中圖網(wǎng)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(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
PYTHON深度學習實踐 版權(quán)信息
- ISBN：9787122449603
- 條形碼：9787122449603 ; 978-7-122-44960-3
- 裝幀：暫無
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
PYTHON深度學習實踐 內(nèi)容簡介
本書與機器學習和深度學習相關(guān)，向讀者講述了如何建立一個數(shù)據(jù)集，并展示了如何使用該數(shù)據(jù)集訓練一個成功的深度學習模型。此后，本書探討了經(jīng)典的機器學習算法，為探討深度學習方法理論奠定基礎(chǔ)。本書*后4章探討了卷積神經(jīng)網(wǎng)絡(luò)，從案例研究出發(fā)，講解如何從數(shù)據(jù)集到評估預(yù)測模型的方法。這些章節(jié)中的實驗使用的都是本領(lǐng)域研究人員熟悉的標準數(shù)據(jù)集。同時，本書介紹了如何通過當前實踐的標準來調(diào)整和評估機器學習模型的性能。 本書不僅為讀者提供扎實的概念基礎(chǔ)，還為讀者設(shè)計自己的項目和解決方案提供了實用的指導(dǎo)，適用于探索機器學習和深度學習領(lǐng)域的新手和業(yè)余愛好者。本書也可以幫助讀者為探索更高級的方法和算法提供知識儲備。
PYTHON深度學習實踐 目錄
簡要目錄
第1章 開篇 001
第2章 使用Python 008
第3章 使用NumPy 021
第4章 使用數(shù)據(jù)工作 038
第5章 構(gòu)建數(shù)據(jù)集 060
第6章 經(jīng)典機器學習 077
第7章 經(jīng)典模型實驗 091
第8章 神經(jīng)網(wǎng)絡(luò)介紹 120
第9章 訓練神經(jīng)網(wǎng)絡(luò) 132
第10章 神經(jīng)網(wǎng)絡(luò)實驗 154
第11章 評價模型 174
第12章 卷積神經(jīng)網(wǎng)絡(luò)介紹 197
第13章 基于Keras和MNIST的實驗 214
第14章 基于CIFAR-10的實驗 235
第15章 實例研究：音頻數(shù)據(jù)分類 258
第16章 走向未來 282
詳細目錄
第1章 開篇 001
1.1 操作環(huán)境 001
1.1.1 NumPy 001
1.1.2 scikit學習 001
1.1.3 基于TensorFlow的Keras 001
1.2 安裝工具包 002
1.3 線性代數(shù)基礎(chǔ) 003
1.3.1 向量 003
1.3.2 矩陣 003
1.3.3 向量和矩陣相乘 004
1.4 統(tǒng)計和概率 005
1.4.1 描述性統(tǒng)計 005
1.4.2 概率分布 005
1.4.3 統(tǒng)計檢驗 006
1.5 圖形處理單元 006
第2章 使用Python 008
2.1 Python解釋器 008
2.2 語句與空格 008
2.3 變量與基本數(shù)據(jù)結(jié)構(gòu) 009
2.3.1 數(shù)字表示 009
2.3.2 變量 010
2.3.3 字符串 010
2.3.4 列表 011
2.3.5 字典 013
2.4 控制結(jié)構(gòu) 014
2.4.1 if-elif-else 語句 014
2.4.2 for循環(huán) 014
2.4.3 while循環(huán) 016
2.4.4 break與continue語句 016
2.4.5 with語句 017
2.4.6 使用try-except塊處理錯誤 017
2.5 函數(shù) 018
2.6 模塊 019
第3章 使用NumPy 021
3.1 為什么是NumPy? 021
3.1.1 數(shù)組對列表 021
3.1.2 測試數(shù)組與列表的速度 022
3.2 基本數(shù)組 024
3.2.1 使用np.array定義數(shù)組 024
3.2.2 用0和1定義數(shù)組 026
3.3 訪問數(shù)組中的元素 027
3.3.1 數(shù)組索引 027
3.3.2 數(shù)組切片 028
3.3.3 省略號 030
3.4 算子和廣播 031
3.5 數(shù)組的輸入與輸出 033
3.6 隨機數(shù) 035
3.7 NumPy和圖像 036
第4章 使用數(shù)據(jù)工作 038
4.1 分類與標簽 038
