Sklearn 与 TensorFlow 机器学习实用指南第二版
- 零、前言
- 一、机器学习概览
- 二、端到端的机器学习项目
- 三、分类
- 四、训练模型
- 五、支持向量机
- 六、决策树
- 七、集成学习和随机森林
- 八、降维
- 十、使用 Keras 搭建人工神经网络
- 十一、训练深度神经网络
- 十二、使用 TensorFlow 自定义模型并训练
- 十三、使用 TensorFlow 加载和预处理数据
- 十四、使用卷积神经网络实现深度计算机视觉
- 十五、使用 RNN 和 CNN 处理序列
- 十六、使用 RNN 和注意力机制进行自然语言处理
- 十七、使用自编码器和 GAN 做表征学习和生成式学习
- 十八、强化学习
- 十九、规模化训练和部署 TensorFlow 模型
PyTorch 自然语言处理
- 一、基础介绍
- 二、传统 NLP 快速回顾
- 三、神经网络基础组件
- 四、自然语言处理的前馈网络
- 五、嵌入单词和类型
- 六、自然语言处理的序列模型
- 七、自然语言处理的进阶序列模型
- 八、自然语言处理的高级序列模型
- 九、经典, 前沿和后续步骤
斯坦福 cs234 强化学习中文讲义
- Lecture 1 Introduction to Reinforcement Learning
- Lecture 3 Model Free Policy Evaluation: Policy Evaluation Without Knowing How the World Works
- Lecture 4 Model Free Control
- Lecture 5 Value Function Approximation
- Lecture 6 CNNs and Deep Q-learning
- Lecture 7 Imitation Learning
- Lecture 8&9 Policy Gradient
- Lecture 10 Advanced Policy Gradient
- Lecture 11&12 Exploration and Exploitation
- Lecture 14 Model Based RL, Monte-Carlo Tree Search
TensorFlow 1.x 深度学习秘籍
- 零、前言
- 一、TensorFlow 简介
- 二、回归
- 三、神经网络：感知器
- 四、卷积神经网络
- 五、高级卷积神经网络
- 六、循环神经网络
- 七、无监督学习
- 八、自编码器
- 九、强化学习
- 十、移动计算
- 十一、生成模型和 CapsNet
- 十二、分布式 TensorFlow 和云深度学习
- 十三、AutoML 和学习如何学习（元学习）
- 十四、TensorFlow 处理单元
PyTorch 中文官方教程 1.7
- 学习 PyTorch
- 图片/视频
- 音频
  - 音频 I/O 和torchaudio的预处理
  - 使用torchaudio的语音命令识别
- 文本
- 强化学习
  - 强化学习（DQN）教程
  - 训练玩马里奥的 RL 智能体
- 在生产中部署 PyTorch 模型
- 前端 API
- 模型优化
- 并行和分布式训练
使用 TensorFlow 构建机器学习项目中文版
- 一、探索和转换数据
- 二、聚类
- 三、线性回归
- 四、逻辑回归
- 五、简单的前馈神经网络
- 六、卷积神经网络
- 七、循环神经网络和 LSTM
- 八、深度神经网络
- 九、大规模运行模型 -- GPU 和服务
- 十、库安装和其他提示
TensorFlow 深度学习中文第二版
- 一、人工神经网络
- 二、TensorFlow v1.6 的新功能是什么？
- 三、实现前馈神经网络
- 四、CNN 实战
- 五、使用 TensorFlow 实现自编码器
- 六、RNN 和梯度消失或爆炸问题
- 七、TensorFlow GPU 配置
- 八、TFLearn
- 九、使用协同过滤的电影推荐
- 十、OpenAI Gym
TensorFlow 深度学习实战指南中文版
- 一、入门
- 二、深度神经网络
- 三、卷积神经网络
- 四、循环神经网络介绍
- 五、总结
