TensorFlow機器學習（原書第2版）

譯者序
序
前言
關於本書
致謝

第一部分機器學習基礎
第1章開啟機器學習之旅2
1.1機器學習的基本原理3
1.1.1參數5
1.1.2學習和推理6
1.2資料表示和特徵7
1.3度量距離13
1.4機器學習的類型15
1.4.1監督學習15
1.4.2無監督學習16
1.4.3強化學習17
1.4.4元學習17
1.5TensorFlow19
1.6後續各章概述21
小結22
第2章TensorFlow必備知識23
2.1確保TensorFlow工作正常24
2.2表示張量25
2.3創建運算29
2.4在會話中執行運算30
2.5將代碼理解為圖32
2.6在Jupyter中編寫代碼34
2.7使用變數37
2.8保存和載入變數38
2.9使用TensorBoard視覺化資料40
2.9.1實現移動平均40
2.9.2視覺化移動平均42
2.10把所有綜合到一起：TensorFlow系統架構和API44
小結45

第二部分核心學習演算法
第3章線性回歸及其他48
3.1形式化表示48
3.2線性回歸52
3.3多項式模型55
3.4正則化58
3.5線性回歸的應用62
小結63
第4章使用回歸進行呼叫量預測64
4.1什麼是31166
4.2為回歸清洗資料67
4.3什麼是鐘形曲線？預測高斯分佈71
4.4訓練呼叫回歸預測器72
4.5視覺化結果並繪製誤差74
4.6正則化和訓練測試集拆分76
小結78
第5章分類問題基礎介紹79
5.1形式化表示80
5.2衡量性能82
5.2.1準確率82
5.2.2精度和召回率82
5.2.3受試者操作特徵曲線84
5.3使用線性回歸進行分類85
5.4使用邏輯回歸89
5.4.1解決1維邏輯回歸90
5.4.2解決2維邏輯回歸93
5.5多分類器96
5.5.1一對所有96
5.5.2一對一97
5.5.3softmax回歸97
5.6分類的應用101
小結101
第6章情感分類：大型影評資料集103
6.1使用詞袋模型104
6.1.1在影評中應用詞袋模型105
6.1.2清洗所有的電影評論107
6.1.3在詞袋模型上進行探索性資料分析108
6.2使用邏輯回歸構建情感分類器109
6.2.1模型訓練的創建110
6.2.2訓練創建的模型111
6.3使用情感分類器進行預測112
6.4測量分類器的有效性115
6.5創建softmax回歸情感分類器119
6.6向Kaggle提交結果125
小結127
第7章自動聚類資料128
7.1使用TensorFlow遍歷檔129
7.2音訊特徵提取130
7.3使用k-means聚類135
7.4分割音訊138
7.5使用自組織映射進行聚類140
7.6應用聚類144
小結145
第8章從Android的加速度計數據推斷用戶活動146
8.1Walking資料集中的使用者活動資料147
8.1.1創建資料集149
8.1.2計算急動度並提取特徵向量150
8.2基於急動度大小聚類相似參與者153
8.3單個參與者的不同類別活動155
小結157
第9章隱瑪律可夫模型158
9.1一個不可解釋模型的例子159
9.2瑪律可夫模型159
9.3隱瑪律可夫模型簡介161
9.4前向演算法162
9.5維特比解碼165
9.6使用HMM166
9.6.1對視頻建模166
9.6.2對DNA建模166
9.6.3對圖像建模167
9.7HMM的應用167
小結167
第10章詞性標注和詞義消歧168
10.1HMM示例回顧：雨天或晴天170
10.2詞性標注173
10.2.1重點：使用HMM訓練和預測詞性176
10.2.2生成帶歧義的詞性標注資料集179
10.3構建基於HMM的詞性消歧演算法181
10.4運行HMM並評估其輸出188
10.5從布朗語料庫獲得更多的訓練資料190
10.6為詞性標注定義評估指標196
小結198

第三部分神經網路範式
第11章自編碼器200
11.1神經網路簡介201
11.2自編碼器簡介203
11.3批量訓練207
11.4處理圖像207
11.5自編碼器的應用211
小結212
第12章應用自編碼器：CIFAR-10圖像資料集213
12.1什麼是CIFAR-10214
12.2自編碼器作為分類器218
12.3去噪自編碼器223
12.4堆疊自編碼器226
小結229
第13章強化學習230
13.1相關概念231
13.1.1策略232
13.1.2效用233
13.2應用強化學習233
13.3實現強化學習235
13.4探索強化學習的其他應用242
小結243
第14章卷積神經網路244
14.1神經網路的缺點245
14.2卷積神經網路簡介245
14.3準備圖像246
14.3.1生成篩檢程式249
14.3.2使用篩檢程式進行卷積251
14.3.3最大池化253
14.4在TensorFlow中實現CNN254
14.4.1測量性能257
14.4.2訓練分類器258
14.5提高性能的提示和技巧258
14.6CNN的應用259
小結259
第15章構建現實世界中的CNN：VGG-Face和VGG-FaceLite260
15.1為CIFAR-10構建一個現實世界的CNN架構262
15.1.1載入和準備C