《從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰》是2019年電子工業出版社出版的書籍，作者是劉長龍。
基本介紹
- 中文名：從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰
- 作者：劉長龍
- 出版時間：2019年03月
- 出版社：電子工業出版社
- 頁數：512 頁
- ISBN： 9787121355189
- 定價：99 元
- 開本：16 開
- 裝幀：平裝
內容提要,目錄,作者簡介,
內容提要
《從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰》是一本場景式的機器學習實踐書，筆者努力做到“授人以漁，而非授人以魚”。理論方面從人工智慧（AI）與機器學習（ML）的基本要素講起，逐步展開有監督學習、無監督學習、強化學習這三大類模型的套用場景與算法原理；實踐方面通過金融預測、醫療診斷機率模型、月球登入器、圖像識別、寫詩機器人、中國象棋博弈等案例啟發讀者將機器學習套用在各行各業里，其中後三個案例使用了深度學習技術。
《從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰》試圖用通俗的語言講解涵蓋算法模型的機器學習，主要內容包括機器學習通用概念、三個基本科學計算工具、有監督學習、聚類模型、降維模型、隱馬爾可夫模型、貝葉斯網路、自然語言處理、深度學習、強化學習、模型遷移等。在深入淺出地解析模型與算法之後，介紹使用Python相關工具進行開發享拘肯的方法、解析經典案例，使讀者做到“能理解、能設計、能編碼、能調試”，沒有任何專業基礎的讀者在學習本書後也能夠上手設計與開發機器學習產品。
《從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰》內容深入淺出、實例刪采旋典型，適合對機器學習感興趣的產品設計、技術管理、數據分析、軟體開發或學生讀者。閱讀本書既能了解當前工業界的主流機器學習與深度學習開發工具的使用方法，又能從戰略方面掌握如何將人工智慧技術套用到自己的企業與產品中。
《從機器學習到深度學習》全面覆蓋了機器整戒洪學習的三大領域：有監督學習、無監督學習、強化學習。在分析它們的傳炒凝達項統算法模型後，著重解析近年來取得突破的深度學習在人工智慧方面的套用。用生活化的語言描述算法與模型的原理與作用，並給出實踐指導和案例解析。
目錄
第1章 機器學習基礎 1
1.1 引言 1
1.1.1 為什麼使用機器學習 2
1.1.2 機器糠紙學習與數據挖掘 4
1.1.3 機器學習與人工智慧 5
1.2 機器學習的一般流程 7
1.2.1 定義問題 7
1.2.2 收集數據 8
1.2.3 比較算法與模型 9
1.2.4 套用模型 10
1.3 學習策略 10
1.3.1 有監督學習 11
1.3.2 無監督學習 14
1.3.3 強化學習 16
1.3.4 綜合模型與工具 18
1.4 評估理論 19
1.4.1 劃分數紙戀虹局據集 19
1.4.2 交叉驗兆坑危證 21
1.4.3 評估指標 22
1.4.4 擬合不足與過度擬合 25
1.5 本章內容回顧 26
第2章 Python基礎工具 27
2.1 Numpy 28
2.1.1 Numpy與Scipy的分工 28
2.1.2 ndarray構造 29
2.1.3 數據類型 32
2.1.4 訪問與修改 33
2.1.5 軸 35
2.1.6 維度操作 38
2.1.7 合併與拆分 40
2.1.8 增與刪 41
2.1.9 全函式 42
2.1.10 廣播 42
2.2 Matplot 43
2.2.1 點線圖 44
2.2.2 子視圖 50
2.2.3 圖像 53
2.2.4 等值圖 57
2.2.5 三維繪圖 58
2.2.6 從官網學習 59
2.3 Scipy 60
2.3.1 數學與物理常數 61
2.3.2 特殊函式館 62
2.3.3 積分 64
2.3.4 最佳化 65
