《TensorFlow機(jī)器學(xué)習(xí) 原書第2版 》讀書筆記思維導(dǎo)圖

PPT書籍導(dǎo)讀最新版本讀書筆記模板《TensorFlow機(jī)器學(xué)習(xí)原書第2版》最新版讀書筆記，下載可以直接修改小結(jié)第章數(shù)據(jù)機(jī)器模型應(yīng)用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練架構(gòu)圖像聚類可視化實(shí)例情感使用語音詞性器本書關(guān)鍵字分析思維導(dǎo)圖01關(guān)于本書第一部分機(jī)器學(xué)習(xí)基礎(chǔ)第三部分神經(jīng)網(wǎng)絡(luò)范式致謝第二部分核心學(xué)習(xí)算法附錄安裝說明目錄0305020406內(nèi)容摘要這是一本TensorFlow機(jī)器學(xué)習(xí)入門教程，書中通過大量實(shí)例，以淺顯易懂、循序漸進(jìn)的方式詳細(xì)闡釋使用Python和TensorFlow構(gòu)建機(jī)器學(xué)習(xí)模型的核心技術(shù)與方法。本書既涵蓋機(jī)器學(xué)習(xí)基礎(chǔ)理論，又介紹了如何將機(jī)器學(xué)習(xí)核心概念應(yīng)用于現(xiàn)實(shí)世界的挑戰(zhàn)（例如，情感分析、文本分類和圖像識(shí)別）中，并通過實(shí)例展示了用于深度語音處理、面部識(shí)別以及使用CIFAR-10的自編碼器的神經(jīng)網(wǎng)絡(luò)技術(shù)。全書共分為三部分。第一部分（第1～2章）討論機(jī)器學(xué)習(xí)的基本原理及其當(dāng)前被大規(guī)模應(yīng)用的原因；第二部分（第3～10章）通過大量實(shí)例詳細(xì)介紹回歸算法和分類算法，涵蓋回歸、分類、無監(jiān)督聚類和隱馬爾可夫模型（HMM）等技術(shù)及應(yīng)用；第三部分（第11～19章）主要介紹神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，涵蓋使用隱藏層的自編碼器壓縮和表示輸入、用于自動(dòng)分類圖像和面部識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）、用于時(shí)間序列數(shù)據(jù)或語音轉(zhuǎn)文本的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），以及seq2seqRNN架構(gòu)等內(nèi)容。通過閱讀本書，你將能夠：使用TensorFlow進(jìn)行機(jī)器學(xué)習(xí)選擇最佳的機(jī)器學(xué)習(xí)方法使用TensorBoard可視化算法與合作伙伴共享結(jié)果在Docker中運(yùn)行模型關(guān)于本書致謝第一部分機(jī)器學(xué)習(xí)基礎(chǔ)第2章TensorFlow必備知識(shí)第1章開啟機(jī)器學(xué)習(xí)之旅第一部分機(jī)器學(xué)習(xí)基礎(chǔ)1.1機(jī)器學(xué)習(xí)的基本原理1.2數(shù)據(jù)表示和特征1.3度量距離1.4機(jī)器學(xué)習(xí)的類型第1章開啟機(jī)器學(xué)習(xí)之旅1.5TensorFlow小結(jié)1.6后續(xù)各章概述第1章開啟機(jī)器學(xué)習(xí)之旅2.1確保TensorFlow工作正常2.2表示張量2.3創(chuàng)建運(yùn)算2.4在會(huì)話中執(zhí)行運(yùn)算2.5將代碼理解為圖2.6在Jupyter中編寫代碼010302040506第2章TensorFlow必備知識(shí)2.7使用變量2.8保存和加載變量2.9使用TensorBoard可視化...2.10把所有綜合到一起：Tensor...小結(jié)12345第2章TensorFlow必備知識(shí)第二部分核心學(xué)習(xí)算法第3章線性回歸及其他第4章使用回歸進(jìn)行呼叫量預(yù)測第5章分類問題基礎(chǔ)介紹第6章情感分類：大型影評(píng)數(shù)據(jù)集第二部分核心學(xué)習(xí)算法第7章自動(dòng)聚類數(shù)據(jù)第8章從Android的加速度計(jì)數(shù)據(jù)推...第9章隱馬爾可夫模型第10章詞性標(biāo)注和詞義消歧第二部分核心學(xué)習(xí)算法3.1形式化表示3.2線性回歸3.3多項(xiàng)式模型3.4正則化3.5線性回歸的應(yīng)用小結(jié)010302040506第3章線性回歸及其他4.1什么是3114.2為回歸清洗數(shù)據(jù)4.3什么是鐘形曲線？