滿額折
Python+Tensorflow機器學習實戰（簡體書）
商品資訊
ISBN13：9787302522607
出版社：清華大學出版社(大陸)
作者：李鷗
出版日：2019/06/01
裝訂／頁數：平裝／237頁
規格：26cm*19cm (高/寬)
版次：一版
商品簡介
作者簡介
目次
商品簡介
《Python+TensorFlow機器學習實戰》通過開發實例和項目案例，詳細介紹TensorFlow開發所涉及的主要內容。書中的每個知識點都通過實例進行通俗易懂的講解，便於讀者輕鬆掌握有關TensorFlow開發的內容和技巧，並能夠得心應手地使用TensorFlow進行開發。
《Python+TensorFlow機器學習實戰》內容共分為11章，首先介紹TensorFlow的基本知識，通過實例逐步深入地講解線性回歸、支持向量機、神經網絡算法和無監督學習等常見的機器學習算法模型。然後通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用講解TensorFlow的實際開發過程。
《Python+TensorFlow機器學習實戰》適合有一定Python基礎的工程師閱讀；對於有一定基礎的讀者，可通過《Python+TensorFlow機器學習實戰》快速地將TensorFlow應用到實際開發中；對於高等院校的學生和培訓機構的學員，《Python+TensorFlow機器學習實戰》也是入門和實踐機器學習的優秀教材。
《Python+TensorFlow機器學習實戰》對應的電子課件和實例源代碼可以到http://www.tupwk.com.cn/downpage下載，也可通過掃描前言中的二維碼下載。
《Python+TensorFlow機器學習實戰》內容共分為11章，首先介紹TensorFlow的基本知識，通過實例逐步深入地講解線性回歸、支持向量機、神經網絡算法和無監督學習等常見的機器學習算法模型。然後通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用講解TensorFlow的實際開發過程。
《Python+TensorFlow機器學習實戰》適合有一定Python基礎的工程師閱讀；對於有一定基礎的讀者，可通過《Python+TensorFlow機器學習實戰》快速地將TensorFlow應用到實際開發中；對於高等院校的學生和培訓機構的學員，《Python+TensorFlow機器學習實戰》也是入門和實踐機器學習的優秀教材。
《Python+TensorFlow機器學習實戰》對應的電子課件和實例源代碼可以到http://www.tupwk.com.cn/downpage下載，也可通過掃描前言中的二維碼下載。
作者簡介
李鷗，計算機科學碩士，曾就職支f寶，現任職某央企研究院。致力於人工智能的研究，對機器學習的原理、開發框架及其在不同場景中的應用有濃烈興趣，在圖形識別、文本識別、語音識別、數據挖掘方面有豐富實踐經驗，參與基於機器學習的用戶行為分析及某省部級項目研究。
目次
目 錄
第1章 機器學習概述
1.1 人工智能 1
1.2 機器學習 2
1.2.1 機器學習的發展 2
1.2.2 機器學習的分類 3
1.2.3 機器學習的經典算法 4
1.2.4 機器學習入門 6
1.3 TensorFlow簡介 6
1.3.1 主流框架的對比 7
1.3.2 TensorFlow的發展 9
1.3.3 使用TensorFlow的公司 10
1.4 TensorFlow環境準備 10
1.4.1 Windows環境 11
1.4.2 Linux環境 21
1.4.3 Mac OS環境 22
1.5 常用的第三方模塊 22
1.6 本章小結 23
第2章 TensorFlow基礎
2.1 TensorFlow基礎框架 24
2.1.1 系統框架 24
2.1.2 系統的特性 26
2.1.3 編程模型 27
2.1.4 編程特點 28
2.2 TensorFlow源代碼結構分析 30
2.2.1 源代碼下載 30
2.2.2 TensorFlow目錄結構 30
2.2.3 重點目錄 31
2.3 TensorFlow基本概念 33
2.3.1 Tensor 33
2.3.2 Variable 34
2.3.3 Placeholder 35
2.3.4 Session 36
2.3.5 Operation 36
2.3.6 Queue 37
2.3.7 QueueRunner 38
2.3.8 Coordinator 39