2.3.5 插值 67
2.3.6 離散傅立葉 68
2.3.7 卷積 70
2.3.8 線性分析 71
2.3.9 機率統計 73
2.4 本章內容回顧 77
第3章 有監督學習：分類與回歸 79
3.1 線性回歸 80
3.1.1 何謂線性模型 80
3.1.2 最小二乘法 81
3.1.3 最小二乘法的不足 82
3.1.4 嶺回歸 85
3.1.5 Lasso回歸 87
3.2 梯度下降 90
3.2.1 假設函式與損失函式 90
3.2.2 隨機梯度下降 92
3.2.3 實戰：SGDRegressor和SGDClassifier 93
3.2.4 增量學習 94
3.3 支持向量機 95
3.3.1 最優超平面 95
3.3.2 軟間隔 97
3.3.3 線性不可分問題 98
3.3.4 核函式 99
3.3.5 實戰：scikit-learn中的SVM 100
3.4 樸素貝葉斯分類 101
3.4.1 基礎機率 102
3.4.2 貝葉斯分類原理 103
3.4.3 高斯樸素貝葉斯 105
3.4.4 多項式樸素貝葉斯 106
3.4.5 伯努利樸素貝葉斯 107
3.5 高斯過程 107
3.5.1 隨機過程 108
3.5.2 無限維高斯分布 109
3.5.3 實戰：gaussian_process工具包 111
3.6 決策樹 114
3.6.1 最易於理解的模型 114
3.6.2 熵的作用 115
3.6.3 實戰：DecisionTreeClassifier與DecisionTreeRegressor 117
3.6.4 樹的可視化 118
3.7 集成學習 119
3.7.1 偏差與方差 120
3.7.2 隨機森林 121
3.7.3 自適應增強 124
3.8 綜合話題 126
3.8.1 參數與非參數學習 127
3.8.2 One-Vs-All與One-Vs-One 127
3.8.3 評估工具 129
3.8.4 超參數調試 131
3.8.5 多路輸出 134
3.9 本章內容回顧 134
第4章 無監督學習：聚類 136
4.1 動機 137
4.2 K-means 138
4.2.1 算法 139
4.2.2 實戰：scikit-learn聚類調用 141
4.2.3 如何選擇K值 144
4.3 近鄰算法 145
4.3.1 生活化的理解 145
4.3.2 有趣的疊代 146
4.3.3 實戰：AffinityPropagation類 147
4.4 高斯混合模型 149
4.4.1 中心極限定理 150
4.4.2 最大似然估計 151
4.4.3 幾種協方差矩陣類型 152
4.4.4 實戰：GaussianMixture類 154
4.5 密度聚類 156
4.5.1 凸數據集 157
4.5.2 密度算法 158
4.5.3 實戰：DBSCAN類 159
4.6 BIRCH 160
4.6.1 層次模型綜述 161
4.6.2 聚類特徵樹 162
4.6.3 實戰：BIRCH相關調用 164
4.7 距離計算 166
4.7.1 閔氏距離 166
4.7.2 馬氏距離 167
4.7.3 餘弦相似度 168
4.7.4 時間序列比較 169
4.7.5 傑卡德相似度 169
4.8 聚類評估 170
4.9 本章內容回顧 172
第5章 無監督學習：數據降維 173
5.1 主成分分析 174
5.1.1 尋找方差最大維度 174
5.1.2 用PCA降維 177
5.1.3 實戰：用PCA尋找主成分 178
5.2 線性判別分析 181
5.2.1 雙重標準 181
5.2.2 實戰：使用LinearDiscriminantAnalysis 183
5.3 多維標度法 185
5.3.1 保留距離信息的線性變換 185
5.3.2 MDS的重要變形 187
5.3.3 實戰：使用MDS類 188
5.4 流形學習之Isomap 189
5.4.1 什麼是流形 190
5.4.2 測地線距離 192
5.4.3 實戰：使用Isomap類 193
