中圖網小程序
一鍵登錄
更方便
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
Python神經網絡項目實戰 版權信息
- ISBN：9787115549204
- 條形碼：9787115549204 ; 978-7-115-54920-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python神經網絡項目實戰 本書特色
適讀人群 ：本書需要讀者具備一定的Python編程知識，適合數據科學家、機器學習從業人員以及對神經網絡感興趣的讀者閱讀。1.本書介紹神經網絡和深度學習的基本概念的同時還講解了基于Python實現神經網絡時用到的函數庫。2.本書包含神經網絡在不同領域中實際應用的案例，包括費用預估、圖像分類、語義分析等。對于每個案例，本書提供了完整的問題描述以及解決該問題所需要的神經網絡架構。不僅如此，本書還介紹了選擇特定算法的原因以及一步步實現該解決方案的Python代碼。3.在學習本書的過程中，讀者將獲得基于流行Python函數庫（例如Keras）來實現并訓練神經網絡的實際使用經驗。4.在讀完本書后，讀者不僅可以掌握多種不同類型的神經網絡架構，還能夠使用Python語言創建多個AI項目來豐富自己的作品集和項目經歷。
Python神經網絡項目實戰 內容簡介
本書主要講述了神經網絡的重要概念和技術，并展示了如何使用Python來解決日常生活中常見的神經網絡問題。本書包含了6個神經網絡相關的項目，分別是糖尿病預測、出租車費用預測、圖像分類、圖像降噪、情感分析和人臉識別，這6個項目均是從頭開始實現，且使用了不同的神經網絡。在每個項目中，本書首先會提出問題，然后介紹解決該問題需要用到的神經網絡架構，并給出選擇該神經網絡模型的原因，*后會使用Python語言從頭實現該模型。此外，本書還介紹了機器學習和神經網絡的基礎知識，以及人工智能未來的發展。
Python神經網絡項目實戰 目錄
第 1章 機器學習和神經網絡導論 1
1．1 什么是機器學習 2
1．1．1 機器學習算法 2
1．1．2 機器學習工作流 5
1．2 在你的計算機上配置機器學習環境 7
1．3 神經網絡 8
1．3．1 為什么要使用神經網絡 9
1．3．2 神經網絡基礎結構 10
1．3．3 使用Python從頭開始訓練一個神經網絡 10
1．3．4 綜合應用 15
1．3．5 深度學習和神經網絡 16
1．4 pandas—強大的Python數據分析工具 17
1．4．1 pandas DataFrame 17
1．4．2 pandas中的數據可視化 20
1．4．3 使用pandas進行數據預處理 23
1．4．4 在神經網絡項目中使用pandas 26
1．5 TensorFlow和Keras——開源深度學習庫 26
1．5．1 Keras中的基礎構建單元 27
1．5．2 用Keras創建神經網絡 29
1．6 其他Python函數庫 31
1．7 小結 32
第 2章 基于多層感知器預測糖尿病 33
2．1 技術需求 33
2．2 糖尿病——理解問題 35
2．3 醫療中的人工智能 36
2．4 糖尿病數據集 37
2．5 探索性數據分析 38
2．6 數據預處理 43
2．6．1 處理缺失數據 43
2．6．2 數據標準化 46
2．6．3 將數據集分割為訓練數據集、測試數據集和驗證數據集 47
2．7 MLP 49
2．8 使用Keras構建模型 51
2．8．1 建模 51
2．8．2 模型編譯 53
2．8．3 模型訓練 53
2．9 結果分析 54
2．9．1 測試模型準確率 54
2．9．2 混淆矩陣 55
2．9．3 ROC曲線 57
2．9．4 進一步優化 59
2．10 小結 59
2．11 習題 60
第3章 基于深度前饋網絡預測出租車費用 62
3．1 技術需求 62
3．2 預測紐約市出租車打車費用 64
3．3 紐約市出租車打車費用數據集 64
3．4 探索性數據分析 64
3．4．1 地理位置數據可視化 66
3．4．2 全天及小時客流量 69
3．5 數據預處理 71
3．6 特征工程 77
3．6．1 時空特征 77
3．6．2 地理位置特征 79
3．7 特征縮放 82
3．8 深度前饋網絡 83
3．8．1 模型結構 83
3．8．2 回歸問題的損失函數 84
3．9 使用Keras構建模型 85
