機器學習實戰(zhàn)：模型構(gòu)建與應(yīng)用

序言1
前言3
第一部分 構(gòu)建模型
第1章 TensorFlow簡介11
1.1 什么是機器學習11
1.2 傳統(tǒng)編程的局限性13
1.3 從編程到學習15
1.4 什么是TensorFlow16
1.5 使用TensorFlow18
1.6 初學機器學習22
1.7 總結(jié)27
第2章 計算機視覺簡介28
2.1 識別服裝28
2.2 視覺神經(jīng)元30
2.3 設(shè)計神經(jīng)網(wǎng)絡(luò)32
2.4 訓(xùn)練神經(jīng)網(wǎng)絡(luò)35
2.5 探索模型輸出36
2.6 訓(xùn)練更長時間，發(fā)現(xiàn)過擬合36
2.7 停止訓(xùn)練37
2.8 總結(jié)38
第3章 圖像特征檢測39
3.1 卷積39
3.2 池化41
3.3 實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)43
3.4 探索卷積網(wǎng)絡(luò)45
3.5 創(chuàng)建一個CNN來區(qū)分馬和人47
3.6 圖像增強56
3.7 遷移學習59
3.8 多類別分類63
3.9 dropout正則化66
3.10 總結(jié)69
第4章 TensorFlow Datasets70
4.1 TFDS入門71
4.2 在Keras模型中使用TFDS73
4.3 使用映射函數(shù)進行增強76
4.4 使用自定義分割77
4.5 理解TFRecord78
4.6 TensorFlow中管理數(shù)據(jù)的ETL過程81
4.7 總結(jié)86
第5章 自然語言處理簡介87
5.1 將語言編碼為數(shù)字87
5.2 移除停用詞和清理文本93
5.3 使用真實數(shù)據(jù)源94
5.4 總結(jié)103
第6章 使用嵌入來編程情感104
6.1 從詞建立意義104
6.2 TensorFlow中的嵌入106
6.3 可視化嵌入121
6.4 使用來自TensorFlow Hub的預(yù)訓(xùn)練嵌入123
6.5 總結(jié)125
第7章 自然語言處理的循環(huán)神經(jīng)網(wǎng)絡(luò)126
7.1 循環(huán)的基礎(chǔ)126
7.2 為語言擴展循環(huán)128
7.3 使用RNN創(chuàng)建文本分類器130
7.4 在RNN中使用預(yù)訓(xùn)練的嵌入137
7.5 總結(jié)143
第8章 使用TensorFlow創(chuàng)建文本144
8.1 將序列轉(zhuǎn)換為輸入序列145
8.2 創(chuàng)建模型149
8.3 生成文本150
8.4 擴展數(shù)據(jù)集152
8.5 改變模型架構(gòu)153
8.6 改進數(shù)據(jù)154
8.7 基于字符的編碼157
8.8 總結(jié)158
第9章 理解序列和時間序列數(shù)據(jù)159
9.1 時間序列的常見屬性160
9.2 預(yù)測時間序列的技術(shù)162
9.3 總結(jié)167
第10章 創(chuàng)建ML模型來預(yù)測序列168
10.1 創(chuàng)建窗口數(shù)據(jù)集169
10.2 創(chuàng)建并訓(xùn)練DNN來擬合序列數(shù)據(jù)173
10.3 評估DNN的結(jié)果174
10.4 探索整體的預(yù)測175
10.5 調(diào)整學習率177
10.6 使用Keras Tuner探索超參數(shù)調(diào)優(yōu)178
10.7 總結(jié)182
第11章 序列模型中的卷積和循環(huán)183
11.1 序列數(shù)據(jù)的卷積183
11.2 使用NASA天氣數(shù)據(jù)189
11.3 使用RNN進行序列建模191
11.4 使用其他循環(huán)方法196
11.5 使用dropout197
11.6 使用雙向RNN199
11.7 總結(jié)201
第二部分 使用模型
第12章 TensorFlow Lite簡介205
12.1 什么是TensorFlow Lite205
12.2 演練：創(chuàng)建模型并將其轉(zhuǎn)換為TensorFlow Lite207
12.3 演練：遷移學習圖像分類器并轉(zhuǎn)換到Tensor Flow Lite211
12.4 總結(jié)216
第13章 在Android應(yīng)用程序中使用TensorFlow Lite217
13.1 什么是Android Studio217
13.2 創(chuàng)建你的第一個TensorFlow Lite Android應(yīng)用程序218
13.3 超越“Hello World”—處理圖像226
13.4 TensorFlow Lite示例應(yīng)用程序229
13.5 總結(jié)230
第14章 在iOS應(yīng)用程序中使用TensorFlow Lite231
14.1 使用Xcode創(chuàng)建你的第一個TensorFlow Lite應(yīng)用程序231
14.2 超越“Hello World”—處理圖像243
14.3 TensorFlow Lite示例應(yīng)用程序246
14.4 總結(jié)247
第15章 TensorFlow.js簡介248
15.1 什么是TensorFlow.js248
15.2 安裝和使用Brackets IDE249
15.3 構(gòu)建第一個TensorFlow.js模型251
15.4 創(chuàng)建Iris分類器254
15.5 總結(jié)258
第16章 TensorFlow.js中的計算機視覺編程技術(shù)259
16.1 TensorFlow開發(fā)人員的JavaScript注意事項260
16.2 使用JavaScript構(gòu)建CNN261
16.3 使用回調(diào)進行可視化263
16.4 使用MNIST數(shù)據(jù)集進行訓(xùn)練264
16.5 在TensorFlow.js中對圖像運行推理270
16.6 總結(jié)270
第17章 重用和轉(zhuǎn)換Python模型為JavaScript272
17.1 將基于Python的模型轉(zhuǎn)換為JavaScript272
17.2 使用預(yù)轉(zhuǎn)換的JavaScript模型276
17.3 總結(jié)284
第18章 JavaScript中的遷移學習285
18.1 從MobileNet進行遷移學習285
18.2 來自TensorFlow Hub的遷移學習297
18.3 使用來自TensorFlow.org的模型301
18.4 總結(jié)303
第19章 使用TensorFlow Serving進行部署304
19.1 什么是TensorFlow Serving304
19.2 安裝TensorFlow Serving306
19.3 構(gòu)建和服務(wù)模型308
19.4 總結(jié)314
第20章 AI的倫理、公平和隱私315
20.1 編程中的公平316
20.2 機器學習中的公平318
20.3 實現(xiàn)公平的工具320
20.4 聯(lián)邦學習323
20.5 谷歌的AI原則328
20.6 總結(jié)329