5.5 流形學習之局部嵌入 195
5.5.1 局部線性嵌入 195
5.5.2 拉普拉斯特徵映射（LE） 198
5.5.3 調用介紹 200
5.5.4 譜聚類 201
5.6 流形學習之t-SNE 203
5.6.1 用Kullback-Leiber衡量分布相似度 203
5.6.2 為什麼是t-分布 205
5.6.3 實戰：使用TSNE類 206
5.7 實戰：降維模型之比較 207
5.8 本章內容回顧 210
第6章 隱馬爾可夫模型 212
6.1 場景建模 213
6.1.1 兩種狀態鏈 213
6.1.2 兩種機率 215
6.1.3 三種問題 217
6.1.4 hmmLearn介紹 218
6.2 離散型分布算法與套用 222
6.2.1 前向算法與後向算法 222
6.2.2 MultinomialNB求估計問題 226
6.2.3 Viterbi算法 227
6.2.4 MultinomialNB求解碼問題 229
6.2.5 EM算法 232
6.2.6 Baum-Welch算法 233
6.2.7 用hmmLearn訓練數據 235
6.3 連續型機率分布 236
6.3.1 多元高斯分布 237
6.3.2 GaussianHMM 239
6.3.3 GMMHMM 240
6.4 實戰：股票預測模型 241
6.4.1 數據模型 241
6.4.2 目標 243
6.4.3 訓練模型 243
6.4.4 分析模型參數 245
6.4.5 可視化短線預測 247
6.5 本章內容回顧 250
第7章 貝葉斯網路 251
7.1 什麼是貝葉斯網路 252
7.1.1 典型貝葉斯問題 252
7.1.2 靜態結構 253
7.1.3 聯合/邊緣/條件機率換算 256
7.1.4 鏈式法則與變數消元 258
7.2 網路構建 259
7.2.1 網路參數估計 260
7.2.2 啟發式搜尋 261
7.2.3 Chow-Liu Tree算法 262
7.3 近似推理 263
7.3.1 蒙特卡洛方法 264
7.3.2 馬爾可夫鏈收斂定理 265
7.3.3 MCMC推理框架 267
7.3.4 Gibbs採樣 268
7.3.5 變分貝葉斯 268
7.4 利用共軛建模 270
7.4.1 共軛分布 270
7.4.2 隱含變數與顯式變數 272
7.5 實戰：胸科疾病診斷 274
7.5.1 診斷需求 274
7.5.2 Python機率工具包 275
7.5.3 建立模型 276
7.5.4 MCMC採樣分析 278
7.5.5 近似推理 281
7.6 本章內容回顧 282
第8章 自然語言處理 284
8.1 文本建模 285
8.1.1 聊天機器人原理 285
8.1.2 詞袋模型 286
8.1.3 訪問新聞資源庫 287
8.1.4 TF-IDF 290
8.1.5 實戰：關鍵字推舉 290
8.2 辭彙處理 294
8.2.1 中文分詞 294
8.2.2 Word2vec 296
8.2.3 實戰：尋找近似詞 298
8.3 主題模型 303
8.3.1 三層模型 303
8.3.2 非負矩陣分解 304
8.3.3 潛在語意分析 305
8.3.4 隱含狄利克雷分配 307
8.3.5 實戰：使用工具包 309
8.4 實戰：用LDA分析新聞庫 311
8.4.1 文本預處理 311
8.4.2 訓練與顯示 313
8.4.3 困惑度調參 315
8.5 本章內容回顧 317
第9章 深度學習 319
9.1 神經網路基礎 320
9.1.1 人工神經網路 320
9.1.2 神經元與激活函式 321
9.1.3 反向傳播 323
9.1.4 萬能網路 325
9.2 TensorFlow核心套用 328
9.2.1 張量 329
9.2.2 開發架構 331
9.2.3 數據管理 332
9.2.4 評估器 335
9.2.5 圖與會話 338
9.2.6 逐代（epoch）訓練 341
9.2.7 圖與統計可視化 343
9.3 卷積神經網路 349
9.3.1 給深度學習一個理由 349
