《TensorFlow智能算法与应用》内容简介

TensorFlow是目前最受关注的机器学习框架，其模块化设计非常适合大数据环境下智能算法的开发与应用。本书介绍了使用TensorFlow进行智能算法的实践，包括经典的机器学习算法和深度学习算法实现。本书力求做到理论与实践平衡统一，在相关理论上深入浅出，辅以多种TensorFlow实现技术对理论进行具体实践，有助于读者快速理解与掌握智能算法的精髓和TensorFlow技术的要点。本书共4篇。入门篇介绍学习环境搭建和TensorFlow框架的基本使用；基础篇介绍传统智能算法及其TensorFlow的实现；进阶篇介绍深度神经网络方法和CNN、RNN、LSTM、GRU等基础的深度学习算法；应用篇介绍GAN学习算法和TensorFlowHub迁移学习。
胡鹤 中国人民大学信息学院副教授，在人工智能领域发表论文30多篇，主持了两项国家自然科学基金项目，拥有多项软件著作权。自2004年起负责主讲《人工智能》课程，在10多年的实际教学中，作者对深度学习方法相对传统人工智能方法的颠覆性发展有深刻的切身体会，也在教学中感受到学生学习深度学习算法和Tensorflow框架的极大热情。作者曾将人工智能小车引入课堂教学和课程项目，建立实践性强的人工智能实验平台，对多种智能算法进行实践和验证。通过建立有趣的智能应用项目，激发学生对Tensorflow智能算法的学习热情和实践动力。

作品目录

前言
入门篇
第1章：学习环境搭建
1.1、Docker工具箱
1.2、运行Docker镜像
1.3、Jupyter笔记本
1.4、NumPy库
1.5、Pandas
1.6、Scikit-Learn
第2章：TensorFlow入门
2.1、Hello
TensorFlow
2.2、TensorFlow数据结构
2.3、TensorFlow计算-数据流图
2.4、TensorFlow会话与基本操作
2.5、TensorFlow可视化
第3章：TensorFlow进阶
3.1、TensorFlow数据处理
3.2、TensorFlow共享变量
3.3、TensorFlow模型配置
基础篇
第4章：线性回归算法
4.1、BOSTON
数据集
4.2、TensorFlow模型
4.3、Estimator模型
4.4、Keras模型
第5章：逻辑回归算法
5.1、线性回归到逻辑回归
5.2、最小二乘到交叉熵
5.3、MNIST数据集
5.4、TensorFlow模型
5.5、Estimator模型
5.6、Keras模型
第6章：算法的正则化
6.1、过拟合
6.2、正则化
6.3、编程实战
进阶篇
第7章：神经网络与深度学习算法
7.1、神经网络
7.2、神经网络训练
7.3、多类别神经网络
7.4、神经网络嵌入
第8章：卷积神经网络（CNN）
8.1、卷积神经网络简介
8.2、CNN与DNN
8.3、卷积操作
8.4、卷积实战
8.5、池化操作
8.6、池化实战
8.7、Relu非线性激活
8.8、TensorFlow卷积神经网络实战
8.9、Estimalor卷积神经网络实战
8.10、Keras卷积神经网络实战
第9章：循环神经网络（RNN）
9.1、循环神经网络简介
9.2、DNN、CNN与RNN
9.3、手工循环神经网络
9.4、static_rnn循环神经网络
9.5、dynamic_rnn循环神经网络
9.6、TensorFlow循环神经网络实战
9.7、Estimator循环神经网络实战
9.8、Keras循环神经网络实战
9.9、LSTM模型
9.10、GRU模型
第10章：自动编码器（AutoEncoder）
10.1、自动编码器简介
10.2、自动编码器与PCA
10.3、稀疏自动编码器
10.4、栈式自动编码器（SAE）
10.5、降噪自动编码器（DAE）
10.6、变分自动编码器（VAE）
应用篇
第11章：生成式对抗网络
11.1、生成式对抗网络简介
11.2、GAN工作原理
11.3、GAN改进模型
11.4、GAN模型实战
11.5、GAN训练技巧
11.6、GAN未来展望
第12章：使用TensorFlow
Hub进行迁移学习
12.1、图像迁移学习
12.2、文本迁移学习
12.3、完整的文本分类器
12.4、迁移学习分析