2.4 第一個TensorFlow示例 40
2.4.1 典型應用 41
2.4.2 運行TensorFlow示例 43
2.5 TensorBoard可視化 45
2.5.1 SCALARS面板 45
2.5.2 GRAPHS面板 47
2.5.3 IMAGES面板 48
2.5.4 AUDIO面板 49
2.5.5 DISTRIBUTIONS面板 49
2.5.6 HISTOGRAMS面板 49
2.5.7 PROJECTOR面板 50
2.6 本章小結 50
第3章 TensorFlow進階
3.1 加載數據 51
3.1.1 預加載數據 51
3.1.2 填充數據 51
3.1.3 從CSV文件讀取數據 52
3.1.4 讀取TFRecords數據 54
3.2 存儲和加載模型 58
3.2.1 存儲模型 58
3.2.2 加載模型 59
3.3 評估和優化模型 60
3.3.1 評估指標的介紹與使用 60
3.3.2 模型調優的主要方法 61
3.4 本章小結 63
第4章 線性模型
4.1 常見的線性模型 64
4.2 一元線性回歸 65
4.2.1 生成訓練數據 65
4.2.2 定義訓練模型 66
4.2.3 進行數據訓練 66
4.2.4 運行總結 67
4.3 多元線性回歸 68
4.3.1 二元線性回歸算法簡介 68
4.3.2 生成訓練數據 69
4.3.3 定義訓練模型 70
4.3.4 進行數據訓練 70
4.3.5 運行總結 70
4.4 邏輯回歸 71
4.4.1 邏輯回歸算法簡介 71
4.4.2 生成訓練數據 73
4.4.3 定義訓練模型 74
4.4.4 進行數據訓練 74
4.4.5 運行總結 75
4.5 本章小結 76
第5章 支持向量機
5.1 支持向量機簡介 77
5.1.1 SVM基本型 77
5.1.2 SVM核函數簡介 79
5.2 擬合線性回歸 80
5.2.1 生成訓練數據 80
5.2.2 定義訓練模型 81
5.2.3 進行數據訓練 81
5.2.4 運行總結 82
5.3 擬合邏輯回歸 83
5.3.1 生成訓練數據 83
5.3.2 定義訓練模型 84
5.3.3 進行數據訓練 85
5.3.4 運行總結 86
5.4 非線性二值分類 87
5.4.1 生成訓練數據 87
5.4.2 定義訓練模型 88
5.4.3 進行數據訓練 89
5.4.4 運行總結 89
5.5 非線性多類分類 91
5.5.1 生成訓練數據 91
5.5.2 定義訓練模型 92
5.5.3 進行數據訓練 93
5.5.4 運行總結 94
5.6 本章小結 95
第6章 神經網絡
6.1 神經網絡簡介 96
6.1.1 神經元模型 97
6.1.2 神經網絡層 100
6.2 擬合線性回歸問題 102
6.2.1 生成訓練數據 102
6.2.2 定義神經網絡模型 102
6.2.3 進行數據訓練 103
6.2.4 運行總結 104
6.3 MNIST數據集 104
6.3.1 MNIST數據集簡介 105
6.3.2 數據集圖片文件 105
6.3.3 數據集標記文件 106
6.4 全連接神經網絡 106
6.4.1 加載MNIST訓練數據 106
6.4.2 構建神經網絡模型 107
6.4.3 進行數據訓練 108
6.4.4 評估模型 109
6.4.5 構建多層神經網絡模型 110
6.4.6 可視化多層神經網絡模型 111
6.5 卷積神經網絡 113
6.5.1 卷積神經網絡簡介 114
6.5.2 卷積層 115
6.5.3 池化層 119
6.5.4 全連接神經網絡層 121
6.5.5 卷積神經網絡的發展 121
6.6 通過卷積神經網絡處理MNIST 122
6.6.1 加載MNIST訓練數據 122
6.6.2 構建卷積神經網絡模型 123
6.6.3 進行數據訓練 127
6.6.4 評估模型 127
6.7 循環神經網絡 128
6.7.1 循環神經網絡簡介 128
6.7.2 基本循環神經網絡 129
6.7.3 長短期記憶網絡 131
6.7.4 雙向循環神經網絡簡介 134
6.8 通過循環神經網絡處理MNIST 135
6.8.1 加載MNIST訓練數據 136
6.8.2 構建神經網絡模型 136
6.8.3 進行數據訓練及評估模型 137
6.9 遞歸神經網絡 138
6.9.1 遞歸神經網絡簡介 138
6.9.2 遞歸神經網絡的應用 139
6.10 本章小結 140
第7章 無監督學習