9.3.2 CNN結構發展 351
9.3.3 卷積層 354
9.3.4 池化層 356
9.3.5 ReLU與Softmax 357
9.3.6 Inception與ResNet 359
9.4 最佳化 362
9.4.1 批次規範化 362
9.4.2 剪枝 364
9.4.3 算法選擇 366
9.5 循環神經網路與遞歸神經網路 367
9.5.1 循環神經網路 368
9.5.2 長短期記憶（LSTM） 371
9.5.3 遞歸神經網路 374
9.6 前沿精選 377
9.6.1 物件檢測模型 377
9.6.2 密連卷積網路 381
9.6.3 膠囊網路 382
9.7 CNN實戰：圖像識別 385
9.7.1 開源圖像庫CIFAR 385
9.7.2 項目介紹 388
9.7.3 構建Graph 389
9.7.4 最佳化與訓練 392
9.7.5 運行 394
9.8 RNN實戰：寫詩機器人 397
9.8.1 語言模型 397
9.8.2 LSTM開發步驟1：網路架構 401
9.8.3 LSTM開發步驟2：數據載入 402
9.8.4 LSTM開發步驟3：搭建TensorFlow Graph 403
9.8.5 LSTM開發步驟4：解析LSTM RNN 404
9.8.6 LSTM開發步驟5：LSTM中的參數 406
9.8.7 LSTM開發步驟6：用sequence_loss計算RNN損失值 406
9.8.8 LSTM開發步驟7：學習速度可調最佳化器 407
9.8.9 LSTM開發步驟8：訓練 408
9.8.10 開始寫唐詩 410
9.8.11 寫唐詩步驟1：用唐詩語料訓練語言模型 410
9.8.12 寫唐詩步驟2：作詩 412
9.8.13 寫唐詩步驟3：作品舉例 414
9.9 本章內容回顧 415
第10章 強化學習 418
10.1 場景與原理 419
10.1.1 借AlphaGo談人工智慧 419
10.1.2 基於價值的算法Q-Learning與Sarsa 421
10.1.3 基於策略的算法 424
10.1.4 基於模型的算法 426
10.2 OpenAI Gym 427
10.2.1 環境調用 428
10.2.2 實戰：用Q-Learning開發走迷宮機器人 432
10.3 深度強化學習 435
10.3.1 DQN及改進 435
10.3.2 DPN、DDPG及A3C 436
10.3.3 實戰：用DPN訓練月球定點登入 439
10.4 博弈原理 444
10.4.1 深度搜尋與廣度搜尋 444
10.4.2完美決策 446
10.4.3 蒙特卡洛搜尋樹 448
10.5 實戰：中國象棋版AlphaGo Zero 449
10.5.1 開源版本AlphaGo Zero 450
10.5.2 盤面建模 452
10.5.3 左右互搏 457
10.5.4 MCTS詳解 464
10.5.5 DDPG詳解 468
10.5.6 運行展示：訓練 473
10.5.7 運行展示：查看統計 475
10.5.8 運行展示：當頭炮、把馬跳 475
10.5.9 運行展示：人機博弈 476
10.6 本章內容回顧 477
第11章 模型遷移 478
11.1 走向移動端 478
11.1.1 Android上的TensorFlow 479
11.1.2 iOS上的CoreML 480
11.2 遷移學習 483
11.2.1 動機 483
11.2.2 訓練流程 484
11.3 案例實戰：基於TensorFlow Hub的遷移學習開發 485
11.3.1 下載並訓練 485
11.3.2 檢驗學習成果 486
11.3.3 遷移學習開發 487
11.4 本章內容回顧 488
後記 489
作者簡介
2.1.3 數據類型 32
2.1.4 訪問與修改 33
2.1.5 軸 35
2.1.6 維度操作 38
2.1.7 合併與拆分 40
2.1.8 增與刪 41
2.1.9 全函式 42
2.1.10 廣播 42
2.2 Matplot 43
2.2.1 點線圖 44
