掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
深度學習:基于KERAS的PYTHON實踐 版權信息
- ISBN：9787121341472
- 條形碼：9787121341472 ; 978-7-121-34147-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習:基于KERAS的PYTHON實踐 本書特色
本書系統的講解了深度的基本知識，以及使用機器學習解決實際問題，詳細的介紹了如何構建及優化模型，并針對不同的問題給出了不同的解決方案，通過不同的例子展示了具體的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的書籍。本書以實踐為導向，使用 Keras作為編程框架，強調簡單，快速的上手建立模型，解決實際項目問題。讀者可以根據本書的理解，迅速上手實踐深度學習，并利用深度學習解決實際的問題。本書非常適合于項目經理，有意從事機器學習開發的程序員，以及高校在讀相關專業的學生。
深度學習:基于KERAS的PYTHON實踐 內容簡介
本書系統的講解了深度的基本知識，以及使用機器學習解決實際問題，詳細的介紹了如何構建及優化模型，并針對不同的問題給出了不同的解決方案，通過不同的例子展示了具體的項目中的應用和實踐經驗，是一本很好好的深度學習的入門和實踐的書籍。本書以實踐為導向，使用 Keras作為編程框架，強調簡單，快速的上手建立模型，解決實際項目問題。讀者可以根據本書的理解，迅速上手實踐深度學習，并利用深度學習解決實際的問題。本書很好適合于項目經理，有意從事機器學習開發的程序員，以及高校在讀相關專業的學生。
深度學習:基于KERAS的PYTHON實踐 目錄
01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 **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數據集/17
3.3 導入數據/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/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 準備數據/29
4.4.2 隨機梯度下降算法/30
4.4.3 權重更新/30
4.4.4 預測新數據/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 手動分離數據集并評估/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 導入數據/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 數據預處理/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 數據導入與預處理/62
9.3 構建基準模型/64
9.4 數據格式化/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*優模型/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 手寫數字識別/112
13.1 問題描述/112
13.2 導入數據/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 導入數據/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 導入數據/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 循環神經網絡
17 循環神經網絡速成/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：國際旅行人數預測/167
18.1 問題描述/167
18.2 導入數據/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 數據導入與準備/204
21.3 構建數據集/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 導入數據/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 循環神經網絡/229
1 初識深度學習/2
1.1 Python的深度學習/2
1.2 軟件環境和基本要求/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 **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數據集/17
3.3 導入數據/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/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 準備數據/29
4.4.2 隨機梯度下降算法/30
4.4.3 權重更新/30
4.4.4 預測新數據/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 手動分離數據集并評估/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 導入數據/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 數據預處理/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 數據導入與預處理/62
9.3 構建基準模型/64
9.4 數據格式化/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*優模型/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 手寫數字識別/112
13.1 問題描述/112
13.2 導入數據/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 導入數據/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 導入數據/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 循環神經網絡
17 循環神經網絡速成/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：國際旅行人數預測/167
18.1 問題描述/167
18.2 導入數據/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 數據導入與準備/204
21.3 構建數據集/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 導入數據/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 循環神經網絡/229
展開全部
深度學習:基于KERAS的PYTHON實踐 相關資料
深度學習是目前很熱的領域之一。迅速上手想必是每個想跨入深度學習開發行列的人*關心的問題。本書面向對深度學習算法有一定了解的人群，全面講解了如何利用 Python 建立、評估并且改善模型。本書中有別于傳統書籍的編排方式，循序漸進，對所有知識點均提供了大量的實例，中間穿插了簡潔的理論知識介紹，娓娓道來，讓讀者在實踐中迅速上手，達到事半功倍的效果，是掌握 Deep Learning 的必讀之作。
—— 張亮，副合伙人， IBM 客戶創新中心銀行事業部負責人
Watson 是 IBM 在認知計算系統領域內的杰出代表，IBM 在機器學習、深度學習等領域有豐富的理論和實踐。本書作者結合 IBM 的先進實踐和中國國內熱度較高的開源產品，一步一步淺顯易懂地講解如何學習和掌握 Google 的 TensorFlow、微軟的 CNTK 和著名 Python 類庫 Keras。本書介紹了如何使用阿里云的 GPU 云服務來加速大型深度學習模型的訓練，為了讓讀者可以邊讀邊練，作者把源代碼放到了 GitHub 上，方便查閱。詳細地介紹了卷積神經網絡（CNN）和循環神經網絡（RNN）等理論，并通過手寫數字識別、圖像識別、情感分析、時間序列預測、影評序列分類、多變量時間序列預測等深度學習熱點應用方向，對理論知識進行了詳細的介紹和實踐應用說明。
本書條理清晰，理論和實踐相結合，非常值得閱讀。
—— 王德會，IBM 副合伙人，IBM 客戶創新中心對日保險事業部負責人
深度學習:基于KERAS的PYTHON實踐 作者簡介
魏貞原，IBM 高級項目經理，主要負責銀行客戶的復雜系統開發。同時是 IBM CIC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據科學的問題。并運營“知之Python”公眾號，定期分享 Python 在機器學習和深度學習中的實踐知識。
書友推薦
- >
我從未如此眷戀人間
- >
伊索寓言-世界文學名著典藏-全譯本
- >
詩經-先民的歌唱
- >
苦雨齋序跋文-周作人自編集
- >
月亮與六便士
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
莉莉和章魚
- >
姑媽的寶刀
本類暢銷
