TensorFlow機械学習クックブック : Pythonベースの活用レシピ60+

• Material Type: 図書
• ISBN: 978-4-295-00200-0
• Title: TensorFlow機械学習クックブック : Pythonベースの活用レシピ60+
• Title Transcription: テンソルフロー キカイ ガクシュウ クック ブック : パイソン ベース ノ カツヨウ レシピ ロクジュウ プラス
• Author/Editor: Nick McClure 著; クイープ 訳
• Series Title: impress top gear
• Author Heading: McClure, Nick ( 001271596 )Authorities; クイープ クイープ ( 00854582 )Authorities
• Publication, Distribution, etc.: 東京 : インプレス
• Publication Date: 2017.8
• Publication Date (W3CDTF): 2017
• Extent: 29,359p
• Size: 24cm
• Additional Title: TensorFlow Machine Learning Cookbook
• Place of Publication (Country Code): JP
• Text Language Code: jpn
• Original Text Lang. Code: eng
• Subject Heading: 機械学習 キカイ ガクシュウ ( 001210569 )Authorities
• NDC 10th ed.: 007.13 : Information science. Informatics
• NDLC: M121
• Target Audience: 一般
• Note (General): 原タイトル: TensorFlow Machine Learning Cookbook
• Note (Bibliography): 索引あり
• Price: 4200円
• Holding library: 国立国会図書館
• Call No.: M121-L393
• Data Provider (Database): 国立国会図書館 : 国立国会図書館蔵書; https://ndlsearch.ndl.go.jp
• Bibliographic ID (NDL): 028390272; http://id.ndl.go.jp/bib/028390272
• National Bibliography No. (JPNO): 22944972
• TOHAN MARC No.: 33642827
• Cataloging Rule: Nippon Cataloguing Rules 1987 Revised Edition
• Bibliographic Record Category (NDL): 111

Table of Contents

表紙
Copyright/商標/正誤表について
はじめに
謝辞
第1章 TensorFlowの仕組みと基本事項を押さえる／1.1 はじめに
1.2 TensorFlowの仕組み<Recipe 1>
1.3 テンソルを設定する<Recipe 2>
1.4 プレースホルダと変数を使用する<Recipe 3>
1.5 行列を操作する<Recipe 4>
1.6 演算を設定する<Recipe 5>
1.7 活性化関数を実装する<Recipe 6>
1.8 データソースを操作する<Recipe 7>
1.9 その他のリソース<Recipe 8>
第2章 TensorFlowスタイル―演算/層の追加、損失関数やモデル評価などの実装／2.1 はじめに
2.2 計算グラフでの演算<Recipe 9>
2.3 入れ子の演算を階層化する<Recipe 10>
2.4 複数の層を操作する<Recipe 11>
2.5 損失関数を実装する<Recipe 12>
2.6 バックプロパゲーションを実装する<Recipe 13>
2.7 バッチトレーニングと確率的トレーニングを使用する<Recipe 14>
2.8 分類を行うための要素を組み合わせる<Recipe 15>
2.9 モデルを評価する<Recipe 16>
第3章 線形回帰―逆行列/分解法からロジスティック回帰まで／3.1 はじめに
3.2 逆行列法を使用する<Recipe 17>
3.3 行列分解法を実装する<Recipe 18>
3.4 TensorFlowでの線形回帰の実装パターン<Recipe 19>
3.5 線形回帰の損失関数を理解する<Recipe 20>
3.6 デミング回帰を実装する<Recipe 21>
3.7 LASSOとリッジ回帰を実装する<Recipe 22>
3.8 Elastic Net回帰を実装する<Recipe 23>
3.9 ロジスティック回帰を実装する<Recipe 24>
第4章 サポートベクトルマシン―線形SVMの操作・次元縮約、非線形SVM/多クラスSVMの実装など
4.1 はじめに
4.2 線形SVMを操作する<Recipe 25>
4.3 線形回帰への縮約<Recipe 26>
4.4 TensorFlowでカーネルを操作する<Recipe 27>
4.5 非線形SVMを実装する<Recipe 28>
4.6 多クラスSVMを実装する<Recipe 29>
第5章 最近傍法―編集距離、距離関数の組み合わせ、最近傍法の画像認識など／5.1 はじめに
5.2 最近傍法を使用する<Recipe 30>
5.3 編集距離を計測する<Recipe 31>
5.4 距離関数を組み合わせて計算する<Recipe 32>
5.5 アドレスマッチング処理の例<Recipe 33>
5.6 画像認識に最近傍法を使用する<Recipe 34>
第6章 ニューラルネットワーク―論理ゲート、単層/多層ニューラルネットワークの実装など
6.1 はじめに
6.2 論理ゲートを実装する<Recipe 35>
6.3 論理ゲートと活性化関数を操作する<Recipe 36>
6.4 単層ニューラルネットワークを実装する<Recipe 37>
6.5 さまざまな層を実装する<Recipe 38>
6.6 多層ニューラルネットワークを使用する<Recipe 39>
6.7 線形モデルの予測を改善する<Recipe 40>
6.8 三目並べを学習する<Recipe 41>
第7章 自然言語処理―BoW/TF-IDF/スキップグラム/CBOWなど
7.1 はじめに
7.2 BoWモデルを操作する<Recipe 42>
7.3 TF-IDFの手法を実装する<Recipe 43>
7.4 スキップグラムモデルを操作する<Recipe 44>
7.5 CBOWモデルを操作する<Recipe 45>
7.6 Word2vecを使って予測を行う<Recipe 46>
7.7 感情分析にDoc2vecを使用する<Recipe 47>
第8章 畳み込みニューラルネットワーク―単純なCNN/高度なCNN/モデルの再トレーニングなど／8.1 はじめに
8.2 単純なCNNを実装する<Recipe 48>
8.3 高度なCNNを実装する<Recipe 49>
8.4 既存のCNNモデルを再びトレーニングする<Recipe 50>
8.5 Stylenetを適用する<Recipe 51>
8.6 DeepDreamを実装する<Recipe 52>
第9章 リカレントニューラルネットワーク―LSTM/Sequence-to-Sequence/Siamese Similarity法／9.1 はじめに
9.2 スパムの確率を予測するためにRNNを実装する<Recipe 53>
9.3 LSTMモデルを実装する<Recipe 54>
9.4 複数のLSTM層を積み重ねる<Recipe 55>
9.5 Sequence-to-Sequenceモデルを作成する<Recipe 56>
ほか