2.2.2 子視圖 50
2.2.3 圖像 53
2.2.4 等值圖 57
2.2.5 三維繪圖 58
2.2.6 從官網學習 59
2.3 Scipy 60
2.3.1 數學與物理常數 61
2.3.2 特殊函式館 62
2.3.3 積分 64
2.3.4 最佳化 65
2.3.5 插值 67
2.3.6 離散傅立葉 68
2.3.7 卷積 70
2.3.8 線性分析 71
2.3.9 機率統計 73
2.4 本章內容回顧 77
第3章 有監督學習：分類與回歸 79
3.1 線性回歸 80
3.1.1 何謂線性模型 80
3.1.2 最小二乘法 81
3.1.3 最小二乘法的不足 82
3.1.4 嶺回歸 85
3.1.5 Lasso回歸 87
3.2 梯度下降 90
3.2.1 假設函式與損失函式 90
3.2.2 隨機梯度下降 92
3.2.3 實戰：SGDRegressor和SGDClassifier 93
3.2.4 增量學習 94
3.3 支持向量機 95
3.3.1 最優超平面 95
3.3.2 軟間隔 97
3.3.3 線性不可分問題 98
3.3.4 核函式 99
3.3.5 實戰：scikit-learn中的SVM 100
3.4 樸素貝葉斯分類 101
3.4.1 基礎機率 102
3.4.2 貝葉斯分類原理 103
3.4.3 高斯樸素貝葉斯 105
3.4.4 多項式樸素貝葉斯 106
3.4.5 伯努利樸素貝葉斯 107
3.5 高斯過程 107
3.5.1 隨機過程 108
3.5.2 無限維高斯分布 109
3.5.3 實戰：gaussian_process工具包 111
3.6 決策樹 114
3.6.1 最易於理解的模型 114
3.6.2 熵的作用 115
3.6.3 實戰：DecisionTreeClassifier與DecisionTreeRegressor 117
3.6.4 樹的可視化 118
3.7 集成學習 119
3.7.1 偏差與方差 120
3.7.2 隨機森林 121
3.7.3 自適應增強 124
3.8 綜合話題 126
3.8.1 參數與非參數學習 127
3.8.2 One-Vs-All與One-Vs-One 127
3.8.3 評估工具 129
3.8.4 超參數調試 131
3.8.5 多路輸出 134
3.9 本章內容回顧 134
第4章 無監督學習：聚類 136
4.1 動機 137
4.2 K-means 138
4.2.1 算法 139
4.2.2 實戰：scikit-learn聚類調用 141
4.2.3 如何選擇K值 144
4.3 近鄰算法 145
4.3.1 生活化的理解 145
4.3.2 有趣的疊代 146
4.3.3 實戰：AffinityPropagation類 147
4.4 高斯混合模型 149
4.4.1 中心極限定理 150
4.4.2 最大似然估計 151
4.4.3 幾種協方差矩陣類型 152
4.4.4 實戰：GaussianMixture類 154
4.5 密度聚類 156
4.5.1 凸數據集 157
4.5.2 密度算法 158
4.5.3 實戰：DBSCAN類 159
4.6 BIRCH 160
4.6.1 層次模型綜述 161
4.6.2 聚類特徵樹 162
4.6.3 實戰：BIRCH相關調用 164
4.7 距離計算 166
4.7.1 閔氏距離 166
4.7.2 馬氏距離 167
4.7.3 餘弦相似度 168
4.7.4 時間序列比較 169
4.7.5 傑卡德相似度 169
4.8 聚類評估 170
4.9 本章內容回顧 172
第5章 無監督學習：數據降維 173
5.1 主成分分析 174
5.1.1 尋找方差最大維度 174
5.1.2 用PCA降維 177
5.1.3 實戰：用PCA尋找主成分 178
5.2 線性判別分析 181
5.2.1 雙重標準 181
5.2.2 實戰：使用LinearDiscriminantAnalysis 183
5.3 多維標度法 185
