商品簡介
作者簡介
目次
入 門 篇
第1章 學習環境搭建 3
1.1 Docker工具箱 3
1.2 運行Docker鏡像 6
1.3 Jupyter筆記本 10
1.3.1 Jupyter界面 10
1.3.2 Jupyter單元格 12
1.3.3 Jupyter模式 14
1.3.4 Jupyter常用指令 14
1.4 NumPy庫 15
1.4.1 ndarray數據基礎 16
1.4.2 ndarray廣播運算 20
1.4.3 ndarray函數運算 22
1.4.4 ndarray索引切分 24
1.5 Pandas 25
1.5.1 Pandas基礎對象 26
1.5.2 Pandas選擇數據 29
1.5.3 Pandas 處理實例 31
1.6 Scikit-Learn 34
1.6.1 sklearn.datasets 34
1.6.2 Pandas處理 35
1.6.3 sklearn回歸 36
第2章 TensorFlow入門 38
2.1 Hello TensorFlow 39
2.2 TensorFlow數據結構 39
2.3 TensorFlow計算-數據流圖 40
2.3.1 常量節點(Constant) 42
2.3.2 占位符節點(Placeholder) 42
2.3.3 變量節點(Variable) 43
2.3.4 操作節點(Operation) 45
2.4 TensorFlow會話與基本操作 45
2.5 TensorFlow可視化 47
第3章 TensorFlow進階 49
3.1 TensorFlow數據處理 50
3.1.1 索引計算 50
3.1.2 矩陣計算 51
3.1.3 形狀計算 53
3.1.4 規約計算 54
3.1.5 分割計算 55
3.1.6 張量的形狀 57
3.1.7 張量的運算 58
3.1.8 骰子遊戲 61
3.2 TensorFlow共享變量 62
3.2.1 name_scope名字域 62
3.2.2 variablescope 變量域 63
3.3 TensorFlow模型配置 64
基 礎 篇
第4章 線性回歸算法 69
4.1 BOSTON 數據集 70
4.2 TensorFlow模型 72
4.2.1 準備數據 72
4.2.2 定義模型 72
4.2.3 訓練模型 73
4.2.4 評估模型 73
4.2.5 可視化模型 73
4.3 Estimator模型 75
4.3.1 Dataset API 75
4.3.2 估算器介紹 76
4.3.3 準備數據 77
4.3.4 定義模型 78
4.3.5 訓練模型 78
4.3.6 評估模型 78
4.3.7 可視化模型 79
4.4 Keras模型 81
4.4.1 定義模型 81
4.4.2 訓練模型 81
4.4.3 評估模型 82
4.4.4 可視化模型 82
第5章 邏輯回歸算法 84
5.1 線性回歸到邏輯回歸 84
5.2 最小二乘到交叉熵 86
5.3 MNIST數據集 88
5.4 TensorFlow模型 88
5.4.1 準備數據 89
5.4.2 定義模型 89
5.4.3 訓練模型 90
5.4.4 評估模型 91
5.4.5 可視化模型 91
5.5 Estimator模型 92
5.5.1 準備數據 92
5.5.2 定義模型 93
5.5.3 訓練模型 93
5.5.4 評估模型 93
5.5.5 可視化模型 94
5.6 Keras模型 95
5.6.1 準備數據 95
5.6.2 定義模型 96
5.6.3 訓練模型 96
5.6.4 評估模型 96
5.6.5 可視化模型 97
第6章 算法的正則化 99
6.1 過擬合 99
6.2 正則化 99
6.3 編程實戰 103
進 階 篇
第7章 神經網絡與深度學習算法 113
7.1 神經網絡 113
7.1.1 激活函數 114
7.1.2 編程實戰 119
7.2 神經網絡訓練 123
7.2.1 訓練困難分析 124
7.2.2 編程實戰 124
7.3 多類別神經網絡 133
7.3.1 邏輯回歸與深度網絡 133
7.3.2 權重可視化 135
7.4 神經網絡嵌入 136
7.4.1 一維數軸排列 137
7.4.2 二維數軸排列 137
7.4.3 傳統類別表示 138
7.4.4 嵌入表示 140
第8章 卷積神經網絡(CNN) 141
8.1 卷積神經網絡簡介 141
8.2 CNN與DNN 142
8.3 卷積操作 142
8.4 卷積實戰 145
8.5 池化操作 149
8.6 池化實戰 149
8.7 Relu非線性激活 150
8.8 TensorFlow卷積神經網絡實戰 151
8.9 Estimalor卷積神經網絡實戰 155
8.10 Keras卷積神經網絡實戰 159
第9章 循環神經網絡(RNN) 162
9.1 循環神經網絡簡介 162
9.2 DNN、CNN與RNN 162
9.3 手工循環神經網絡 164
9.4 static_rnn循環神經網絡 165
9.5 dynamic_rnn循環神經網絡 167
9.6 TensorFlow循環神經網絡實戰 169
9.7 Estimator循環神經網絡實戰 173
9.8 Keras循環神經網絡實戰 176
9.9 LSTM模型 178
9.10 GRU模型 180
第10章 自動編碼器(AutoEncoder) 182
10.1 自動編碼器簡介 182
10.2 自動編碼器與PCA 183
10.3 稀疏自動編碼器 185
10.4 棧式自動編碼器(SAE) 187
10.4.1 關聯權重 190
10.4.2 分階段訓練 192
10.4.3 無監督預訓練 194
10.5 降噪自動編碼器(DAE) 198
10.6 變分自動編碼器(VAE) 200
10.6.1 變分自動編碼器原理 200
10.6.2 變分自動編碼器生成數字 203
應 用 篇
第11章 生成式對抗網絡 207
11.1 生成式對抗網絡簡介 207
11.2 GAN工作原理 207
11.3 GAN改進模型 209
11.4 GAN模型實戰 212
11.5 GAN訓練技巧 221
11.6 GAN未來展望 222
第12章 使用TensorFlow Hub進行遷移學習 223
12.1 圖像遷移學習 223
12.2 文本遷移學習 224
12.3 完整的文本分類器 225
12.4 遷移學習分析 228
主題書展
更多主題書展
更多書展本週66折
您曾經瀏覽過的商品
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。