4本 机器学习 周志华 深度学习 TensorFlow实战 强化学习 人工智能书籍 pdf下载

深度学习
	定价	168.00
	出版社	人民邮电出版社
	版次	1
	出版时间	2017年08月
	开本	16
	作者	[美]IanGoodfellow
	装帧	平装
	页数	500
	字数	805000
	ISBN编码	9787115461476

机器学习
	定价	88.00
	出版社	清华大学出版社
	版次	1
	出版时间	2016年01月
	开本	16
	作者	周志华
	装帧	平装
	页数	425
	字数
	ISBN编码	9787302423287

强化学习
	定价	119.00
	出版社	机械工业出版社
	版次	1-1
	出版时间	2018年07月
	开本	16开
	作者	[荷] 马可·威宁（Marco Wiering）
	装帧	平装
	页数	464
	字数
	ISBN编码	9787111600220

TensorFlow：实战Google深度学习框架（第2版）
	定价	89.00
	出版社	电子工业出版社
	版次	1
	出版时间	2018年01月
	开本	16开
	作者	郑泽宇
	装帧	平装-胶订
	页数	348
	字数
	ISBN编码	9787121330667

《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：dy 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

《机器学习》是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书有16 章，大致分为3 个部分：dy 部分（dy ～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（dy 1～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

《强化学习》有19章，分为六大部分，详细介绍了强化学习中各领域的基本理论和新进展，内容包括：MDP、动态规划、蒙特卡罗方法、批处理强化学习、TD学习、Q学习、策略迭代的小二乘法、迁移学习、贝叶斯强化学习、、一阶逻辑MDP、层次式强化学习、演化计算、预测性定义状态表示、去中心化的部分可观察MDP、博弈论和多学习器强化学习等内容，并阐述强化学习与心理和神经科学、游戏领域、机器人领域的关系和应用，后提出未来发展趋势及研究热点问题，有助于年轻的研究者了解整个强化学习领域，发现新的研究方向。本书适合作为高等院校机器学习相关课程的参考书，也可作为人工智能领域从业技术人员的参考用书。

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。《TensorFlow：实战Google深度学习框架（第2版）》为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。第2版将书中所有示例代码从TensorFlow 0.9.0升级到了TensorFlow 1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。本书适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习的大数据平台工程师，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。

