- TensorFlow从零开始学
- - 作者：编者:侯伦青//王飞//邓昕//史周安|责编:孙学瑛
  - 出版社：电子工业
  - ISBN：9787121379741
  - 出版日期：2020/04/01
  - 页数：194
- 售价：35.6

内容大纲
本书是一本阅读起来特别轻松、学习一点都不费劲的TensorFlow入门书。本书基于TensorFlow 2．0版本，从机器学习和TensorFlow的基础开始，针对初学者只选择实际应用中的必需知识，对前馈神经网络、卷积神经网络、循环神经网络、深度强化学习进行了浅显易懂的阐述，其中包括很多具体的TensorFlow示例，最后一章的项目实战能够教会初学者运用深度学习解决实际问题，从而进入人工智能这一前沿的热门领域。
本书适合初学TensorFlow，并且深度学习的理论和实践基础较为薄弱的读者群体，也适合希望了解深度学习的大数据平台工程师，以及对人工智能、深度学习感兴趣的计算机相关从业人员及在校学生等阅读，特别适合作为高等院校计算机或人工智能专业师生的参考教材。
作者介绍
目录
第1章  机器学习基础
  1.1  人工智能：是机遇也是挑战
  1.2  机器学习
    1.2.1  什么是机器学习
    1.2.2  用机器学习解决问题的一般流程
    1.2.3  数据预处理
    1.2.4  特征工程
    1.2.5  模型的评估和选择
  1.3  深度学习的发展历程及应用
    1.3.1  深度学习的发展历程
    1.3.2  深度学习的应用
  1.4  本章练习
第2章  TensorFlow基础
  2.1  TensorFlow2.0  简介
    2.1.1  TensorFlow的基本概念
    2.1.2  从1.x到2.0的变化
    2.1.3  TensorFlow2.0  的架构
  2.2  TensorFlow2.0  的安装
  2.3  TensorFlow2.0  的使用
    2.3.1  “tf.data”API
    2.3.2  “tf.keras”API
  2.4  使用GPU加速
    2.4.1  安装配置GPU环境
    2.4.2  使用TensorFlow-GPU
  2.5  本章小结
第3章  前馈神经网络
  3.1  神经网络
    3.1.1  感知器模型
    3.1.2  多层神经网络
  3.2  激活函数
    3.2.1  Logistic函数
    3.2.2  Tanh函数
    3.2.3  ReLU函数
  3.3  损失函数和输出单元
    3.3.1  损失函数的选择
    3.3.2  输出单元的选择
  3.4  小试牛刀：MNIST手写数字识别
    3.4.1  MNIST数据集
    3.4.2  数据处理
    3.4.3  简单前馈神经网络的实现
  3.5  本章小结
  3.6  本章练习
第4章  卷积神经网络
  4.1  卷积神经网络的基本特征与基本结构
  4.2  卷积层
    4.2.1  什么是卷积
    4.2.2  滑动步长和零填充
    4.2.3  卷积层的基本结构
  4.3  池化层
  4.4  小试牛刀：CNN实现图像分类

  4.5  本章小结
  4.6  本章练习
第5章  循环神经网络
  5.1  简单循环神经网络
    5.1.1  循环神经网络的基本结构
    5.1.2  循环神经网络的运算过程和参数更新
  5.2  常用循环神经网络
    5.2.1  多层循环神经网络
    5.2.2  双向循环神经网络
    5.2.3  TensorFlow实现循环神经网络
  5.3  长期依赖问题及其优化
  5.4  门控循环神经网络
    5.4.1  长短期记忆网络
    5.4.2  门控循环单元
    5.4.3  TensorFlow实现LSTM和GRU
  5.5  循环神经网络的应用
    5.5.1  文本分类
    5.5.2  序列标注
    5.5.3  机器翻译
  5.6  注意力模型
  5.7  本章小结
  5.8  本章练习
第6章  深度强化学习
  6.1  从AlphaGo看深度强化学习
  6.2  强化学习基础知识
    6.2.1  强化学习问题
    6.2.2  马尔可夫决策过程
    6.2.3  优价值函数和贝尔曼方程
  6.3  有模型的强化学习方法
    6.3.1  价值迭代
    6.3.2  策略迭代
  6.4  无模型的强化学习方法
    6.4.1  蒙特卡罗方法
    6.4.2  时序差分学习
    6.4.3  值函数近似
    6.4.4  策略搜索
  6.5  强化学习算法
    6.5.1  Q-Learning算法
    6.5.2  MonteCarloPolicyGradient算法
    6.5.3  Actor-Critic算法
  6.6  深度强化学习算法
    6.6.1  DeepQ-Networks（DQN）
    6.6.2  Deep Deterministic Policy Gradient（DDPG）
  6.7  本章小结
  6.8  本章练习
第7章  项目实战
  7.1  CNN实战项目一：Chars74K
  7.2  CNN实战项目二：CIFAR-10
  7.3  RNN实战项目一：新闻文本分类
  7.4  RNN实战项目二：聊天机器人

  7.5  DRL实战项目：DQN

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目