7.1 無監督學習簡介 141
7.1.1 聚類模型 141
7.1.2 自編碼網絡模型 142
7.2 K均值聚類 142
7.2.1 K均值聚類算法簡介 142
7.2.2 K均值聚類算法實踐 144
7.3 自編碼網絡 147
7.3.1 自編碼網絡簡介 147
7.3.2 自編碼網絡實踐 148
7.4 本章小結 151
第8章 自然語言文本處理
8.1 自然語言文本處理簡介 152
8.1.1 處理模型的選擇 152
8.1.2 文本映射 153
8.1.3 TensorFlow文本處理的一般步驟 156
8.2 學寫唐詩 157
8.2.1 數據預處理 157
8.2.2 生成訓練模型 158
8.2.3 評估模型 160
8.3 智能影評分類 163
8.3.1 CBOW嵌套模型 163
8.3.2 構建影評分類模型 167
8.3.3 訓練評估影評分類模型 169
8.4 智能聊天機器人 170
8.4.1 Attention機制的Seq2Seq模型 170
8.4.2 數據預處理 173
8.4.3 構建智能聊天機器人模型 174
8.4.4 訓練模型 177
8.4.5 評估模型 179
8.5 本章小結 180
第9章 語音處理
9.1 語音處理簡介 181
9.1.1 語音識別模型 181
9.1.2 語音合成模型 183
9.2 聽懂數字 183
9.2.1 數據預處理 184
9.2.2 構建識別模型 185
9.2.3 訓練模型 185
9.2.4 評估模型 185
9.3 聽懂中文 185
9.3.1 數據預處理 186
9.3.2 構建識別模型 188
9.3.3 訓練模型 191
9.3.4 評估模型 191
9.4 語音合成 192
9.4.1 Tacotron模型 192
9.4.2 編碼器模塊 193
9.4.3 解碼器模塊 196
9.4.4 後處理模塊 197
9.5 本章小結 197
第10章 圖像處理
10.1 機器學習的圖像處理簡介 198
10.1.1 圖像修復 198
10.1.2 圖像物體識別與檢測 199
10.1.3 圖像問答 201
10.2 圖像物體識別 201
10.2.1 數據預處理 201
10.2.2 生成訓練模型 203
10.2.3 訓練模型 205
10.2.4 評估模型 206
10.3 圖片驗證碼識別 208
10.3.1 驗證碼的生成 208
10.3.2 數據預處理 209
10.3.3 生成訓練模型 211
10.3.4 訓練模型 212
10.3.5 評估模型 213
10.4 圖像物體檢測 214
10.4.1 物體檢測系統 214
10.4.2 物體檢測系統實踐 215
10.5 看圖說話 217
10.5.1 看圖說話原理 218
10.5.2 看圖說話模型的構建 218
10.5.3 看圖說話模型的訓練 220
10.5.4 評估模型 221
10.6 本章小結 222
第11章 人臉識別
11.1 人臉識別簡介 223
11.1.1 人臉圖像採集 223
11.1.2 人臉檢測 224
11.1.3 人臉圖像預處理 224
11.1.4 人臉關鍵點檢測 224
11.1.5 人臉特徵提取 224
11.1.6 人臉比對 225
11.1.7 人臉屬性檢測 225
11.2 人臉驗證 225
11.2.1 數據預處理 226
11.2.2 運行FaceNet模型 226
11.2.3 實現人臉驗證 229
11.3 性別和年齡的識別 231
11.3.1 Adience數據集 231
11.3.2 數據預處理 232
11.3.3 生成訓練模型 233
11.3.4 訓練模型 235
11.3.5 評估模型 236
11.4 本章小結 237
第1章 機器學習概述
1.1 人工智能 1
1.2 機器學習 2
1.2.1 機器學習的發展 2
1.2.2 機器學習的分類 3
1.2.3 機器學習的經典算法 4
1.2.4 機器學習入門 6
1.3 TensorFlow簡介 6
1.3.1 主流框架的對比 7
1.3.2 TensorFlow的發展 9
1.3.3 使用TensorFlow的公司 10
1.4 TensorFlow環境準備 10
1.4.1 Windows環境 11
1.4.2 Linux環境 21
1.4.3 Mac OS環境 22
1.5 常用的第三方模塊 22
1.6 本章小結 23
第2章 TensorFlow基礎
2.1 TensorFlow基礎框架 24
2.1.1 系統框架 24