3．10 結果分析 87
3．11 綜合應用 91
3．12 小結 93
3．13 習題 94
第4章 是貓還是狗——使用卷積神經網絡進行圖像分類 96
4．1 技術需求 97
4．2 計算機視覺和目標識別 98
4．3 目標識別的問題類型 99
4．4 數字圖像作為神經網絡輸入 101
4．5 卷積神經網絡的基礎結構 102
4．5．1 濾波和卷積 102
4．5．2 *大池化 106
4．6 卷積神經網絡基本結構 107
4．7 現代卷積神經網絡回顧 108
4．7．1 LeNet（1998) 108
4．7．2 AlexNet（2012) 108
4．7．3 VGG16（2014) 109
4．7．4 Inception（2014) 109
4．7．5 ResNet（2015) 109
4．7．6 *新趨勢 109
4．8 貓狗數據集 110
4．9 在Keras中處理圖像數據 112
4．10 圖像增強 113
4．11 建模 116
4．11．1 構建簡單的卷積神經網絡 116
4．11．2 通過遷移學習利用預訓練模型 121
4．12 結果分析 124
4．13 小結 128
4．14 習題 129
第5章 使用自動編碼器進行圖像降噪 130
5．1 技術需求 130
5．2 什么是自動編碼器 132
5．3 隱式表示 133
5．4 用于數據壓縮的自動編碼器 134
5．5 MNIST手寫數字數據集 134
5．6 構建簡單的自動編碼器 136
5．6．1 在Keras中構建自動編碼器 137
5．6．2 隱藏層尺寸對自動編碼器性能的影響 141
5．7 用于降噪的自動編碼器 143
5．8 基于自動編碼器的文件去噪 151
5．8．1 基本的卷積自動編碼器 155
5．8．2 深度卷積自動編碼器 158
5．9 小結 161
5．10 習題 161
第6章 使用長短期記憶網絡進行情感分析 163
6．1 技術需求 164
6．2 機器學習中的順序問題 165
6．3 自然語言處理和情感分析 166
6．4 RNN 168
6．4．1 RNN的內部結構 169
6．4．2 RNN中的長短期依賴 170
6．4．3 梯度消失問題 172
6．5 LSTM網絡 173
6．5．1 LSTM——直觀感受 173
6．5．2 LSTM網絡內部結構 174
6．6 IMDb影評數據集 178
6．7 用向量表示詞語 180
6．7．1 獨熱編碼 180
6．7．2 詞嵌入 181
6．8 模型結構 182
6．8．1 輸入 182
6．8．2 詞嵌入層 183
6．8．3 LSTM層 183
6．8．4 全連接層 183
6．8．5 輸出 183
6．9 在Keras中創建模型 184
6．9．1 導入數據 184
6．9．2 零填充 185
6．9．3 詞嵌入層和LSTM層 186
6．9．4 編譯和訓練模型 188
6．10 結果分析 189
6．11 代碼整合 195
6．12 小結 197
6．13 習題 198
第7章 基于神經網絡實現人臉識別系統 201
7．1 技術需求 202
7．2 人臉識別系統 203
7．3 分解人臉識別問題 203
7．3．1 人臉檢測 204
7．3．2 人臉識別 209
7．4 人臉識別系統需求 209
7．4．1 速度 210
7．4．2 可擴展性 210
7．4．3 基于小數據集來實現高準確率 211
7．5 一次學習 212
7．6 孿生神經網絡 213
7．7 對比損失函數 215
7．8 人臉數據集 216
7．9 在Keras中創建孿生神經網絡 220
7．10 在Keras中訓練模型 224
7．11 結果分析 227
7．12 重構代碼 230
7．13 創建一個實時人臉識別程序 234
7．13．1 人臉錄入過程 234
7．13．2 人臉識別過程 236
7．13．3 工作展望 239
7．14 小結 240
7．15 習題 241
第8章 未來是什么樣的 242
8．1 項目總結 242
8．1．1 機器學習和神經網絡導論 243
8．1．2 基于多層感知機預測糖尿病 243
8．1．3 基于深度前饋網絡預測出租車費用 244
8．1．4 貓還是狗——使用卷積神經網絡進行圖像分類 244
8．1．5 使用自動編碼器進行圖像降噪 245
8．1．6 使用LSTM對影評進行情感分析 246
8．1．7 基于神經網絡實現人臉識別系統 246
