深度學習：基于Keras的Python實踐

定　價：￥59.00

作　者：	魏貞原著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121341472	出版時間：	2018-06-01	包裝：	平裝
開本：	16	頁數(shù)：	244	字數(shù)：

內容簡介

　　《深度學習：基于Keras的Python實踐》本書系統(tǒng)講解了深度學習的基本知識，以及使用深度學習解決實際問題，詳細介紹了如何構建及優(yōu)化模型，并針對不同的問題給出不同的解決方案，通過不同的例子展示了在具體項目中的應用和實踐經驗，是一本非常好的深度學習的入門和實踐書籍。《深度學習：基于Keras的Python實踐》以實踐為導向，使用Keras 作為編程框架，強調簡單、快速地上手建立模型，解決實際項目問題。讀者可以通過學習本書，迅速上手實踐深度學習，并利用深度學習解決實際問題。《深度學習：基于Keras的Python實踐》非常適合于項目經理，有意從事機器學習開發(fā)的程序員，以及高校在讀相關專業(yè)的學生。

作者簡介

　　魏貞原，IBM 高級項目經理，數(shù)據(jù)分析團隊Leader，主要負責銀行客戶的復雜系統(tǒng)開發(fā)。同時是IBMCIC量子計算COE團隊的Python 領域專家（Subject Matter Expert），負責量子計算應用的探索工作，對機器學習和深度學習有深入的研究，精通于運用機器學習來解決數(shù)據(jù)科學的問題。并運營“知之Python”公眾號，定期分享 Python 在機器學習和深度學習的實踐知識。