5.3.1 保留距離信息的線性變換 185
5.3.2 MDS的重要變形 187
5.3.3 實戰：使用MDS類 188
5.4 流形學習之Isomap 189
5.4.1 什麼是流形 190
5.4.2 測地線距離 192
5.4.3 實戰：使用Isomap類 193
5.5 流形學習之局部嵌入 195
5.5.1 局部線性嵌入 195
5.5.2 拉普拉斯特徵映射（LE） 198
5.5.3 調用介紹 200
5.5.4 譜聚類 201
5.6 流形學習之t-SNE 203
5.6.1 用Kullback-Leiber衡量分布相似度 203
5.6.2 為什麼是t-分布 205
5.6.3 實戰：使用TSNE類 206
5.7 實戰：降維模型之比較 207
5.8 本章內容回顧 210
第6章 隱馬爾可夫模型 212
6.1 場景建模 213
6.1.1 兩種狀態鏈 213
6.1.2 兩種機率 215
6.1.3 三種問題 217
6.1.4 hmmLearn介紹 218
6.2 離散型分布算法與套用 222
6.2.1 前向算法與後向算法 222
6.2.2 MultinomialNB求估計問題 226
6.2.3 Viterbi算法 227
6.2.4 MultinomialNB求解碼問題 229
6.2.5 EM算法 232
6.2.6 Baum-Welch算法 233
6.2.7 用hmmLearn訓練數據 235
6.3 連續型機率分布 236
6.3.1 多元高斯分布 237
6.3.2 GaussianHMM 239
6.3.3 GMMHMM 240
6.4 實戰：股票預測模型 241
6.4.1 數據模型 241
6.4.2 目標 243
6.4.3 訓練模型 243
6.4.4 分析模型參數 245
6.4.5 可視化短線預測 247
6.5 本章內容回顧 250
第7章 貝葉斯網路 251
7.1 什麼是貝葉斯網路 252
7.1.1 典型貝葉斯問題 252
7.1.2 靜態結構 253
7.1.3 聯合/邊緣/條件機率換算 256
7.1.4 鏈式法則與變數消元 258
7.2 網路構建 259
7.2.1 網路參數估計 260
7.2.2 啟發式搜尋 261
7.2.3 Chow-Liu Tree算法 262
7.3 近似推理 263
7.3.1 蒙特卡洛方法 264
7.3.2 馬爾可夫鏈收斂定理 265
7.3.3 MCMC推理框架 267
7.3.4 Gibbs採樣 268
7.3.5 變分貝葉斯 268
7.4 利用共軛建模 270
7.4.1 共軛分布 270
7.4.2 隱含變數與顯式變數 272
7.5 實戰：胸科疾病診斷 274
7.5.1 診斷需求 274
7.5.2 Python機率工具包 275
7.5.3 建立模型 276
7.5.4 MCMC採樣分析 278
7.5.5 近似推理 281
7.6 本章內容回顧 282
第8章 自然語言處理 284
8.1 文本建模 285
8.1.1 聊天機器人原理 285
8.1.2 詞袋模型 286
8.1.3 訪問新聞資源庫 287
8.1.4 TF-IDF 290
8.1.5 實戰：關鍵字推舉 290
8.2 辭彙處理 294
8.2.1 中文分詞 294
8.2.2 Word2vec 296
8.2.3 實戰：尋找近似詞 298
8.3 主題模型 303
8.3.1 三層模型 303
8.3.2 非負矩陣分解 304
8.3.3 潛在語意分析 305
8.3.4 隱含狄利克雷分配 307
8.3.5 實戰：使用工具包 309
8.4 實戰：用LDA分析新聞庫 311
8.4.1 文本預處理 311
8.4.2 訓練與顯示 313
8.4.3 困惑度調參 315
8.5 本章內容回顧 317
第9章 深度學習 319
9.1 神經網路基礎 320
9.1.1 人工神經網路 320
9.1.2 神經元與激活函式 321
9.1.3 反向傳播 323
9.1.4 萬能網路 325
9.2 TensorFlow核心套用 328
