機器學習實戰：模型構建與應用

第一部分構建模型
第1章TensorFlow簡介11
1.1什麼是機器學習11
1.2傳統程式設計的局限性13
1.3從程式設計到學習15
1.4什麼是TensorFlow16
1.5使用TensorFlow18
1.6初學機器學習22
1.7總結27
第2章電腦視覺簡介28
2.1識別服裝28
2.2視覺神經元30
2.3設計神經網路32
2.4訓練神經網路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章圖像特徵檢測39
3.1卷積39
3.2池化41
3.3實現卷積神經網路43
3.4探索卷積網路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
3.9dropout正則化66
3.10總結69
第4章TensorFlowDatasets70
4.1TFDS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使用自訂分割77
4.5理解TFRecord78
4.6TensorFlow中管理資料的ETL過程81
4.7總結86
第5章自然語言處理簡介87
5.1將語言編碼為數位87
5.2移除停用詞和清理文本93
5.3使用真實資料來源94
5.4總結103
第6章使用嵌入來程式設計情感104
6.1從詞建立意義104
6.2TensorFlow中的嵌入106
6.3視覺化嵌入121
6.4使用來自TensorFlowHub的預訓練嵌入123
6.5總結125
第7章自然語言處理的迴圈神經網路126
7.1迴圈的基礎126
7.2為語言擴展迴圈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擴展資料集152
8.5改變模型架構153
8.6改進資料154
8.7基於字元的編碼157
8.8總結158
第9章理解序列和時間序列資料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創建窗口資料集169
10.2創建並訓練DNN來擬合序列資料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KerasTuner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迴圈183
11.1序列數據的卷積183
11.2使用NASA天氣資料189
11.3使用RNN進行序列建模191
11.4使用其他迴圈方法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TensorFlowLite簡介205
12.1什麼是TensorFlowLite205
12.2演練：創建模型並將其轉換為TensorFlowLite207
12.3演練：遷移學習圖像分類器並轉換到TensorFlowLite211
12.4總結216
第13章在Android應用程式中使用TensorFlowLite217
13.1什麼是AndroidStudio217
13.2創建你的第一個TensorFlowLiteAndroid應用程式218
13.3超越“HelloWorld”—處理圖像226
13.4TensorFlowLite示例應用程式229
13.5總結230
第14章在iOS應用程式中使用TensorFlowLite231
14.1使用Xcode創建你的第一個TensorFlowLite應用程式231
14.2超越“HelloWorld”—處理圖像243
14.3TensorFlowLite示例應用程式246
14.4總結247
第15章TensorFlow.js簡介248
15.1什麼是TensorFlow.js248
15.2安裝和使用BracketsIDE249
15.3構建第一個TensorFlow.js模型251
15.4創建Iris分類器254
15.5總結258
第16章TensorFlow.js中的電腦視覺程式設計技術259
16.1TensorFlow開發人員的JavaScript注意事項260
16.2使用JavaScript構建CNN261
16.3使用回檔進行視覺化263
16.4使用MNIST資料集進行訓練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將基於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TensorFlowHub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TensorFlowServing進行部署304
19.1什麼是TensorFlowServing304
19.2安裝TensorFlowServing306
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程式設計中的公平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穀歌的AI原則328
20.6總結329