4.2 特征與特征向量 039
4.2.1 特征的類型 039
4.2.2 特征選擇與維數(shù)災(zāi)難 040
4.3 優(yōu)秀數(shù)據(jù)集的特征 042
4.3.1 插值與外推 042
4.3.2 父分布 043
4.3.3 先驗類概率 044
4.3.4 混淆 044
4.3.5 數(shù)據(jù)集規(guī)模 045
4.4 數(shù)據(jù)準備 045
4.4.1 特征縮放 046
4.4.2 特征缺失 049
4.5 訓練、驗證和測試數(shù)據(jù) 050
4.5.1 三個子集 050
4.5.2 數(shù)據(jù)集劃區(qū) 050
4.5.3 k折交叉驗證 054
4.6 看看你的數(shù)據(jù) 055
4.6.1 從數(shù)據(jù)中尋找問題 056
4.6.2 警示案例 058
第5章 構(gòu)建數(shù)據(jù)集 060
5.1 鳶尾花（irises）數(shù)據(jù)集 060
5.2 乳腺癌數(shù)據(jù)集 062
5.3 MNIST數(shù)據(jù)集 063
5.4 CIFAR-10數(shù)據(jù)集 065
5.5 數(shù)據(jù)增強 067
5.5.1 為什么要增強訓練數(shù)據(jù)？ 067
5.5.2 增強訓練數(shù)據(jù)的方法 068
5.5.3 鳶尾花數(shù)據(jù)集的增強 069
5.5.4 CIFAR-10數(shù)據(jù)集的增強 073
第6章 經(jīng)典機器學習 077
6.1 *近質(zhì)心 077
6.2 k-*近鄰 080
6.3 樸素貝葉斯 081
6.4 決策樹與隨機森林 084
6.4.1 遞歸初步 085
6.4.2 構(gòu)建決策樹 086
6.4.3 隨機森林 087
6.5 支持向量機 088
6.5.1 邊距 088
6.5.2 支持向量 089
6.5.3 優(yōu)化 089
6.5.4 核 090
第7章 經(jīng)典模型實驗 091
7.1 鳶尾花數(shù)據(jù)集實驗 091
7.1.1 測試經(jīng)典模型 091
7.1.2 實現(xiàn)*近質(zhì)心分類器 094
7.2 乳腺癌數(shù)據(jù)集實驗 095
7.2.1 兩次初始測試運行 096
7.2.2 隨機拆分的影響 098
7.2.3 加入k折驗證 099
7.2.4 搜索超參數(shù) 103
7.3 MNIST數(shù)據(jù)集實驗 107
7.3.1 測試經(jīng)典模型 107
7.3.2 分析運行時間 112
7.3.3 PCA主元的實驗 113
7.3.4 擾動我們的數(shù)據(jù)集 115
7.4 經(jīng)典模型小結(jié) 116
7.4.1 *近質(zhì)心 116
7.4.2 k-*近鄰（k-NN） 116
7.4.3 樸素貝葉斯 116
7.4.4 決策樹 117
7.4.5 隨機森林 117
7.4.6 支持向量機 117
7.5 使用經(jīng)典模型的時機 118
7.5.1 處理小數(shù)據(jù)集 118
7.5.2 處理計算要求不高的任務(wù) 118
7.5.3 可解釋的模型 118
7.5.4 以向量作為輸入的任務(wù) 118
第8章 神經(jīng)網(wǎng)絡(luò)介紹 120
8.1 神經(jīng)網(wǎng)絡(luò)剖析 120
8.1.1 神經(jīng)元 121
8.1.2 激活函數(shù) 122
8.1.3 網(wǎng)絡(luò)結(jié)構(gòu) 124
8.1.4 輸出層 125
8.1.5 權(quán)重和偏置的表示 126
8.2 一個簡單神經(jīng)網(wǎng)絡(luò)的實現(xiàn) 127
8.2.1 建立數(shù)據(jù)集 127
8.2.2 實現(xiàn)神經(jīng)網(wǎng)絡(luò) 128
8.2.3 訓練和測試神經(jīng)網(wǎng)絡(luò) 130
第9章 訓練神經(jīng)網(wǎng)絡(luò) 132
9.1 高層次的概述 132
9.2 梯度下降 133
9.2.1 找出*小值 134
9.2.2 更新權(quán)重 134
9.3 隨機梯度下降法 135
9.3.1 批次和小批次 135
9.3.2 凸函數(shù)與非凸函數(shù) 137
9.3.3 終止訓練 138
9.3.4 更新學習率 138
9.3.5 動量 139
9.4 反向傳播 139
9.4.1 反推**步 140
9.4.2 反推第二步 142
9.5 損失函數(shù) 144
9.5.1 絕對損失和均方誤差損失 145
9.5.2 交叉熵損失 145