精通 TensorFlow 1.x
- 一、TensorFlow 101
- 二、TensorFlow 的高级库
- 三、Keras 101
- 四、TensorFlow 中的经典机器学习
- 五、TensorFlow 和 Keras 中的神经网络和 MLP
- 六、TensorFlow 和 Keras 中的 RNN
- 七、TensorFlow 和 Keras 中的用于时间序列数据的 RNN
- 八、TensorFlow 和 Keras 中的用于文本数据的 RNN
- 九、TensorFlow 和 Keras 中的 CNN
- 十、TensorFlow 和 Keras 中的自编码器
- 十一、TF 服务：生产中的 TensorFlow 模型
- 十二、迁移学习和预训练模型
- 十三、深度强化学习
- 十四、生成对抗网络
- 十五、TensorFlow 集群的分布式模型
- 十六、移动和嵌入式平台上的 TensorFlow 模型
- 十七、R 中的 TensorFlow 和 Keras
- 十八、调试 TensorFlow 模型
- 十九、张量处理单元
TensorFlow 机器学习秘籍中文第二版
- 一、TensorFlow 入门
- 二、TensorFlow 的方式
- 三、线性回归
- 四、支持向量机
- 五、最近邻方法
- 六、神经网络
- 七、自然语言处理
- 八、卷积神经网络
- 九、循环神经网络
- 十、将 TensorFlow 投入生产
- 十一、更多 TensorFlow
与 TensorFlow 的初次接触
- 前言
- 1. TensorFlow 基础知识
- 2. TensorFlow 中的线性回归
- 3. TensorFlow 中的聚类
- 4. TensorFlow 中的单层神经网络
- 5. TensorFlow 中的多层神经网络
- 6. 并行
- 后记
TensorFlow 学习指南
- 一、基础
- 二、线性模型
- 三、学习
- 四、分布式
TensorFlow Rager 教程
- 一、如何使用 TensorFlow Eager 构建简单的神经网络
- 二、在 Eager 模式中使用指标
- 三、如何保存和恢复训练模型
- 四、文本序列到 TFRecords
- 五、如何将原始图片数据转换为 TFRecords
- 六、如何使用 TensorFlow Eager 从 TFRecords 批量读取数据
- 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）
- 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
- 九、用于 TensorFlow Eager 时间序列回归的递归神经网络
TensorFlow 高效编程
机器学习超级复习笔记
Python 迁移学习实用指南
- 零、前言
- 一、机器学习基础
- 二、深度学习基础
- 三、了解深度学习架构
- 四、迁移学习基础
- 五、释放迁移学习的力量
- 六、图像识别与分类
- 七、文本文件分类
- 八、音频事件识别与分类
- 九、DeepDream
- 十、自动图像字幕生成器
- 十一、图像着色
面向计算机视觉的深度学习
- 零、前言
- 一、入门
- 二、图像分类
- 三、图像检索
- 四、对象检测
- 五、语义分割
- 六、相似性学习
- 七、图像字幕
- 八、生成模型
- 九、视频分类
- 十、部署
深度学习快速参考
- 零、前言
- 一、深度学习的基础
- 二、使用深度学习解决回归问题
- 三、使用 TensorBoard 监控网络训练
- 四、使用深度学习解决二分类问题
- 五、使用 Keras 解决多分类问题
- 六、超参数优化
- 七、从头开始训练 CNN
- 八、将预训练的 CNN 用于迁移学习
- 九、从头开始训练 RNN
- 十、使用词嵌入从头开始训练 LSTM
- 十一、训练 Seq2Seq 模型
- 十二、深度强化学习
- 十三、生成对抗网络
TensorFlow 2.0 快速入门指南
- 零、前言
- 第 1 部分：TensorFlow 2.00 Alpha 简介
- 一、TensorFlow 2 简介
