TensorFlow機器學習實戰指南(原書第2版)（簡體書）

本書由數據科學家撰寫，從實戰角度系統講解TensorFlow基本概念及各種應用實踐。真實的應用場景和數據，豐富的代碼實例，詳盡的操作步驟，帶領讀者由淺入深系統掌握TensorFlow機器學習算法及其實現。
本書第1章和第2章介紹了關於TensorFlow使用的基礎知識，後續章節則針對一些典型算法和典型應用場景進行了實現，並配有較詳細的程序說明，可讀性非常強。讀者如果能對其中代碼進行複現，則必定會對TensorFlow的使用了如指掌。

尼克·麥克盧爾（Nick McClure），數據科學家，目前就職於美國西雅圖PayScale公司，曾經在Zillow 公司和Caesar''s Entertainment公司工作，獲得蒙大拿大學和聖本尼迪克學院與聖約翰大學的應用數學專業學位。他熱衷於數據分析、機器學習和人工智能。Nick 有時會把想法寫成博客(http://fromdata.org/）或者發推特（@nfmcclure）。

譯者序
審校者簡介
前言
第1章 TensorFlow基礎 1
1.1 簡介 1
1.2 TensorFlow如何工作 1
1.2.1 開始 1
1.2.2 動手做 2
1.2.3 工作原理 3
1.2.4 參考 3
1.3 聲明變量和張量 4
1.3.1 開始 4
1.3.2 動手做 4
1.3.3 工作原理 6
1.3.4 延伸學習 6
1.4 使用占位符和變量 6
1.4.1 開始 6
1.4.2 動手做 6
1.4.3 工作原理 7
1.4.4 延伸學習 7
1.5 操作(計算)矩陣 8
1.5.1 開始 8
1.5.2 動手做 8
1.5.3 工作原理 10
1.6 聲明操作 10
1.6.1 開始 10
1.6.2 動手做 10
1.6.3 工作原理 12
1.6.4 延伸學習 12
1.7 實現激勵函數 12
1.7.1 開始 12
1.7.2 動手做 12
1.7.3 工作原理 14
1.7.4 延伸學習 14
1.8 讀取數據源 14
1.8.1 開始 15
1.8.2 動手做 15
1.8.3 工作原理 18
1.8.4 參考 18
1.9 其他資源 19
1.9.1 開始 19
1.9.2 動手做 19
第2章 TensorFlow進階 20
2.1 簡介 20
2.2 計算圖中的操作 20
2.2.1 開始 20
2.2.2 動手做 21
2.2.3 工作原理 21
2.3 TensorFlow的嵌入Layer 21
2.3.1 開始 21
2.3.2 動手做 22
2.3.3 工作原理 22
2.3.4 延伸學習 22
2.4 TensorFlow的多層Layer 23
2.4.1 開始 23
2.4.2 動手做 23
2.4.3 工作原理 24
2.5 TensorFlow實現損失函數 24
2.5.1 開始 25
2.5.2 動手做 26
2.5.3 工作原理 28
2.5.4 延伸學習 28
2.6 TensorFlow實現反向傳播 29
2.6.1 開始 29
2.6.2 動手做 30
2.6.3 工作原理 33
2.6.4 延伸學習 33
2.6.5 參考 33
2.7 TensorFlow實現批量訓練和隨機訓練 34
2.7.1 開始 34
2.7.2 動手做 34
2.7.3 工作原理 35
2.7.4 延伸學習 36
2.8 TensorFlow實現創建分類器 36
2.8.1 開始 36
2.8.2 動手做 37
2.8.3 工作原理 38
2.8.4 延伸學習 39
2.8.5 參考 39
2.9 TensorFlow實現模型評估 39
2.9.1 開始 39
2.9.2 動手做 40
2.9.3 工作原理 43
第3章 基於TensorFlow的線性回歸 44
3.1 簡介 44
3.2 用TensorFlow求逆矩陣 44
3.2.1 開始 45
3.2.2 動手做 45
3.2.3 工作原理 46
3.3 用TensorFlow實現矩陣分解 46
3.3.1 開始 46
3.3.2 動手做 46
3.3.3 工作原理 47
3.4 用TensorFlow實現線性回歸算法 47
3.4.1 開始 48
3.4.2 動手做 48
3.4.3 工作原理 50
3.5 理解線性回歸中的損失函數 51
3.5.1 開始 51
3.5.2 動手做 51
3.5.3 工作原理 52
3.5.4 延伸學習 53
3.6 用TensorFlow實現戴明回歸算法 53
3.6.1 開始 54
3.6.2 動手做 54
3.6.3 工作原理 55
3.7 用TensorFlow實現lasso回歸和嶺回歸算法 56
3.7.1 開始 56
3.7.2 動手做 56
3.7.3 工作原理 58
3.7.4 延伸學習 58
3.8 用TensorFlow實現彈性網絡回歸算法 58
3.8.1 開始 58
3.8.2 動手做 58
3.8.3 工作原理 60
3.9 用TensorFlow實現邏輯回歸算法 60
3.9.1 開始 60
3.9.2 動手做 61
3.9.3 工作原理 63
第4章 基於TensorFlow的支持向量機 65
4.1 簡介 65
4.2 線性支持向量機的使用 67
4.2.1 開始 67
4.2.2 動手做 67
4.2.3 工作原理 70
4.3 弱化為線性回歸 71
4.3.1 開始 71
4.3.2 動手做 72
4.3.3 工作原理 74
4.4 TensorFlow上核函數的使用 75
4.4.1 開始 75
4.4.2 動手做 76
4.4.3 工作原理 80
4.4.4 延伸學習 80
4.5 用TensorFlow實現非線性支持向量機 80
4.5.1 開始 80
4.5.2 動手做 80
4.5.3 工作原理 83
4.6 用TensorFlow實現多類支持向量機 83
4.6.1 開始 83
4.6.2 動手做 84
4.6.3 工作原理 87
第5章 最近鄰域法 88
5.1 簡介 88
5.2 最近鄰域法的使用 89
5.2.1 開始 89
5.2.2 動手做 89
5.2.3 工作原理 92
5.2.4 延伸學習 92
5.3 如何度量文本距離 92
5.3.1 開始 93
5.3.2 動手做 93
5.3.3 工作原理 95
5.3.4 延伸學習 95
5.4 用TensorFlow實現混合距離計算 95
5.4.1 開始 96
5.4.2 動手做 96
5.4.3 工作原理 98
5.4.4 延伸學習 98
5.5 用TensorFlow實現地址匹配 99
5.5.1 開始 99
5.5.2 動手做 99
5.5.3 工作原理 101
5.6 用TensorFlow實現圖像識別 102
5.6.1 開始 102
5.6.2 動手做 102
5.6.3 工作原理 104
5.6.4 延伸學習 105
第6章 神經網絡算法 106
6.1 簡介 106
6.2 用TensorFlow實現門函數 107
6.2.1 開始 107
6.2.2 動手做 108
6.2.3 工作原理 110
6.3 使用門函數和激勵函數 110
6.3.1 開始 111
6.3.2 動手做 111
6.3.3 工作原理 113
6.3.4 延伸學習 113
6.4 用TensorFlow實現單層神經網絡 114
6.4.1 開始 114
6.4.2 動手做 114
6.4.3 工作原理 116
6.4.4 延伸學習 117
6.5 用TensorFlow實現神經網絡常見層 117
6.5.1 開始 117