TensorFlow从零开始学 - (EPUB全文下载)

文件大小：0.14 mb。
文件格式：epub 格式。
书籍内容：

TensorFlow从零开始学
第1章　机器学习基础
第2章　TensorFlow基础
第3章　前馈神经网络
第4章　卷积神经网络
第5章　循环神经网络
第6章　深度强化学习
第7章　项目实战
第1章　机器学习基础
本章内容
◎人工智能的发展及其面临的挑战
◎机器学习的基础知识和基本概念
◎特征工程的方法和流程
◎深度学习的发展及应用
1956年8月，约翰·麦卡锡在美国达特茅斯学院（Dartmouth College）发起的一次研讨会上首次提出了“人工智能”这个概念。这次会议因此被公认为是人工智能诞生的标志。在之后60多年的时间里，人工智能的发展起起伏伏、忽“冷”忽“热”。2016年，AlphaGo 与李世石的那场“世纪大战”彻底点燃了大众的热情。当前，人工智能成了一个“香饽饽”，很多国家都在积极争夺人工智能领域的话语权，各大公司也都不断加大在人工智能领域的投入。人工智能成为继个人电脑、互联网、移动互联网之后的又一次浪潮，对于想要转行人工智能领域的人或者人工智能领域的从业者来说，当下就是一个不折不扣的黄金时代。
作为解决人工智能领域中问题的工具，机器学习和深度学习目前正被广泛地学习和使用。本书希望帮助读者快速掌握谷歌公司研发的TensorFlow 这一深度学习框架，同时对深度学习的算法有一个初步的了解，并能够利用这一框架和深度学习算法解决自己所面临的问题。
本章知识结构图
1.1　人工智能：是机遇也是挑战
从谷歌推出无人驾驶汽车到AlphaGo 战胜人类顶级围棋高手李世石，再到阿里巴巴成立人工智能研究院——达摩院，关于人工智能的话题近几年时常霸占各大媒体的头条。随着国务院于2017年7月8日印发并实施《新一代人工智能发展规划》，人工智能也被提到国家发展的战略高度。
人工智能（Artificial Intelligence）目前还没有一个统一和明确的定义。我们可以简单地认为：人工智能旨在研究如何让计算机拥有（或部分拥有）人类的智力，从而解决现实中只有依靠人的智力才能解决的问题。
目前，人工智能的应用已经非常广泛，涵盖金融、电商、医疗、制造业、教育等多个领域，诸如语音识别、翻译系统、推荐系统、图片处理功能，以及个性化新闻推荐等，这些具体的应用场景和我们的生活息息相关。而在未来，人工智能将覆盖更多的领域，这不仅是一场科技的革命，更是时代的大势所趋。人工智能应用必然会全方位地渗入我们日常生活中的点点滴滴。
对于人工智能的讨论，有两种极端的观点：一种是过分夸大人工智能的能力，甚至炒作所谓的“人工智能威胁论”，另一种则是过于贬低人工智能的潜在价值。人工智能还处在一个“幼小”的年龄段，这两种观点都不利于人工智能的发展。虽然人工智能并没有那么强，但是在很多的现实问题中，人工智能解决方案的确已经很好了，所以我们也应该重视人工智能未来的发展潜力。这次浪潮过后，我们无法预测人工智能的发展会面临什么样的境地，本书的撰写目的就是让更多的人快速加入人工智能领域，能让更多的项目落地。我们只有正视人工智能，让它保持一个健康的发展势头，才能依靠它创造出最大的价值。
1.2　机器学习
1.2.1　什么是机器学习
机器学习（Machine Learning）是让计算机能够自动地从某些数据中总结出规律，并得出某种预测模型，进而利用该模型对未知数据进行预测的方法。它是一种实现人工智能的方式，是一门交叉学科，综合了统计学、概率论、逼近论、凸分析、计算复杂性理论等。
目前机器学习的研究和应用大概集中在如图1-1所示的领域。
图1-1　机器学习的研究和应用领域
其中，机器学习让统计学习得到延伸；模式识别侧重于“感知”特征，而机器学习则会“学习”特征；数据挖掘领域中用到的算法也经常可在模式识别和机器学习中应用。计算机视觉、语音识别和自然语言处理（这里特指文本处理）目前是机器学习领域最热门的三大方向。
●计算机视觉是一门研究如何让机器替代人的眼睛，对“看到”的图片进行分析、处理的科学，在图像分类、人脸识别、车牌识别、目标检测及自动驾驶等均有十分广泛的应用。
●目前基于深度学习的语音识别和语音合成技术已经非常成熟，应用随处可见，如智能音箱、实物机器人（例如早教机器人）及虚拟人物等。
●自然语言处理旨在使用自然语言处理技术让计算机“读懂”人类的语言，相关应用有机器翻译、智能客服、垃圾信息识别等。
目前，机器学习大致可以分为以下几类。
（1）有监督学习（Supervised Learning）：当我们已经拥有一些数据及数据对应的类标时，就可以通过这些数据训练出一个模型，再利用这个模型去预测新数据的类标，这种情况称为有监督学习。有监督学习可分为回归问题和分类问题两大类。在回归问题中，我们预测的结果是连续值；而在分类问题中，我们预测的结果是离散值。常见的有监督学习算法包括线性回归、逻辑回归、K-近邻、朴素贝叶斯、决策树、随机森林、支持向量机等。
（2）无监督学习（Unsupervised Learning）：在无监督学习中是没有给定类标训练样本的，这就需要我们对给定的数据直接建模。常见的无监督学习算法包括K-means、EM 算法等。
（3）半监督学习（Semi-supervised Learning）：半监督学习介于有监督学习和无监督学习之间，给定的数据集既包括有类标的数据，也包括没有类标的数据，需要在工作量（例如数据的打标）和模型的准确率之间取一个平衡点。
（4）强化学习（Reinforcement Learning）：从不懂到通过不断学习、总结规律，最终学会的过程便是强化学习。强化学习很依赖于学习的“周围环境”，强调如何基于“周围环境”而做出相应的动作。
具体分类如图1-2所示。
图1-2　机器学习的分类
1.2.2　用机器学习解决问题的一般流程
用机器学习解决问题的一般流程如图1-3所示。
（1）收集数据
业界有一句非常流行的话：“数据和特征决定了机器学习的上界，而模型和算法只是去逼近这个上界”，由此可见，数据对于整个机器学习项目来说至关重要。当我们面临一个实 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。