- 二、Keras：TensorFlow 2 的高级 API
- 三、TensorFlow 2 和 ANN 技术
- 第 2 部分：TensorFlow 2.00 Alpha 中的监督和无监督学习
- 四、TensorFlow 2 和监督机器学习
- 五、TensorFlow 2 和无监督学习
- 第 3 部分：TensorFlow 2.00 Alpha 的神经网络应用
- 六、使用 TensorFlow 2 识别图像
- 七、TensorFlow 2 和神经风格迁移
- 八、TensorFlow 2 和循环神经网络
- 九、TensorFlow 估计器和 TensorFlow HUB
- 十、从 tf1.12 转换为 tf2
TensorFlow 入门
- 零、前言
- 一、TensorFlow 基本概念
- 二、TensorFlow 数学运算
- 三、机器学习入门
- 四、神经网络简介
- 五、深度学习
- 六、TensorFlow GPU 编程和服务
TensorFlow 卷积神经网络实用指南
- 零、前言
- 一、TensorFlow 的设置和介绍
- 二、深度学习和卷积神经网络
- 三、TensorFlow 中的图像分类
- 四、目标检测与分割
- 五、VGG，Inception，ResNet 和 MobileNets
- 六、自编码器，变分自编码器和生成对抗网络
- 七、迁移学习
- 八、机器学习最佳实践和故障排除
- 九、大规模训练
- 十、参考文献
Python 人工智能中文版
- 0 前言
- 1 人工智能简介
- 2 人工智能的基本用例
- 3 机器学习管道
- 4 特征选择和特征工程
- 5 使用监督学习的分类和回归
- 6 集成学习的预测分析
- 7 通过无监督学习检测模式
- 8 构建推荐系统
- 9 逻辑编程
- 10 启发式搜索技术
- 11 遗传算法和遗传编程
- 12 云上的人工智能
- 13 使用人工智能构建游戏
- 14 构建语音识别器
- 15 自然语言处理
- 16 聊天机器人
- 17 序列数据和时间序列分析
- 18 图像识别
- 19 神经网络
- 20 将卷积神经网络用于深度学习
- 21 循环神经网络和其他深度学习模型
- 22 通过强化学习创建智能体
- 23 人工智能和大数据
Python 无监督学习实用指南
- 零、前言
- 一、无监督学习入门
- 二、聚类基础
- 三、高级聚类
- 四、实用的层次聚类
- 五、软聚类和高斯混合模型
- 六、异常检测
- 七、降维和成分分析
- 八、无监督神经网络模型
- 九、生成对抗网络和 SOM
- 十、习题
生成对抗网络项目
- 零、前言
- 一、生成对抗网络简介
- 二、3D-GAN -- 使用 GAN 生成形状
- 三、使用条件 GAN 进行人脸老化
- 四、使用 DCGAN 生成动漫角色
- 五、使用 SRGAN 生成逼真的图像
- 六、StackGAN - 逼真的文本到图像合成
- 七、CycleGAN - 将绘画变成照片
- 八、条件 GAN - 使用条件对抗网络的图像到图像翻译
- 九、预测 GAN 的未来
TensorFlow 智能移动项目
- 零、前言
- 一、移动 TensorFlow 入门
- 二、通过迁移学习对图像进行分类
- 三、检测物体及其位置
- 四、以惊人的艺术风格变换图片
- 五、了解简单的语音命令
- 六、用自然语言描述图像
- 七、使用 CNN 和 LSTM 识别绘画
- 八、用 RNN 预测股价
- 九、使用 GAN 生成和增强图像
- 十、构建类似 AlphaZero 的手机游戏应用
- 十一、在移动设备上使用 TensorFlow Lite 和 Core ML
- 十二、在 Raspberry Pi 上开发 TensorFlow 应用
TensorFlow 和 Keras 应用开发入门
- 零、前言
- 一、神经网络和深度学习简介
- 二、模型架构
- 三、模型评估和优化
- 四、产品化
TensorFlow 图像深度学习实用指南
- 零、前言
- 一、机器学习工具包
- 二、图片数据
- 三、经典神经网络
Python 元学习实用指南
- 零、前言
- 一、元学习导论
- 二、使用连体网络的人脸和音频识别
- 三、原型网络及其变体
