TensorFlow深度學習項目實戰

購買商店

TensorFlow深度學習項目實戰

$479.00

馬上購買

內容描述

本書旨在利用 TensorFlow 針對各種現實場景設計深度學習系統，引導讀者實現有趣的深度學習項目。本書涵蓋 10 個實踐項目，如用目標檢測 API 標註圖像、利用長短期記憶神經網絡（LSTM）預測股票價格、構建和訓練機器翻譯模型、檢測 Quora 數據集中的重復問題等。通過閱讀本書，讀者可以瞭解如何搭建深度學習的 TensorFlow 環境、如何構建捲積神經網絡以有效地處理圖像、如何利用長短期記憶神經網絡預測股票價格，以及如何實現一個能夠自己玩電子游戲的人工智能（AI）！
 
本書適合數據科學家、機器學習和深度學習領域的從業者以及人工智能技術的愛好者閱讀。

目錄大綱

第 1章 用捲積神經網絡識別交通標志 1
1.1 數據集 1
1.2 捲積神經網絡 2
1.3 圖像預處理 3
1.4 訓練模型並進行預測 6
1.5 後續問題 12
1.6 小結 12
第 2章 用目標檢測API標註圖像 13
2.1 微軟常見物體數據集 13
2.2 TensorFlow的目標檢測API 16
2.3 展示項目計劃 18
2.3.1 為項目搭建合適的開發環境 19
2.3.2 protobuf編譯 20
2.4 準備項目代碼 20
2.4.1 一些簡單應用 31
2.4.2 網絡攝像頭實時檢測 34
2.5 致謝 36
2.6 小結 36
第3章 圖像的描述生成 37
3.1 什麽是描述生成 37
3.2 探索圖像描述數據集 38
3.3 把單詞轉換為詞嵌入 40
3.4 描述圖像的方法 42
3.4.1 條件隨機場 42
3.4.2 基於捲積神經網絡的循環神經網絡 43
3.4.3 描述排序 44
3.4.4 密集描述 45
3.4.5 循環神經網絡描述 46
3.4.6 多模態描述 46
3.4.7 基於註意力機制的描述 47
3.5 實現描述生成模型 48
3.6 小結 52
第4章 為生成條件圖像構建GAN 53
4.1 GAN簡介 53
4.1.1 對抗方式是關鍵 54
4.1.2 “寒武紀大爆發” 56
4.2 項目 57
4.2.1 數據集類 58
4.2.2 CGAN類 60
4.3 CGAN應用示例 74
4.3.1 MNIST 75
4.3.2 Zalando MNIST 79
4.3.3 EMNIST 81
4.3.4 重用經過訓練的CGAN 82
4.4 使用AWS服務 84
4.5 致謝 85
4.6 小結 86
第5章 利用LSTM預測股票價格 87
5.1 輸入數據集（餘弦信號和股票價格） 87
5.2 格式化數據集 90
5.3 用回歸模型預測股票價格 93
5.4 長短期記憶神經網絡入門 101
5.5 利用LSTM進行股票價格預測 103
5.6 練習 108
5.7 小結 109
第6章 構建和訓練機器翻譯模型 110
6.1 機器翻譯系統架構 110
6.2 語料庫預處理 112
6.3 訓練機器翻譯模型 118
6.4 測試和翻譯 123
6.5 練習 125
6.6 小結 125
第7章 訓練能像人類一樣討論的聊天機器人 126
7.1 項目簡介 126
7.2 輸入語料庫 127
7.3 創建訓練集 128
7.4 訓練聊天機器人 132
7.5 聊天機器人API 134
7.6 練習 137
7.7 小結 137
第8章 檢測Quora數據集中的重復問題 138
8.1 展示數據集 138
8.2 基礎特徵工程 141
8.3 創建模糊特徵 142
8.4 借助TF-IDF和SVD特徵 145
8.5 用Word2vec嵌入映射 148
8.6 測試機器學習模型 153
8.7 搭建TensorFlow模型 158
8.8 構建深度神經網絡之前所做的處理 158
8.9 深度神經網絡的構建模塊 160
8.10 設計學習架構 163
8.11 小結 169
第9章 用TensorFlow構建推薦系統 170
9.1 推薦系統 170
9.2 推薦系統下的矩陣分解 172
9.2.1 數據集準備和基準 172
9.2.2 矩陣分解 177
9.2.3 隱式反饋數據集 178
9.2.4 基於SGD的矩陣分解 181
9.2.5 貝葉斯個性化排序 186
9.3 面向推薦系統的RNN 189
9.3.1 數據集準備和基準 190
9.3.2 用TensorFlow構建RNN模型 195
9.4 小結 206
第 10章 基於強化學習的電子游戲 207
10.1 關於游戲 207
10.2 OpenAI版游戲 208
10.3 在Linux（Ubuntu 14.04或16.04）上安裝OpenAI Gym 210
10.4 通過深度學習探索強化學習 212
10.4.1 深度Q-learning技巧 215
10.4.2 理解深度Q-learning的局限性 216
10.5 啟動項目 216
10.5.1 定義人工智能大腦 217
10.5.2 為經驗回放創建記憶 221
10.5.3 創建智能體 222
10.5.4 指定環境 227
10.5.5 執行強化學習過程 230
10.6 致謝 233
10.7 小結 234

作者介紹

Luca Massaron 是一名数据科学家，也是一家公司的市场研究总监，长期从事多元统计分析、机器学习和客户分析等工作，有 10 多年的解决实际问题的经验，擅长运用推理、统计、数据挖掘和算法为客户创造价值。他对数据分析技术非常感兴趣，乐于向专业人员和非专业人员展示数据驱动的知识发现的巨大潜力。他坚信通过简单明了的解释和对行业的基本理解可以实现很多目标。
 
Alberto Boschetti 是一名数据科学家，在信号处理和统计方面有丰富的经验。他拥有通信工程博士学位，目前从事自然语言处理、机器学习和分布式处理等方向的工作。他经常参加学术讨论、大型会议和其他活动，关注数据科学技术的最新进展。
 
Alexey Grigorev 是经验丰富的数据科学家、机器学习工程师和软件开发人员，拥有超过8年的专业经验。他原是一名 Java 开发人员，后转而从事数据科学工作。现在，Alexey 是Simplaex 公司的数据科学家，主要使用 Java 和 Python 进行数据清理、数据分析和建模。他擅长的领域是机器学习和文本挖掘。
 
Abhishek Thakur 是一名数据科学家，主要关注应用机器学习和深度学习。他在 2014 年获得了德国波恩大学的计算机科学硕士学位，之后在多个行业工作。他的研究方向是自动化机器学习。他热衷于参加机器学习竞赛，在 Kaggle 竞赛中获得过的好成绩全球第三名。