8．2 神經網絡的*新進展 247
8．2．1 生成對抗網絡 247
8．2．2 深度強化學習 248
8．3 神經網絡的局限性 249
8．4 人工智能和機器學習的未來 250
8．4．1 強人工智能 251
8．4．2 自動機器學習 251
8．5 持續獲取機器學習的相關信息 252
8．5．1 圖書 252
8．5．2 學術期刊 252
8．5．3 基于真實數據集進行練習 253
8．6 推薦的機器學習數據集 253
8．7 總結 253
1．1 什么是機器學習 2
1．1．1 機器學習算法 2
1．1．2 機器學習工作流 5
1．2 在你的計算機上配置機器學習環境 7
1．3 神經網絡 8
1．3．1 為什么要使用神經網絡 9
1．3．2 神經網絡基礎結構 10
1．3．3 使用Python從頭開始訓練一個神經網絡 10
1．3．4 綜合應用 15
1．3．5 深度學習和神經網絡 16
1．4 pandas—強大的Python數據分析工具 17
1．4．1 pandas DataFrame 17
1．4．2 pandas中的數據可視化 20
1．4．3 使用pandas進行數據預處理 23
1．4．4 在神經網絡項目中使用pandas 26
1．5 TensorFlow和Keras——開源深度學習庫 26
1．5．1 Keras中的基礎構建單元 27
1．5．2 用Keras創建神經網絡 29
1．6 其他Python函數庫 31
1．7 小結 32
第 2章 基于多層感知器預測糖尿病 33
2．1 技術需求 33
2．2 糖尿病——理解問題 35
2．3 醫療中的人工智能 36
2．4 糖尿病數據集 37
2．5 探索性數據分析 38
2．6 數據預處理 43
2．6．1 處理缺失數據 43
2．6．2 數據標準化 46
2．6．3 將數據集分割為訓練數據集、測試數據集和驗證數據集 47
2．7 MLP 49
2．8 使用Keras構建模型 51
2．8．1 建模 51
2．8．2 模型編譯 53
2．8．3 模型訓練 53
2．9 結果分析 54
2．9．1 測試模型準確率 54
2．9．2 混淆矩陣 55
2．9．3 ROC曲線 57
2．9．4 進一步優化 59
2．10 小結 59
2．11 習題 60
第3章 基于深度前饋網絡預測出租車費用 62
3．1 技術需求 62
3．2 預測紐約市出租車打車費用 64
3．3 紐約市出租車打車費用數據集 64
3．4 探索性數據分析 64
3．4．1 地理位置數據可視化 66
3．4．2 全天及小時客流量 69
3．5 數據預處理 71
3．6 特征工程 77
3．6．1 時空特征 77
3．6．2 地理位置特征 79
3．7 特征縮放 82
3．8 深度前饋網絡 83
3．8．1 模型結構 83
3．8．2 回歸問題的損失函數 84
3．9 使用Keras構建模型 85
3．10 結果分析 87
3．11 綜合應用 91
3．12 小結 93
3．13 習題 94
第4章 是貓還是狗——使用卷積神經網絡進行圖像分類 96
4．1 技術需求 97
4．2 計算機視覺和目標識別 98
4．3 目標識別的問題類型 99
4．4 數字圖像作為神經網絡輸入 101
4．5 卷積神經網絡的基礎結構 102
4．5．1 濾波和卷積 102
4．5．2 *大池化 106
4．6 卷積神經網絡基本結構 107
4．7 現代卷積神經網絡回顧 108
4．7．1 LeNet（1998) 108
4．7．2 AlexNet（2012) 108
4．7．3 VGG16（2014) 109
4．7．4 Inception（2014) 109
4．7．5 ResNet（2015) 109
4．7．6 *新趨勢 109
4．8 貓狗數據集 110
4．9 在Keras中處理圖像數據 112
4．10 圖像增強 113
4．11 建模 116
4．11．1 構建簡單的卷積神經網絡 116
4．11．2 通過遷移學習利用預訓練模型 121
4．12 結果分析 124
4．13 小結 128
4．14 習題 129
第5章 使用自動編碼器進行圖像降噪 130
5．1 技術需求 130
5．2 什么是自動編碼器 132
5．3 隱式表示 133
5．4 用于數據壓縮的自動編碼器 134
5．5 MNIST手寫數字數據集 134
5．6 構建簡單的自動編碼器 136
5．6．1 在Keras中構建自動編碼器 137