- 四、使用 TensorFlow 的关系和匹配网络
- 五、记忆增强神经网络
- 六、MAML 及其变体
- 七、元 SGD 和 Reptile
- 八、作为优化目标的梯度一致性
- 九、最新进展和后续步骤
- 十、答案
Python 强化学习实用指南
- 零、前言
- 一、强化学习导论
- 二、OpenAI 和 TensorFlow 入门
- 三、马尔可夫决策过程与动态规划
- 四、用于游戏的蒙特卡洛方法
- 五、时间差异学习
- 六、多臂老虎机问题
- 七、深度学习基础
- 八、深度 Q 网络和 Atari 游戏
- 九、用深度循环 Q 网络玩《毁灭战士》
- 十、异步优势演员评论家网络
- 十一、策略梯度和优化
- 十二、Capstone 项目 – 将 DQN 用于赛车
- 十三、最新进展和后续步骤
- 十四、答案
Python 智能项目
- 零、前言
- 一、人工智能系统的基础
- 二、迁移学习
- 三、神经机器翻译
- 四、使用 GAN 的时尚行业样式迁移
- 五、视频字幕应用
- 六、智能推荐系统
- 七、电影评论情感分析移动应用
- 八、用于客户服务的会话式 AI 聊天机器人
- 九、使用强化学习的自主无人驾驶汽车
- 十、深度学习视角的验证码
精通 Sklearn 和 TensorFlow 预测性分析
- 零、前言
- 一、回归和分类的集成方法
- 二、交叉验证和参数调整
- 三、使用特征
- 四、人工神经网络和 TensorFlow 简介
- 五、将 TensorFlow 和深度神经网络用于预测分析
TensorFlow 2.0 的新增功能
- 零、前言
- 第 1 部分：TensorFlow 2.0 - 架构和 API 更改
  - 一、TensorFlow 2.0 入门
  - 二、Keras 默认集成和急切执行
- 第 2 部分：TensorFlow 2.0 - 数据和模型训练管道
  - 三、设计和构建输入数据管道
  - 四、TensorBoard 的模型训练和使用
- 第 3 部分：TensorFlow 2.0 - 模型推断和部署以及 AIY
  - 五、模型推理管道 - 多平台部署
  - 六、AIY 项目和 TensorFlow Lite
- 第 4 部分：TensorFlow 2.0 - 迁移，总结
  - 七、从 TensorFlow 1.x 迁移到 2.0
UCB CS294-112 深度强化学习中文笔记
- (1) 简介
- (2) 模仿学习
- (3) 增强学习简介
- (4) 策略梯度法
- (5) 演员-评论家算法
- (6) 基于值函数的方法
- (7) 深度增强学习中的 Q 学习方法
- (8) 最优控制与规划
- (9) 用数据拟合模型
- (10) 基于模型的增强学习的策略训练
- (11) 概率图模型与软化增强学习
- (12) 逆增强学习
TensorFlow 2 和 Keras 高级深度学习
- 零、前言
- 一、使用 Keras 入门高级深度学习
- 二、深度神经网络
- 三、自编码器
- 四、生成对抗网络（GAN）
- 五、改进的 GAN
- 六、纠缠表示 GAN
- 七、跨域 GAN
- 八、变分自编码器（VAE）
- 九、深度强化学习
- 十、策略梯度方法
- 十一、对象检测
- 十二、语义分割
- 十三、使用互信息的无监督学习
GCP 上的人工智能实用指南
- 零、前言
- 第 1 节：Google Cloud Platform 的基础
  - 一、AI 和 GCP 概述
  - 二、使用 GCP 组件的计算和处理
- 第 2 节：使用 Google Cloud Platform 的人工智能
- 第 3 节：Google Cloud Platform 上的 TensorFlow
- 第 4 节：构建应用和即将发布的功能
  - 十、构建一个 AI 应用
Python 深度学习架构实用指南
- 零、前言
- 第 1 节：深度学习的元素
- 第 2 节：卷积神经网络
  - 四、CNN 架构
  - 五、移动神经网络和 CNN
- 第 3 节：序列建模
  - 六、循环神经网络
- 第 4 节：生成对抗网络（GAN）
  - 七、生成对抗网络
- 第 5 节：深度学习和高级人工智能的未来