9.2.1 張量 329
9.2.2 開發架構 331
9.2.3 數據管理 332
9.2.4 評估器 335
9.2.5 圖與會話 338
9.2.6 逐代（epoch）訓練 341
9.2.7 圖與統計可視化 343
9.3 卷積神經網路 349
9.3.1 給深度學習一個理由 349
9.3.2 CNN結構發展 351
9.3.3 卷積層 354
9.3.4 池化層 356
9.3.5 ReLU與Softmax 357
9.3.6 Inception與ResNet 359
9.4 最佳化 362
9.4.1 批次規範化 362
9.4.2 剪枝 364
9.4.3 算法選擇 366
9.5 循環神經網路與遞歸神經網路 367
9.5.1 循環神經網路 368
9.5.2 長短期記憶（LSTM） 371
9.5.3 遞歸神經網路 374
9.6 前沿精選 377
9.6.1 物件檢測模型 377
9.6.2 密連卷積網路 381
9.6.3 膠囊網路 382
9.7 CNN實戰：圖像識別 385
9.7.1 開源圖像庫CIFAR 385
9.7.2 項目介紹 388
9.7.3 構建Graph 389
9.7.4 最佳化與訓練 392
9.7.5 運行 394
9.8 RNN實戰：寫詩機器人 397
9.8.1 語言模型 397
9.8.2 LSTM開發步驟1：網路架構 401
9.8.3 LSTM開發步驟2：數據載入 402
9.8.4 LSTM開發步驟3：搭建TensorFlow Graph 403
9.8.5 LSTM開發步驟4：解析LSTM RNN 404
9.8.6 LSTM開發步驟5：LSTM中的參數 406
9.8.7 LSTM開發步驟6：用sequence_loss計算RNN損失值 406
9.8.8 LSTM開發步驟7：學習速度可調最佳化器 407
9.8.9 LSTM開發步驟8：訓練 408
9.8.10 開始寫唐詩 410
9.8.11 寫唐詩步驟1：用唐詩語料訓練語言模型 410
9.8.12 寫唐詩步驟2：作詩 412
9.8.13 寫唐詩步驟3：作品舉例 414
9.9 本章內容回顧 415
第10章 強化學習 418
10.1 場景與原理 419
10.1.1 借AlphaGo談人工智慧 419
10.1.2 基於價值的算法Q-Learning與Sarsa 421
10.1.3 基於策略的算法 424
10.1.4 基於模型的算法 426
10.2 OpenAI Gym 427
10.2.1 環境調用 428
10.2.2 實戰：用Q-Learning開發走迷宮機器人 432
10.3 深度強化學習 435
10.3.1 DQN及改進 435
10.3.2 DPN、DDPG及A3C 436
10.3.3 實戰：用DPN訓練月球定點登入 439
10.4 博弈原理 444
10.4.1 深度搜尋與廣度搜尋 444
10.4.2完美決策 446
10.4.3 蒙特卡洛搜尋樹 448
10.5 實戰：中國象棋版AlphaGo Zero 449
10.5.1 開源版本AlphaGo Zero 450
10.5.2 盤面建模 452
10.5.3 左右互搏 457
10.5.4 MCTS詳解 464
10.5.5 DDPG詳解 468
10.5.6 運行展示：訓練 473
10.5.7 運行展示：查看統計 475
10.5.8 運行展示：當頭炮、把馬跳 475
10.5.9 運行展示：人機博弈 476
10.6 本章內容回顧 477
第11章 模型遷移 478
11.1 走向移動端 478
11.1.1 Android上的TensorFlow 479
11.1.2 iOS上的CoreML 480
11.2 遷移學習 483
11.2.1 動機 483
11.2.2 訓練流程 484
11.3 案例實戰：基於TensorFlow Hub的遷移學習開發 485
11.3.1 下載並訓練 485
11.3.2 檢驗學習成果 486
11.3.3 遷移學習開發 487
11.4 本章內容回顧 488
後記 489