TensorFlow：实战Google深度学习框架（第2版）

dy 章 深度学习简介 1  

1.1 人工智能、机器学习与深度学习 2  

1.2 深度学习的发展历程 6  

1.3 深度学习的应用 10  

1.3.1 计算机视觉 10  

1.3.2 语音识别 13  

1.3.3 自然语言处理 14  

1.3.4 人机博弈 17  

1.4 深度学习工具介绍和对比 19  

小结 23  

第2章 TensorFlow环境搭建 25  

2.1 TensorFlow的主要依赖包 25  

2.1.1 Protocol Buffer 25  

2.1.2 Bazel 27  

2.2 TensorFlow安装 29  

2.2.1 使用Docker安装 30  

2.2.2 使用pip安装 31  

2.2.3 从源代码编译安装 32  

2.3 TensorFlow测试样例 37  

小结 38  

第3章 TensorFlow入门 39  

3.1 TensorFlow计算模型——计算图 39  

3.1.1 计算图的概念 39  

3.1.2 计算图的使用 40  

3.2 TensorFlow数据模型——张量 42  

3.2.1 张量的概念 42  

3.2.2 张量的使用 44  

3.3 TensorFlow运行模型——会话 45  

3.4 TensorFlow实现神经网络 47  

3.4.1 TensorFlow游乐场及神经网络简介 47  

3.4.2 前向传播算法简介 50  

3.4.3 神经网络参数与TensorFlow变量 54  

3.4.4 通过TensorFlow训练神经网络模型 58  

3.4.5 完整神经网络样例程序 62  

小结 64  

第4章 深层神经网络 66  

4.1 深度学习与深层神经网络 66  

4.1.1 线性模型的局限性 67  

4.1.2 激活函数实现去线性化 70  

4.1.3 多层网络解决异或运算 73  

4.2 损失函数定义 74  

4.2.1 经典损失函数 75  

4.2.2 自定义损失函数 79  

4.3 神经网络优化算法 81  

4.4 神经网络进一步优化 85  

4.4.1 学习率的设置 85  

4.4.2 过拟合问题 87  

4.4.3 滑动平均模型 91  

小结 92  

第5章 MNIST数字识别问题 94  

5.1 MNIST数据处理 94  

5.2 神经网络模型训练及不同模型结果对比 97  

5.2.1 TensorFlow训练神经网络 97  

5.2.2 使用验证数据集判断模型效果 102  

5.2.3 不同模型效果比较 103  

5.3 变量管理 107  

5.4 TensorFlow模型持久化 112  

5.4.1 持久化代码实现 112  

5.4.2 持久化原理及数据格式 117  

5.5 TensorFlow 实践样例程序 126  

小结 132  

第6章 图像识别与卷积神经网络 134  

6.1 图像识别问题简介及经典数据集 135  

6.2 卷积神经网络简介 139  

6.3 卷积神经网络常用结构 142  

6.3.1 卷积层 142  

6.3.2 池化层 147  

6.4 经典卷积网络模型 149  

6.4.1 LeNet-5模型 150  

6.4.2 Inception-v3模型 156  

6.5 卷积神经网络迁移学习 160  

6.5.1 迁移学习介绍 160  

6.5.2 TensorFlow实现迁移学习 161  

小结 168  

第7章 图像数据处理 170  

7.1 TFRecord输入数据格式 170  

7.1.1 TFRecord格式介绍 171  

7.1.2 TFRecord样例程序 171  

7.2 图像数据处理 173  

7.2.1 TensorFlow图像处理函数 174  

7.2.2 图像预处理完整样例 183  

7.3 多线程输入数据处理框架 185  

7.3.1 队列与多线程 186  

7.3.2 输入文件队列 190  

7.3.3 组合训练数据（batching） 193  

7.3.4 输入数据处理框架 196  

7.4 数据集（Dataset） 199  

7.4.1 数据集的基本使用方法 199  

7.4.2 数据集的高层操作 202  

小结 207  

第8章 循环神经网络 208  

8.1 循环神经网络简介 208  

8.2 长短时记忆网络（LSTM）结构 214  

8.3 循环神经网络的变种 218  

8.3.1 双向循环神经网络和深层循环神经网络 218  

8.3.2 循环神经网络的dropout 221  

8.4 循环神经网络样例应用 222  

小结 226  

第9章 自然语言处理 227  

9.1 语言模型的背景知识 227  

9.1.1 语言模型简介 227  

9.1.2 语言模型的评价方法 229  

9.2 神经语言模型 232  

9.2.1 PTB数据集的预处理 233  

9.2.2 PTB数据的batching方法 236  

9.2.3 基于循环神经网络的神经语言模型 238  

9.3 神经网络机器翻译 244  

9.3.1 机器翻译背景与Seq2Seq模型介绍 245  

9.3.2 机器翻译文本数据的预处理 246  

9.3.3 Seq2Seq模型的代码实现 250  

9.3.4 注意力机制 257  

小结 261  

dy 0章 TensorFlow高层封装 262  

10.1 TensorFlow高层封装总览 262  

10.2 Keras介绍 267  

10.2.1 Keras基本用法 267  

10.2.2 Keras高级用法 272  

10.3 Estimator介绍 277  

10.3.1 Estimator基本用法 278  

10.3.2 Estimator自定义模型 280  

10.3.3 使用数据集（Dataset）作为Estimator输入 284  

小结 286  

dy 1章 TensorBoard可视化 287  

11.1 TensorBoard简介 287  

11.2 TensorFlow计算图可视化 289  

11.2.1 命名空间与TensorBoard图上节点 290  

11.2.2 节点信息 297  

11.3 监控指标可视化 301  

11.4 高维向量可视化 309  

小结 317  

dy 2章 TensorFlow计算加速 318  

12.1 TensorFlow使用GPU 318  

12.2 深度学习训练并行模式 324  

12.3 多GPU并行 327  

12.4 分布式TensorFlow 334