TensorFlow机器学习（原书第2版）

封面

版权页

作者简介

译者序

序

前言

关于本书

致谢

第一部分 机器学习基础

第1章 开启机器学习之旅

1.1 机器学习的基本原理

1.2 数据表示和特征

1.3 度量距离

1.4 机器学习的类型

1.5 TensorFlow

1.6 后续各章概述

小结

第2章 TensorFlow必备知识

2.1 确保TensorFlow工作正常

2.2 表示张量

2.3 创建运算

2.4 在会话中执行运算

2.5 将代码理解为图

2.6 在Jupyter中编写代码

2.7 使用变量

2.8 保存和加载变量

2.9 使用TensorBoard可视化数据

2.10 把所有综合到一起：TensorFlow系统架构和API

小结

第二部分 核心学习算法

第3章 线性回归及其他

3.1 形式化表示

3.2 线性回归

3.3 多项式模型

3.4 正则化

3.5 线性回归的应用

小结

第4章 使用回归进行呼叫量预测

4.1 什么是311

4.2 为回归清洗数据

4.3 什么是钟形曲线？预测高斯分布

4.4 训练呼叫回归预测器

4.5 可视化结果并绘制误差

4.6 正则化和训练测试集拆分

小结

第5章 分类问题基础介绍

5.1 形式化表示

5.2 衡量性能

5.3 使用线性回归进行分类

5.4 使用逻辑回归

5.5 多分类器

5.6 分类的应用

小结

第6章 情感分类：大型影评数据集

6.1 使用词袋模型

6.2 使用逻辑回归构建情感分类器

6.3 使用情感分类器进行预测

6.4 测量分类器的有效性

6.5 创建softmax回归情感分类器

6.6 向Kaggle提交结果

小结

第7章 自动聚类数据

7.1 使用TensorFlow遍历文件

7.2 音频特征提取

7.3 使用k-means聚类

7.4 分割音频

7.5 使用自组织映射进行聚类

7.6 应用聚类

小结

第8章 从Android的加速度计数据推断用户活动

8.1 Walking数据集中的用户活动数据

8.2 基于急动度大小聚类相似参与者

8.3 单个参与者的不同类别活动

小结

第9章 隐马尔可夫模型

9.1 一个不可解释模型的例子

9.2 马尔可夫模型

9.3 隐马尔可夫模型简介

9.4 前向算法

9.5 维特比解码

9.6 使用HMM

9.7 HMM的应用

小结

第10章 词性标注和词义消歧

10.1 HMM示例回顾：雨天或晴天

10.2 词性标注

10.3 构建基于HMM的词性消歧算法

10.4 运行HMM并评估其输出

10.5 从布朗语料库获得更多的训练数据

10.6 为词性标注定义评估指标

小结

第三部分 神经网络范式

第11章 自编码器

11.1 神经网络简介

11.2 自编码器简介

11.3 批量训练

11.4 处理图像

11.5 自编码器的应用

小结

第12章 应用自编码器：CIFAR-10图像数据集