  - 八、深度学习的新趋势
Python Web 深度学习实用指南
- 零、前言
- 第 1 节：Web 人工智能
  - 一、揭秘人工智能和机器学习基础
- 第 2 节：使用深度学习的 Web 开发
- 第 3 节：用于 Web 开发的不同深度学习 API 入门
- 第 4 节：生产中的深度学习（智能 Web 应用）
- 十三、附录：Web 深度学习的成功案例和新兴领域
精通 TensorFlow 2.x 计算机视觉
- 零、前言
- 第 1 节：计算机视觉和神经网络概论
- 第 2 节：使用 TensorFlow 的计算机视觉高级概念
- 第 3 节：使用 TensorFlow 的计算机视觉的高级实现
  - 九、使用多任务深度学习的动作识别
  - 十、R-CNN，SSD 和 R-FCN 对象检测
- 第 4 节：边缘和云端的 TensorFlow 实现
  - 十一、带有 CPU/GPU 优化的边缘设备上的深度学习
  - 十二、用于计算机视觉的云计算平台
TensorFlow Lite，ML Kit 和 Flutter 移动深度学习
- 零、前言
- 一、移动深度学习简介
- 二、移动视觉 - 使用设备上的模型的人脸检测
- 三、使用 Google Action 的聊天机器人
- 四、认识植物种类
- 五、从摄像机源生成实时字幕
- 六、构建人工智能认证系统
- 七、语音/多媒体处理 - 使用 AI 生成音乐
- 八、基于强化神经网络的国际象棋引擎
- 九、构建图像超分辨率应用
- 十、前方的路
- 十一、附录
PyTorch 人工智能研讨会
- 零、前言
- 一、深度学习和 PyTorch 简介
- 二、神经网络的构建块
- 三、使用 DNN 的分类问题
- 四、卷积神经网络
- 五、样式迁移
- 六、使用 RNN 分析数据序列
- 七、附录
Python 单样本实用指南
- 零、前言
- 第一部分：单样本学习简介
  - 一、单样本学习简介
- 第二部分：深度学习架构
- 第三部分：其他方法和结论
  - 五、基于生成建模的方法
  - 六、总结和其他方法
Python 自然语言处理实用指南
- 零、前言
- 第一部分：用于 NLP 的 PyTorch 1.x 的要点
  - 一、机器学习和深度学习的基础
  - 二、用于 NLP 的 PyTorch 1.x 入门
- 第二部分：自然语言处理基础
  - 三、NLP 和文本嵌入
  - 四、文本预处理，词干提取和词形还原
- 第三部分：使用 PyTorch 1.x 的实际 NLP 应用
PyTorch 人工智能基础知识
- 零、前言
- 一、使用 PyTorch 使用张量
- 二、与神经网络协作
- 三、用于计算机视觉的卷积神经网络
- 四、用于 NLP 的循环神经网络
- 五、迁移学习和 TensorBoard
- 六、探索生成对抗网络
- 七、深度强化学习
- 八、在 PyTorch 中生产 AI 模型
PyTorch 深度学习实用指南
- 零、前言
- 一、深度学习演练和 PyTorch 简介
- 二、简单的神经网络
- 三、深度学习工作流程
- 四、计算机视觉
- 五、序列数据处理
- 六、生成网络
- 七、强化学习
- 八、生产中的 PyTorch
TensorFlow 强化学习
- 零、前言
- 一、深度学习–架构和框架
- 二、使用 OpenAI Gym 训练强化学习智能体
- 三、马尔可夫决策过程
- 四、策略梯度
- 五、Q 学习和深度 Q 网络
- 六、异步方法
- 七、一切都是机器人-真正的战略游戏
- 八、AlphaGo –最好的强化学习
- 九、自动驾驶中的强化学习
- 十、金融投资组合管理
- 十一、机器人技术中的强化学习
- 十二、广告技术中的深度强化学习
- 十三、图像处理中的强化学习
- 十四、NLP 中的深度强化学习
- 十五、强化学习的其他主题

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

SUMMARY.md

SUMMARY.md

Files

SUMMARY.md

Latest commit

History

SUMMARY.md

File metadata and controls