2.1.2 系統的特性 26
2.1.3 編程模型 27
2.1.4 編程特點 28
2.2 TensorFlow源代碼結構分析 30
2.2.1 源代碼下載 30
2.2.2 TensorFlow目錄結構 30
2.2.3 重點目錄 31
2.3 TensorFlow基本概念 33
2.3.1 Tensor 33
2.3.2 Variable 34
2.3.3 Placeholder 35
2.3.4 Session 36
2.3.5 Operation 36
2.3.6 Queue 37
2.3.7 QueueRunner 38
2.3.8 Coordinator 39
2.4 第一個TensorFlow示例 40
2.4.1 典型應用 41
2.4.2 運行TensorFlow示例 43
2.5 TensorBoard可視化 45
2.5.1 SCALARS面板 45
2.5.2 GRAPHS面板 47
2.5.3 IMAGES面板 48
2.5.4 AUDIO面板 49
2.5.5 DISTRIBUTIONS面板 49
2.5.6 HISTOGRAMS面板 49
2.5.7 PROJECTOR面板 50
2.6 本章小結 50
第3章 TensorFlow進階
3.1 加載數據 51
3.1.1 預加載數據 51
3.1.2 填充數據 51
3.1.3 從CSV文件讀取數據 52
3.1.4 讀取TFRecords數據 54
3.2 存儲和加載模型 58
3.2.1 存儲模型 58
3.2.2 加載模型 59
3.3 評估和優化模型 60
3.3.1 評估指標的介紹與使用 60
3.3.2 模型調優的主要方法 61
3.4 本章小結 63
第4章 線性模型
4.1 常見的線性模型 64
4.2 一元線性回歸 65
4.2.1 生成訓練數據 65
4.2.2 定義訓練模型 66
4.2.3 進行數據訓練 66
4.2.4 運行總結 67
4.3 多元線性回歸 68
4.3.1 二元線性回歸算法簡介 68
4.3.2 生成訓練數據 69
4.3.3 定義訓練模型 70
4.3.4 進行數據訓練 70
4.3.5 運行總結 70
4.4 邏輯回歸 71
4.4.1 邏輯回歸算法簡介 71
4.4.2 生成訓練數據 73
4.4.3 定義訓練模型 74
4.4.4 進行數據訓練 74
4.4.5 運行總結 75
4.5 本章小結 76
第5章 支持向量機
5.1 支持向量機簡介 77
5.1.1 SVM基本型 77
5.1.2 SVM核函數簡介 79
5.2 擬合線性回歸 80
5.2.1 生成訓練數據 80
5.2.2 定義訓練模型 81
5.2.3 進行數據訓練 81
5.2.4 運行總結 82
5.3 擬合邏輯回歸 83
5.3.1 生成訓練數據 83
5.3.2 定義訓練模型 84
5.3.3 進行數據訓練 85
5.3.4 運行總結 86
5.4 非線性二值分類 87
5.4.1 生成訓練數據 87
5.4.2 定義訓練模型 88
5.4.3 進行數據訓練 89
5.4.4 運行總結 89
5.5 非線性多類分類 91
5.5.1 生成訓練數據 91
5.5.2 定義訓練模型 92
5.5.3 進行數據訓練 93
5.5.4 運行總結 94
5.6 本章小結 95
第6章 神經網絡
6.1 神經網絡簡介 96
6.1.1 神經元模型 97
6.1.2 神經網絡層 100
6.2 擬合線性回歸問題 102
6.2.1 生成訓練數據 102
6.2.2 定義神經網絡模型 102
6.2.3 進行數據訓練 103
6.2.4 運行總結 104
6.3 MNIST數據集 104
6.3.1 MNIST數據集簡介 105
6.3.2 數據集圖片文件 105
6.3.3 數據集標記文件 106
6.4 全連接神經網絡 106
6.4.1 加載MNIST訓練數據 106
6.4.2 構建神經網絡模型 107
6.4.3 進行數據訓練 108
6.4.4 評估模型 109
6.4.5 構建多層神經網絡模型 110
6.4.6 可視化多層神經網絡模型 111
6.5 卷積神經網絡 113
6.5.1 卷積神經網絡簡介 114
6.5.2 卷積層 115
6.5.3 池化層 119
6.5.4 全連接神經網絡層 121
6.5.5 卷積神經網絡的發展 121
6.6 通過卷積神經網絡處理MNIST 122
6.6.1 加載MNIST訓練數據 122
6.6.2 構建卷積神經網絡模型 123
6.6.3 進行數據訓練 127
