资源名称：TensorFlow机器学习实战指南 PDF 下载
内容简介：
本书由资深数据科学家撰写，从实战角度系统讲解TensorFlow基本概念及各种应用实践。真实的应用场景和数据，丰富的代码实例，详尽的操作步骤，带你由浅入深系统掌握TensorFlow机器学习算法及其实现。
全书共11章，第1章介绍TensorFlow的基本概念；第2章介绍如何在计算图中连接算法组件，创建一个简单的分类器；第3章重点介绍如何使用TensorFlow实现各种线性回归算法；第4章介绍支持向量机（SVM）算法；第5章介绍如何使用数值度量、文本度量和归一化距离函数实现最近邻域算法；第6章讲述如何使用TensorFlow实现神经网络算法；第7章阐述TensorFlow实现的各种文本处理算法。第8章扩展神经网络算法；第9，解释在TensorFlow中如何实现递归神经网络（RNN）算法；第10章介绍TensorFlow产品级用例和tips；第11章展示TensorFlow如何实现k-means算法、遗传算法和解决常微分方程（ODE）等。
作者简介：
Nick McClure 资深数据科学家，目前就职于美国西雅图PayScale公司。曾经在凯撒娱乐集团工作。他在蒙大拿大学和圣本尼迪克与圣约翰大学学院的应用数学专业获得学位。他热衷于数据分析、机器学习和人工智能。Nick有时会把想法写成博客(http://fromdata.org/）或者推特（@nfmcclure）。
资源目录：
译者序
作者简介
审校者简介
前言
第1章 TensorFlow基础 1
1.1 TensorFlow介绍 1
1.2 TensorFlow如何工作 1
1.3 声明张量 3
1.4 使用占位符和变量 6
1.5 操作（计算）矩阵 7
1.6 声明操作 10
1.7 实现激励函数 12
1.8 读取数据源 14
1.9 学习资料 19
第2章 TensorFlow进阶 20
2.1 本章概要 20
2.2 计算图中的操作 20
2.3 TensorFlow的嵌入Layer 21
2.4 TensorFlow的多层Layer 23
2.5 TensorFlow实现损失函数 26
2.6 TensorFlow实现反向传播 30
2.7 TensorFlow实现随机训练和批量训练 34
2.8 TensorFlow实现创建分类器 37
2.9 TensorFlow实现模型评估 40
第3章 基于TensorFlow的线性回归 45
3.1 线性回归介绍 45
3.2 用TensorFlow求逆矩阵 45
3.3 用TensorFlow实现矩阵分解 47
3.4 用TensorFlow实现线性回归算法 49
3.5 理解线性回归中的损失函数 52
3.6 用TensorFlow实现戴明回归算法 55
3.7 用TensorFlow实现lasso回归和岭回归算法 58
3.8 用TensorFlow实现弹性网络回归算法 60
3.9 用TensorFlow实现逻辑回归算法 62
第4章 基于TensorFlow的支持向量机 66
4.1 支持向量机简介 66
4.2 线性支持向量机的使用 67
4.3 弱化为线性回归 72
4.4 TensorFlow上核函数的使用 77
4.5 用TensorFlow实现非线性支持向量机 82
4.6 用TensorFlow实现多类支持向量机 85
第5章 最近邻域法 90
5.1 最近邻域法介绍 90
5.2 最近邻域法的使用 91
5.3 如何度量文本距离 95
5.4 用TensorFlow实现混合距离计算 98
5.5 用TensorFlow实现地址匹配 101
5.6 用TensorFlow实现图像识别 105
第6章 神经网络算法 109
6.1 神经网络算法基础 109
6.2 用TensorFlow实现门函数 110
6.3 使用门函数和激励函数 113
6.4 用TensorFlow实现单层神经网络 117
6.5 用TensorFlow实现神经网络常见层 120
6.6 用TensorFlow实现多层神经网络 126
6.7 线性预测模型的优化 131
6.8 用TensorFlow基于神经网络实现井字棋 136
第7章 自然语言处理 143
7.1 文本处理介绍 143
7.2 词袋的使用 144
7.3 用TensorFlow实现TF-IDF算法 149
7.4 用TensorFlow实现skip-gram模型 155
7.5 用TensorFlow实现CBOW词嵌入模型 162
7.6 使用TensorFlow的Word2Vec预测 167
7.7 用TensorFlow实现基于Doc2Vec的情感分析 172
第8章 卷积神经网络 181
8.1 卷积神经网络介绍 181
8.2 用TensorFlow实现简单的CNN 182
8.3 用TensorFlow实现进阶的CNN 188
8.4 再训练已有的CNN模型 196
8.5 用TensorFlow实现模仿大师绘画 199
8.6 用TensorFlow实现DeepDream 205
第9章 递归神经网络 211
9.1 递归神经网络介绍 211
9.2 用TensorFlow实现RNN模型进行垃圾短信预测 212
9.3 用TensorFlow实现LSTM模型 218
9.4 Stacking多个LSTM Layer 226
9.5 用TensorFlow实现Seq2Seq翻译模型 229
9.6 TensorFlow实现孪生RNN预测相似度 235
第10章 TensorFlow产品化 243
10.1 简介 243
10.2 TensorFlow的单元测试 243
10.3 TensorFlow的并发执行 247
10.4 分布式TensorFlow实践 250
10.5 TensorFlow产品化开发提示 252
10.6 TensorFlow产品化的实例 254
第11章 TensorFlow的进阶应用 257
11.1 简介 257
11.2 TensorFlow可视化：Tensorboard 257
11.3 Tensorboard的进阶 260
11.4 用TensorFlow实现遗传算法 262
11.5 TensorFlow实现k-means算法 266
11.6 用TensorFlow求解常微分方程问题 270
资源截图：
