TensorFlow机器学习（原书第2版）

这是一本TensorFlow机器学习入门教程，书中通过大量实例，以浅显易懂、循序渐进的方式详细阐释使用Python和TensorFlow构建机器学习模型的核心技术与方法。本书既涵盖机器学习基础理论，又介绍了如何将机器学习核心概念应用于现实世界的挑战（例如，情感分析、文本分类和图像识别）中，并通过实例展示了用于深度语音处理、面部识别以及使用CIFAR-10的自编码器的神经网络技术。 　　　　 全书共分为三部分。第一部分（第1～2章）讨论机器学习的基本原理及其当前被大规模应用的原因；第二部分（第3～10章）通过大量实例详细介绍回归算法和分类算法，涵盖回归、分类、无监督聚类和隐马尔可夫模型（HMM）等技术及应用；第三部分（第11～19章）主要介绍神经网络及其应用，涵盖使用隐藏层的自编码器压缩和表示输入、用于自动分类图像和面部识别的卷积神经网络（CNN）、用于时间序列数据或语音转文本的循环神经网络（RNN），以及seq2seq RNN架构等内容。 　　　　 通过阅读本书，你将能够： 　　　　 使用TensorFlow进行机器学习 　　　　 选择最佳的机器学习方法 　　　　 使用Ten

这是一本详细阐述使用Python和TensorFlow构建机器学习模型的核心技术与方法的入门教程。全书共分为三部分，第一部分讨论机器学习的基本原理，第二部分通过大量实例详细介绍回归算法和分类算法，涵盖回归、分类、无监督聚类和隐马尔可夫模型(HMM)等技术及应用；第三部分主要介绍神经网络及其应用，涵盖使用隐藏层的自编码器压缩和表示输入、用于自动分类图像和面部识别的卷积神经网络(CNN)、用于时间序列数据或语音转文本的循环神经网络(RNN)，以及seq2seq RNN架构等内容。 本书深入浅出地介绍了TensorFlow的工作流程，包括定义计算图，运行计算图，以及使用TensorBoard进行模型的可视化和优化。此外，还详细讲解了如何使用TensorFlow进行线性回归和逻辑回归，以及如何通过k-means执行基本的聚类，并介绍了自组织映射算法和隐马尔可夫模型的基本概念和应用。 书中还深入探讨了音频特征提取的方法，以及如何定义词性标注器的评估指标。同时，对于回归的定义和形式化表示，以及可视化学习到的模型，也进行了详细的讲解。