TensorFlow深度學習項目實戰(zhàn)

定　價：￥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：	深度學習系列
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115563897	出版時間：	2022-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	234	字數(shù)：

內容簡介

　　本書旨在利用 TensorFlow 針對各種現(xiàn)實場景設計深度學習系統(tǒng)，引導讀者實現(xiàn)有趣的深度學習項目。本書涵蓋 10 個實踐項目，如用目標檢測 API 標注圖像、利用長短期記憶神經(jīng)網(wǎng)絡（LSTM）預測股票價格、構建和訓練機器翻譯模型、檢測 Quora 數(shù)據(jù)集中的重復問題等。通過閱讀本書，讀者可以了解如何搭建深度學習的 TensorFlow 環(huán)境、如何構建卷積神經(jīng)網(wǎng)絡以有效地處理圖像、如何利用長短期記憶神經(jīng)網(wǎng)絡預測股票價格，以及如何實現(xiàn)一個能夠自己玩電子游戲的人工智能（AI）！本書適合數(shù)據(jù)科學家、機器學習和深度學習領域的從業(yè)者以及人工智能技術的愛好者閱讀。

作者簡介

　　Luca Massaron 是一名數(shù)據(jù)科學家，也是一家公司的市場研究總監(jiān)，長期從事多元統(tǒng)計分析、機器學習和客戶分析等工作，有 10 多年的解決實際問題的經(jīng)驗，擅長運用推理、統(tǒng)計、數(shù)據(jù)挖掘和算法為客戶創(chuàng)造價值。他對數(shù)據(jù)分析技術非常感興趣，樂于向專業(yè)人員和非專業(yè)人員展示數(shù)據(jù)驅動的知識發(fā)現(xiàn)的巨大潛力。他堅信通過簡單明了的解釋和對行業(yè)的基本理解可以實現(xiàn)很多目標。Alberto Boschetti 是一名數(shù)據(jù)科學家，在信號處理和統(tǒng)計方面有豐富的經(jīng)驗。他擁有通信工程博士學位，目前從事自然語言處理、機器學習和分布式處理等方向的工作。他經(jīng)常參加學術討論、大型會議和其他活動，關注數(shù)據(jù)科學技術的**進展。Alexey Grigorev 是經(jīng)驗豐富的數(shù)據(jù)科學家、機器學習工程師和軟件開發(fā)人員，擁有超過8年的專業(yè)經(jīng)驗。他原是一名 Java 開發(fā)人員，后轉而從事數(shù)據(jù)科學工作?，F(xiàn)在，Alexey 是Simplaex 公司的數(shù)據(jù)科學家，主要使用 Java 和 Python 進行數(shù)據(jù)清理、數(shù)據(jù)分析和建模。他擅長的領域是機器學習和文本挖掘。Abhishek Thakur 是一名數(shù)據(jù)科學家，主要關注應用機器學習和深度學習。他在 2014 年獲得了德國波恩大學的計算機科學碩士學位，之后在多個行業(yè)工作。他的研究方向是自動化機器學習。他熱衷于參加機器學習競賽，在 Kaggle 競賽中獲得過的好成績全球第三名。

圖書目錄

第 1章用卷積神經(jīng)網(wǎng)絡識別交通標志1
1．1 數(shù)據(jù)集1
1．2 卷積神經(jīng)網(wǎng)絡2
1．3 圖像預處理3
1．4 訓練模型并進行預測6
1．5 后續(xù)問題12
1．6 小結12
第 2章用目標檢測API標注圖像13
2．1 微軟常見物體數(shù)據(jù)集13
2．2 TensorFlow的目標檢測API16
2．3 展示項目計劃18
2．3．1 為項目搭建合適的開發(fā)環(huán)境19
2．3．2 protobuf編譯20
2．4 準備項目代碼20
2．4．1 一些簡單應用31
2．4．2 網(wǎng)絡攝像頭實時檢測34
2．5 致謝36
2．6 小結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 把單詞轉換為詞嵌入40
3．4 描述圖像的方法42
3．4．1 條件隨機場42
3．4．2 基于卷積神經(jīng)網(wǎng)絡的循環(huán)神經(jīng)網(wǎng)絡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)絡描述46
3．4．6 多模態(tài)描述46
3．4．7 基于注意力機制的描述47
3．5 實現(xiàn)描述生成模型48
3．6 小結52
第4章為生成條件圖像構建GAN53
4．1 GAN簡介53
4．1．1 對抗方式是關鍵54
4．1．2 “寒武紀大爆發(fā)”56
4．2 項目57
4．2．1 數(shù)據(jù)集類58
4．2．2 CGAN類60
4．3 CGAN應用示例74
4．3．1 MNIST75
4．3．2 Zalando MNIST79
4．3．3 EMNIST81
4．3．4 重用經(jīng)過訓練的CGAN82
4．4 使用AWS服務84
4．5 致謝85
4．6 小結86
第5章利用LSTM預測股票價格87
5．1 輸入數(shù)據(jù)集（余弦信號和股票價格）87
5．2 格式化數(shù)據(jù)集90
5．3 用回歸模型預測股票價格93
5．4 長短期記憶神經(jīng)網(wǎng)絡入門101
5．5 利用LSTM進行股票價格預測103
5．6 練習108
5．7 小結109
第6章構建和訓練機器翻譯模型110
6．1 機器翻譯系統(tǒng)架構110
6．2 語料庫預處理112
6．3 訓練機器翻譯模型118
6．4 測試和翻譯123
6．5 練習125
6．6 小結125
第7章訓練能像人類一樣討論的聊天機器人126
7．1 項目簡介126
7．2 輸入語料庫127
7．3 創(chuàng)建訓練集128
7．4 訓練聊天機器人132
7．5 聊天機器人API134
7．6 練習137
7．7 小結137
第8章檢測Quora數(shù)據(jù)集中的重復問題138
8．1 展示數(shù)據(jù)集138
8．2 基礎特征工程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 測試機器學習模型153
8．7 搭建TensorFlow模型158
8．8 構建深度神經(jīng)網(wǎng)絡之前所做的處理158
8．9 深度神經(jīng)網(wǎng)絡的構建模塊160
8．10 設計學習架構163
8．11 小結169
第9章用TensorFlow構建推薦系統(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)集準備和基準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)集準備和基準190
9．3．2 用TensorFlow構建RNN模型195
9．4 小結206
第 10章基于強化學習的電子游戲207
10．1 關于游戲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 通過深度學習探索強化學習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 啟動項目216
10．5．1 定義人工智能大腦217
10．5．2 為經(jīng)驗回放創(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)行強化學習過程230
10．6 致謝233
10．7 小結234