5．6．2 隱藏層尺寸對自動編碼器性能的影響 141
5．7 用于降噪的自動編碼器 143
5．8 基于自動編碼器的文件去噪 151
5．8．1 基本的卷積自動編碼器 155
5．8．2 深度卷積自動編碼器 158
5．9 小結 161
5．10 習題 161
第6章 使用長短期記憶網絡進行情感分析 163
6．1 技術需求 164
6．2 機器學習中的順序問題 165
6．3 自然語言處理和情感分析 166
6．4 RNN 168
6．4．1 RNN的內部結構 169
6．4．2 RNN中的長短期依賴 170
6．4．3 梯度消失問題 172
6．5 LSTM網絡 173
6．5．1 LSTM——直觀感受 173
6．5．2 LSTM網絡內部結構 174
6．6 IMDb影評數據集 178
6．7 用向量表示詞語 180
6．7．1 獨熱編碼 180
6．7．2 詞嵌入 181
6．8 模型結構 182
6．8．1 輸入 182
6．8．2 詞嵌入層 183
6．8．3 LSTM層 183
6．8．4 全連接層 183
6．8．5 輸出 183
6．9 在Keras中創建模型 184
6．9．1 導入數據 184
6．9．2 零填充 185
6．9．3 詞嵌入層和LSTM層 186
6．9．4 編譯和訓練模型 188
6．10 結果分析 189
6．11 代碼整合 195
6．12 小結 197
6．13 習題 198
第7章 基于神經網絡實現人臉識別系統 201
7．1 技術需求 202
7．2 人臉識別系統 203
7．3 分解人臉識別問題 203
7．3．1 人臉檢測 204
7．3．2 人臉識別 209
7．4 人臉識別系統需求 209
7．4．1 速度 210
7．4．2 可擴展性 210
7．4．3 基于小數據集來實現高準確率 211
7．5 一次學習 212
7．6 孿生神經網絡 213
7．7 對比損失函數 215
7．8 人臉數據集 216
7．9 在Keras中創建孿生神經網絡 220
7．10 在Keras中訓練模型 224
7．11 結果分析 227
7．12 重構代碼 230
7．13 創建一個實時人臉識別程序 234
7．13．1 人臉錄入過程 234
7．13．2 人臉識別過程 236
7．13．3 工作展望 239
7．14 小結 240
7．15 習題 241
第8章 未來是什么樣的 242
8．1 項目總結 242
8．1．1 機器學習和神經網絡導論 243
8．1．2 基于多層感知機預測糖尿病 243
8．1．3 基于深度前饋網絡預測出租車費用 244
8．1．4 貓還是狗——使用卷積神經網絡進行圖像分類 244
8．1．5 使用自動編碼器進行圖像降噪 245
8．1．6 使用LSTM對影評進行情感分析 246
8．1．7 基于神經網絡實現人臉識別系統 246
8．2 神經網絡的*新進展 247
8．2．1 生成對抗網絡 247
8．2．2 深度強化學習 248
8．3 神經網絡的局限性 249
8．4 人工智能和機器學習的未來 250
8．4．1 強人工智能 251
8．4．2 自動機器學習 251
8．5 持續獲取機器學習的相關信息 252
8．5．1 圖書 252
8．5．2 學術期刊 252
8．5．3 基于真實數據集進行練習 253
8．6 推薦的機器學習數據集 253
8．7 總結 253
展開全部
Python神經網絡項目實戰 作者簡介
詹姆斯.洛伊是一名數據科學家，他在金融和醫療行業有5年以上的工作經驗。他曾在新加坡的銀行工作，通過預測性分析驅動創新，同時幫助銀行提高客戶的忠誠度。他也在醫療部門工作過，在那里他通過數據分析來改善醫院做出的決斷。他在喬治亞理工大學獲得了計算機科學碩士學位，研究方向為機器學習。他關注的研究領域有深度學習和應用機器學習，還包括為工業自動化系統開發基于計算機視覺的人工智能。他經常在Towards Data Science上發表文章，這是一個很有名的機器學習網站，每個月的訪問量在300萬人次以上。
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
伯納黛特,你要去哪(2021新版)
- >
龍榆生：詞曲概論/大家小書
- >
伊索寓言-世界文學名著典藏-全譯本
- >
詩經-先民的歌唱
- >
中國歷史的瞬間
- >
羅庸西南聯大授課錄
- >
經典常談
本類暢銷
