✍ Scribed by 李鸥
No coin nor oath required. For personal study only.
《Python+TensorFlow机器学习实战》通过开发实例和项目案例，详细介绍TensorFlow开发所涉及的主要内容。书中的每个知识点都通过实例进行通俗易懂的讲解，便于读者轻松掌握有关TensorFlow开发的内容和技巧，并能够得心应手地使用TensorFlow进行开发。 《Python+TensorFlow机器学习实战》内容共分为11章，首先介绍TensorFlow的基本知识，通过实例逐步深入地讲解线性回归、支持向量机、神经网络算法和无监督学习等常见的机器学习算法模型。然后通过TensorFlow在自然语言文本处理、语音识别、图形识别和人脸识别等方面的成功应用讲解TensorFlow的实际开发过程。 《Python+TensorFlow机器学习实战》适合有一定Python基础的工程师阅读；对于有一定基础的读者，可通过《Python+TensorFlow机器学习实战》快速地将TensorFlow应用到实际开发中；对于高等院校的学生和培训机构的学员，《Python+TensorFlow机器学习实战》也是入门和实践机器学习的优秀教材。 《Python+TensorFlow机器学习实战》对应的电子课件和实例源代码可以到http://www.tupwk.com.cn/downpage下载，也可通过扫描前言中的二维码下载。
封面
扉页
内容简介
版权页
前言
目录
第1章 机器学习概述
1.1 人工智能
1.2 机器学习
1.3 TensorFlow简介
1.4 TensorFlow环境准备
1.5 常用的第三方模块
1.6 本章小结
第2章 TensorFlow基础
2.1 TensorFlow基础框架
2.2 TensorFlow源代码结构分析
2.3 TensorFlow基本概念
2.4 第一个TensorFlow示例
2.5 TensorBoard可视化
2.6 本章小结
第3章 TensorFlow进阶
3.1 加载数据
3.2 存储和加载模型
3.3 评估和优化模型
3.4 本章小结
第4章 线性模型
4.1 常见的线性模型
4.2 —元线性回归
4.3 多元线性回归
4.4 逻辑回归
4.5 本章小结
第5章 支持向量机
5.1 支持向量机简介
5.2 拟合线性回归
5.3 拟合逻辑回归
5.4 非线性二值分类
5.5 非线性多类分类
5.6 本章小结
第6章 神经网络
6.1 神经网络简介
6.2 拟合线性回归问题
6.3 MNIST数据集
6.4 全连接神经网络
6.5 卷积神经网络
6.6 通过卷积神经网络处理MNIST
6.7 循环神经网络
6.8 通过循环神经网络处理MNIST
6.9 递归神经网络
6.10 本章小结
第7章 无监督学习
7.1 无监督学习简介
7.2 K均值聚类
7.3 自编码网络
7.4本章小结
第8章 自然语言文本处理
8.1 自然语言文本处理简介
8.2 学写唐诗
8.3 智能影评分类
8.4 智能聊天机器人
8.5 本章小结
第9章 语音处理
9.1 语音处理简介
9.2 听懂数字
9.3 听懂中文
9.4 语音合成
9.5 本章小结
第10章 图像处理
10.1 机器学习的图像处理简介
10.2 图像物体识别
10.3 图片验证码识别
10.4 图像物体检测
10.5 看图说话
10.6 本章小结
第11章 人脸识别
11.1 人脸识别简介
11.2 人脸验证
11.3 性别和年龄的识别
11.4 本章小结
正文结束
📜 SIMILAR VOLUMES
本书主要介绍如何使用TensorFlow库实现各种各样的模型,旨在降低学习门槛,并为读者解决问题提供详细的方法和指导.全书共10章,分别介绍了TensorFlow基础知识,聚类,线性回归,逻辑回归,不同的神经网络,规模化运行模型以及库的应用技巧.
机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些
<p>机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。</p> <p>本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了
本书系统地讲解了机器学习的基本知识，以及在实际项目中使用机器学习的基本步骤和方法；详细地介绍了在进行数据处理、分析时怎样选择合适的算法，以及建立模型并优化等方法，通过不同的例子展示了机器学习在具体项目中的应用和实践经验，是一本非常好的机器学习入门和实践的书籍。不同于很多讲解机器学习的书籍，本书以实践为导向，使用 scikit-learn 作为编程框架，强调简单、快速地建立模型，解决实际项目问题。读者通过对本书的学习，可以迅速上手实践机器学习，并利用机器学习解决实际问题。本书非常适合于项目经理、有意从事机器学习开发的程序员，以及高校相关专业在的读学生阅读。