84
4．5 致謝85
4．6 小結(jié)86
第5章利用LSTM預(yù)測(cè)股票價(jià)格87
5．1 輸入數(shù)據(jù)集（余弦信號(hào)和股票價(jià)格）87
5．2 格式化數(shù)據(jù)集90
5．3 用回歸模型預(yù)測(cè)股票價(jià)格93
5．4 長短期記憶神經(jīng)網(wǎng)絡(luò)入門101
5．5 利用LSTM進(jìn)行股票價(jià)格預(yù)測(cè)103
5．6 練習(xí)108
5．7 小結(jié)109
第6章構(gòu)建和訓(xùn)練機(jī)器翻譯模型110
6．1 機(jī)器翻譯系統(tǒng)架構(gòu)110
6．2 語料庫預(yù)處理112
6．3 訓(xùn)練機(jī)器翻譯模型118
6．4 測(cè)試和翻譯123
6．5 練習(xí)125
6．6 小結(jié)125
第7章訓(xùn)練能像人類一樣討論的聊天機(jī)器人126
7．1 項(xiàng)目簡(jiǎn)介126
7．2 輸入語料庫127
7．3 創(chuàng)建訓(xùn)練集128
7．4 訓(xùn)練聊天機(jī)器人132
7．5 聊天機(jī)器人API134
7．6 練習(xí)137
7．7 小結(jié)137
第8章檢測(cè)Quora數(shù)據(jù)集中的重復(fù)問題138
8．1 展示數(shù)據(jù)集138
8．2 基礎(chǔ)特征工程141
8．3 創(chuàng)建模糊特征142
8．4 借助TF-IDF和SVD特征145
8．5 用Word2vec嵌入映射148
8．6 測(cè)試機(jī)器學(xué)習(xí)模型153
8．7 搭建TensorFlow模型158
8．8 構(gòu)建深度神經(jīng)網(wǎng)絡(luò)之前所做的處理158
8．9 深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建模塊160
8．10 設(shè)計(jì)學(xué)習(xí)架構(gòu)163
8．11 小結(jié)169
第9章用TensorFlow構(gòu)建推薦系統(tǒng)170
9．1 推薦系統(tǒng)170
9．2 推薦系統(tǒng)下的矩陣分解172
9．2．1 數(shù)據(jù)集準(zhǔn)備和基準(zhǔn)172
9．2．2 矩陣分解177
9．2．3 隱式反饋數(shù)據(jù)集178
9．2．4 基于SGD的矩陣分解181
9．2．5 貝葉斯個(gè)性化排序186
9．3 面向推薦系統(tǒng)的RNN189
9．3．1 數(shù)據(jù)集準(zhǔn)備和基準(zhǔn)190
9．3．2 用TensorFlow構(gòu)建RNN模型195
9．4 小結(jié)206
第 10章基于強(qiáng)化學(xué)習(xí)的電子游戲207
10．1 關(guān)于游戲207
10．2 OpenAI版游戲208
10．3 在Linux（Ubuntu 14．04或16．04）上安裝OpenAI Gym210
10．4 通過深度學(xué)習(xí)探索強(qiáng)化學(xué)習(xí)212
10．4．1 深度Q-learning技巧215
10．4．2 理解深度Q-learning的局限性216
10．5 啟動(dòng)項(xiàng)目216
10．5．1 定義人工智能大腦217
10．5．2 為經(jīng)驗(yàn)回放創(chuàng)建記憶221
10．5．3 創(chuàng)建智能體222
10．5．4 指定環(huán)境227
10．5．5 執(zhí)行強(qiáng)化學(xué)習(xí)過程230
10．6 致謝233
10．7 小結(jié)234