預(yù)測高斯分布4.4訓(xùn)練呼叫回歸預(yù)測器第4章使用回歸進(jìn)行呼叫量預(yù)測4.5可視化結(jié)果并繪制誤差小結(jié)4.6正則化和訓(xùn)練測試集拆分第4章使用回歸進(jìn)行呼叫量預(yù)測5.1形式化表示5.2衡量性能5.3使用線性回歸進(jìn)行分類5.4使用邏輯回歸第5章分類問題基礎(chǔ)介紹5.5多分類器小結(jié)5.6分類的應(yīng)用第5章分類問題基礎(chǔ)介紹6.1使用詞袋模型6.2使用邏輯回歸構(gòu)建情感分類器6.3使用情感分類器進(jìn)行預(yù)測6.4測量分類器的有效性第6章情感分類：大型影評(píng)數(shù)據(jù)集6.5創(chuàng)建softmax回歸情感分類器小結(jié)6.6向Kaggle提交結(jié)果第6章情感分類：大型影評(píng)數(shù)據(jù)集7.1使用TensorFlow遍歷文件7.2音頻特征提取7.3使用k-means聚類7.4分割音頻第7章自動(dòng)聚類數(shù)據(jù)7.5使用自組織映射進(jìn)行聚類小結(jié)7.6應(yīng)用聚類第7章自動(dòng)聚類數(shù)據(jù)8.1Walking數(shù)據(jù)集中的用戶活動(dòng)...8.2基于急動(dòng)度大小聚類相似參與者8.3單個(gè)參與者的不同類別活動(dòng)小結(jié)第8章從Android的加速度計(jì)數(shù)據(jù)推...9.1一個(gè)不可解釋模型的例子9.2馬爾可夫模型9.3隱馬爾可夫模型簡介9.4前向算法第9章隱馬爾可夫模型9.5維特比解碼9.6使用HMM9.7HMM的應(yīng)用小結(jié)第9章隱馬爾可夫模型10.1HMM示例回顧：雨天或晴天10.2詞性標(biāo)注10.3構(gòu)建基于HMM的詞性消歧算法10.4運(yùn)行HMM并評(píng)估其輸出第10章詞性標(biāo)注和詞義消歧10.5從布朗語料庫獲得更多的訓(xùn)練數(shù)據(jù)小結(jié)10.6為詞性標(biāo)注定義評(píng)估指標(biāo)第10章詞性標(biāo)注和詞義消歧第三部分神經(jīng)網(wǎng)絡(luò)范式第11章自編碼器第12章應(yīng)用自編碼器：CIFAR-10...第13章強(qiáng)化學(xué)習(xí)第14章卷積神經(jīng)網(wǎng)絡(luò)第15章構(gòu)建現(xiàn)實(shí)世界中的CNN：VGG...第16章循環(huán)神經(jīng)網(wǎng)絡(luò)010302040506第三部分神經(jīng)網(wǎng)絡(luò)范式第17章LSTM和自動(dòng)語音識(shí)別第19章效用第18章用于聊天機(jī)器人的seq2seq...第三部分神經(jīng)網(wǎng)絡(luò)范式11.1神經(jīng)網(wǎng)絡(luò)簡介11.2自編碼器簡介11.3批量訓(xùn)練11.4處理圖像11.5自編碼器的應(yīng)用小結(jié)010302040506第11章自編碼器12.1什么是CIFAR-1012.2自編碼器作為分類器12.3去噪自編碼器12.4堆棧自編碼器小結(jié)12345第12章應(yīng)用自編碼器：CIFAR-10...13.1相關(guān)概念13.2應(yīng)用強(qiáng)化學(xué)習(xí)13.3實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)13.4探索強(qiáng)化學(xué)習(xí)的其他應(yīng)用小結(jié)12345第13章強(qiáng)化學(xué)習(xí)14.1神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)14.2卷積神經(jīng)網(wǎng)絡(luò)簡介14.3準(zhǔn)備圖像14.4在TensorFlow中實(shí)現(xiàn)C...第14章卷積神經(jīng)網(wǎng)絡(luò)14.5提高性能的提示和技巧小結(jié)14.6CNN的應(yīng)用第14章卷積神經(jīng)網(wǎng)絡(luò)15.1為CIFAR-10構(gòu)建一個(gè)現(xiàn)實(shí)...15.2為CIFAR-10構(gòu)建深層CN...15.3訓(xùn)練和應(yīng)用一個(gè)更好的CIFAR...15.4在CIFAR-10測試和評(píng)估C...15.5構(gòu)建用于人臉識(shí)別的VGG-Fa...小結(jié)010302040506第15章構(gòu)建現(xiàn)實(shí)世界中的CNN：VGG...16.1RNN介紹16.2實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)16.3使用時(shí)間序列數(shù)據(jù)的預(yù)測模型16.4應(yīng)用RNN小結(jié)12345第16章循環(huán)神經(jīng)網(wǎng)絡(luò)17.1準(zhǔn)備LibriSpeech語料...17.2使用深度語音模型17.3訓(xùn)練和評(píng)估深度語音模型小結(jié)第17章LSTM和自動(dòng)語音識(shí)別18.1基于分類和RNN18.2理解seq2seq架構(gòu)18.3符號(hào)的向量表示18.4把它們綜合到一起18.5收集對(duì)話數(shù)據(jù)小結(jié)010302040506第18章用于聊天機(jī)器