6.6.4 評估模型 127
6.7 循環神經網絡 128
6.7.1 循環神經網絡簡介 128
6.7.2 基本循環神經網絡 129
6.7.3 長短期記憶網絡 131
6.7.4 雙向循環神經網絡簡介 134
6.8 通過循環神經網絡處理MNIST 135
6.8.1 加載MNIST訓練數據 136
6.8.2 構建神經網絡模型 136
6.8.3 進行數據訓練及評估模型 137
6.9 遞歸神經網絡 138
6.9.1 遞歸神經網絡簡介 138
6.9.2 遞歸神經網絡的應用 139
6.10 本章小結 140
第7章 無監督學習
7.1 無監督學習簡介 141
7.1.1 聚類模型 141
7.1.2 自編碼網絡模型 142
7.2 K均值聚類 142
7.2.1 K均值聚類算法簡介 142
7.2.2 K均值聚類算法實踐 144
7.3 自編碼網絡 147
7.3.1 自編碼網絡簡介 147
7.3.2 自編碼網絡實踐 148
7.4 本章小結 151
第8章 自然語言文本處理
8.1 自然語言文本處理簡介 152
8.1.1 處理模型的選擇 152
8.1.2 文本映射 153
8.1.3 TensorFlow文本處理的一般步驟 156
8.2 學寫唐詩 157
8.2.1 數據預處理 157
8.2.2 生成訓練模型 158
8.2.3 評估模型 160
8.3 智能影評分類 163
8.3.1 CBOW嵌套模型 163
8.3.2 構建影評分類模型 167
8.3.3 訓練評估影評分類模型 169
8.4 智能聊天機器人 170
8.4.1 Attention機制的Seq2Seq模型 170
8.4.2 數據預處理 173
8.4.3 構建智能聊天機器人模型 174
8.4.4 訓練模型 177
8.4.5 評估模型 179
8.5 本章小結 180
第9章 語音處理
9.1 語音處理簡介 181
9.1.1 語音識別模型 181
9.1.2 語音合成模型 183
9.2 聽懂數字 183
9.2.1 數據預處理 184
9.2.2 構建識別模型 185
9.2.3 訓練模型 185
9.2.4 評估模型 185
9.3 聽懂中文 185
9.3.1 數據預處理 186
9.3.2 構建識別模型 188
9.3.3 訓練模型 191
9.3.4 評估模型 191
9.4 語音合成 192
9.4.1 Tacotron模型 192
9.4.2 編碼器模塊 193
9.4.3 解碼器模塊 196
9.4.4 後處理模塊 197
9.5 本章小結 197
第10章 圖像處理
10.1 機器學習的圖像處理簡介 198
10.1.1 圖像修復 198
10.1.2 圖像物體識別與檢測 199
10.1.3 圖像問答 201
10.2 圖像物體識別 201
10.2.1 數據預處理 201
10.2.2 生成訓練模型 203
10.2.3 訓練模型 205
10.2.4 評估模型 206
10.3 圖片驗證碼識別 208
10.3.1 驗證碼的生成 208
10.3.2 數據預處理 209
10.3.3 生成訓練模型 211
10.3.4 訓練模型 212
10.3.5 評估模型 213
10.4 圖像物體檢測 214
10.4.1 物體檢測系統 214
10.4.2 物體檢測系統實踐 215
10.5 看圖說話 217
10.5.1 看圖說話原理 218
10.5.2 看圖說話模型的構建 218
10.5.3 看圖說話模型的訓練 220
10.5.4 評估模型 221
10.6 本章小結 222
第11章 人臉識別
11.1 人臉識別簡介 223
11.1.1 人臉圖像採集 223
11.1.2 人臉檢測 224
11.1.3 人臉圖像預處理 224
11.1.4 人臉關鍵點檢測 224
11.1.5 人臉特徵提取 224
11.1.6 人臉比對 225
11.1.7 人臉屬性檢測 225
11.2 人臉驗證 225
11.2.1 數據預處理 226
11.2.2 運行FaceNet模型 226
11.2.3 實現人臉驗證 229
11.3 性別和年齡的識別 231
11.3.1 Adience數據集 231
11.3.2 數據預處理 232
11.3.3 生成訓練模型 233
11.3.4 訓練模型 235
11.3.5 評估模型 236
11.4 本章小結 237
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。