圖書目錄

第一部分初識
1 初識深度學習/2
1.1 Python的深度學習/2
1.2 軟件環(huán)境和基本要求/3
1.2.1 Python和SciPy/3
1.2.2 機器學習/3
1.2.3 深度學習/4
1.3 閱讀本書的收獲/4
1.4 本書說明/4
1.5 本書中的代碼/5
2 深度學習生態(tài)圈/6
2.1 CNTK/6
2.1.1 安裝CNTK/7
2.1.2 CNTK的簡單例子/8
2.2 TensorFlow/8
2.2.1 TensorFlow介紹/8
2.2.2 安裝TensorFlow/9
2.2.3 TensorFlow的簡單例子/9
2.3 Keras/10
2.3.1 Keras簡介/11
2.3.2 Keras安裝/11
2.3.3 配置Keras的后端/11
2.3.4 使用Keras構建深度學習模型/12
2.4 云端GPUs計算/13
第二部分多層感知器
3 第一個多層感知器實例：印第安人糖尿病診斷/16
3.1 概述/16
3.2 Pima Indians數(shù)據(jù)集/17
3.3 導入數(shù)據(jù)/18
3.4 定義模型/19
3.5 編譯模型/20
3.6 訓練模型/21
3.7 評估模型/21
3.8 匯總代碼/22
4 多層感知器速成/24
4.1 多層感知器/24
4.2 神經元/25
4.2.1 神經元權重/25
4.2.2 激活函數(shù)/26
4.3 神經網絡/27
4.3.1 輸入層（可視層）/28
4.3.2 隱藏層/28
4.3.3 輸出層/28
4.4 訓練神經網絡/29
4.4.1 準備數(shù)據(jù)/29
4.4.2 隨機梯度下降算法/30
4.4.3 權重更新/30
4.4.4 預測新數(shù)據(jù)/31
5 評估深度學習模型/33
5.1 深度學習模型和評估/33
5.2 自動評估/34
5.3 手動評估/36
5.3.1 手動分離數(shù)據(jù)集并評估/36
5.3.2 k折交叉驗證/37
6 在Keras中使用Scikit-Learn/40
6.1 使用交叉驗證評估模型/41
6.2 深度學習模型調參/42
7 多分類實例：鳶尾花分類/49
7.1 問題分析/49
7.2 導入數(shù)據(jù)/50
7.3 定義神經網絡模型/50
7.4 評估模型/52
7.5 匯總代碼/52
8 回歸問題實例：波士頓房價預測/54
8.1 問題描述/54
8.2 構建基準模型/55
8.3 數(shù)據(jù)預處理/57
8.4 調參隱藏層和神經元/58
9 二分類實例：銀行營銷分類/61
9.1 問題描述/61
9.2 數(shù)據(jù)導入與預處理/62
9.3 構建基準模型/64
9.4 數(shù)據(jù)格式化/66
9.5 調參網絡拓撲圖/66
10 多層感知器進階/68
10.1 JSON序列化模型/68
10.2 YAML序列化模型/74
10.3 模型增量更新/78
10.4 神經網絡的檢查點/81
10.4.1 檢查點跟蹤神經網絡模型/82
10.4.2 自動保存最優(yōu)模型/84
10.4.3 從檢查點導入模型/86
10.5 模型訓練過程可視化/87
11 Dropout與學習率衰減92
11.1 神經網絡中的Dropout/92
11.2 在Keras中使用Dropout/93
11.2.1 輸入層使用Dropout/94
11.2.2 在隱藏層使用Dropout/95
11.2.3 Dropout的使用技巧/97
11.3 學習率衰減/97
11.3.1 學習率線性衰減/98
11.3.2 學習率指數(shù)衰減/100
11.3.3 學習率衰減的使用技巧/103
第三部分卷積神經網絡
12 卷積神經網絡速成/106
12.1 卷積層/108
12.1.1 濾波器/108
12.1.2 特征圖/109
12.2 池化層/109
12.3 全連接層/109
12.4 卷積神經網絡案例/110
13 手寫數(shù)字識別/112
13.1 問題描述/112
13.2 導入數(shù)據(jù)/113
13.3 多層感知器模型/114
13.4 簡單卷積神經網絡/117
13.5 復雜卷積神經網絡/120
14 Keras中的圖像增強/124
14.1 Keras中的圖像增強API/124
14.2 增強前的圖像/125
14.3 特征標準化/126
14.4 ZCA白化/128
14.5 隨機旋轉、移動、剪切和反轉圖像/129
14.6 保存增強后的圖像/132
15 圖像識別實例：CIFAR-10分類/134
15.1 問題描述/134
15.2 導入數(shù)據(jù)/135
15.3 簡單卷積神經網絡/136
15.4 大型卷積神經網絡/140
15.5 改進模型/145
16 情感分析實例：IMDB影評情感分析/152
16.1 問題描述/152
16.2 導入數(shù)據(jù)/153
16.3 詞嵌入/154
16.4 多層感知器模型/155
16.5 卷積神經網絡/157
第四部分循環(huán)神經網絡
17 循環(huán)神經網絡速成/162
17.1 處理序列問題的神經網絡/163
17.2 循環(huán)神經網絡/164
17.3 長短期記憶網絡/165
18 多層感知器的時間序列預測：國際旅行人數(shù)預測/167
18.1 問題描述/167
18.2 導入數(shù)據(jù)/168
18.3 多層感知器/169
18.4 使用窗口方法的多層感知器/172
19 LSTM時間序列問題預測：國際旅行人數(shù)預測177
19.1 LSTM處理回歸問題/177
19.2 使用窗口方法的LSTM回歸/181
19.3 使用時間步長的LSTM回歸/185
19.4 LSTM的批次間記憶/188
19.5 堆疊LSTM的批次間記憶/192
20 序列分類：IMDB影評分類/197
20.1 問題描述/197
20.2 簡單LSTM/197
20.3 使用Dropout改進過擬合/199
20.4 混合使用LSTM和CNN/201
21 多變量時間序列預測：PM2.5預報/203
21.1 問題描述/203
21.2 數(shù)據(jù)導入與準備/204
21.3 構建數(shù)據(jù)集/206
21.4 簡單LSTM/207
22 文本生成實例：愛麗絲夢游仙境/211
22.1 問題描述/211
22.2 導入數(shù)據(jù)/212
22.3 分詞與向量化/212
22.4 詞云/213
22.5 簡單LSTM/215
22.6 生成文本/219
附錄A 深度學習的基本概念/223
A.1 神經網絡基礎/223
A.2 卷積神經網絡/227
A.3 循環(huán)神經網絡/229