9.6 權(quán)重初始化 146
9.7 過擬合與正則化 147
9.7.1 理解過擬合 148
9.7.2 理解正則化 149
9.7.3 L2正則化 150
9.7.4 丟棄 151
第10章 神經(jīng)網(wǎng)絡(luò)實驗 154
10.1 我們的數(shù)據(jù)集 154
10.2 多層感知機分類器 154
10.3 架構(gòu)和激活函數(shù) 155
10.3.1 代碼 155
10.3.2 結(jié)果 158
10.4 批次大小 161
10.5 基礎(chǔ)學習率 164
10.6 訓練集大小 165
10.7 L2正則化 166
10.8 動量 168
10.9 權(quán)重初始化 169
10.10 特征排序 172
第11章 評價模型 174
11.1 定義與假設(shè) 174
11.2 為什么僅有準確性是不夠的 175
11.3 2×2混淆矩陣 176
11.4 從2×2混淆矩陣中導(dǎo)出度量指標 178
11.4.1 從2×2表中導(dǎo)出度量指標 178
11.4.2 使用我們的指標來解釋模型 180
11.5 更多高級度量指標 181
11.5.1 知情度與標記度 182
11.5.2 F1得分 182
11.5.3 Cohen系數(shù)κ 182
11.5.4 馬修斯相關(guān)系數(shù) 183
11.5.5 實現(xiàn)我們的指標 183
11.6 接收者操作特征曲線 184
11.6.1 集成我們的模型 184
11.6.2 繪制我們的指標 186
11.6.3 探索ROC曲線 187
11.6.4 采用ROC分析對比模型 188
11.6.5 生成一條ROC曲線 190
11.6.6 精確度-召回率曲線 191
11.7 處理多個類 191
11.7.1 擴展混淆矩陣 192
11.7.2 計算加權(quán)準確率 194
11.7.3 多類馬修斯相關(guān)系數(shù) 195
第12章 卷積神經(jīng)網(wǎng)絡(luò)介紹 197
12.1 為什么是卷積神經(jīng)網(wǎng)絡(luò)？ 197
12.2 卷積 198
12.2.1 用核進行掃描 198
12.2.2 圖像處理中的卷積 200
12.3 卷積神經(jīng)網(wǎng)絡(luò)的剖析 200
12.3.1 不同類型的層 201
12.3.2 通過CNN傳遞數(shù)據(jù) 202
12.4 卷積層 203
12.4.1 卷積層如何工作 203
12.4.2 使用卷積層 205
12.4.3 多卷積層 207
12.4.4 初始化卷積層 207
12.5 池化層 208
12.6 全連接層 209
12.7 全卷積層 209
12.8 運行情況分析 211
第13章 基于Keras和MNIST的實驗 214
13.1 在Keras中構(gòu)建CNN 214
13.1.1 加載MNIST數(shù)據(jù) 214
13.1.2 建立我們的模型 216
13.1.3 訓練和評價模型 217
13.1.4 繪制誤差 219
13.2 基礎(chǔ)實驗 220
13.2.1 架構(gòu)實驗 221
13.2.2 訓練集尺寸、小批次和歷時 223
13.2.3 優(yōu)化器 225
13.3 全卷積網(wǎng)絡(luò) 226
13.3.1 構(gòu)建和訓練模型 226
13.3.2 制作測試圖像 228
13.3.3 測試模型 229
13.4 加擾動的MNIST數(shù)字 233
第14章 基于CIFAR-10的實驗 235
14.1 CIFAR-10的復(fù)習 235
14.2 使用全部CIFAR-10數(shù)據(jù)集 236
14.2.1 構(gòu)建模型 236
14.2.2 分析模型 239
14.3 動物還是車輛？ 240
14.4 二元還是多分類？ 244
14.5 遷移學習 247
14.6 微調(diào)模型 251
14.6.1 建立數(shù)據(jù)集 252
14.6.2 微調(diào)以適應(yīng)模型 254
14.6.3 測試我們的模型 256
第15章 實例研究：音頻數(shù)據(jù)分類 258
15.1 建立數(shù)據(jù)集 258
15.1.1 增強數(shù)據(jù)集 259
15.1.2 數(shù)據(jù)預(yù)處理 262
15.2 音頻特征分類 264
15.2.1 使用經(jīng)典模型 264
15.2.2 使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò) 266
15.2.3 使用卷積神經(jīng)網(wǎng)絡(luò) 267
15.3 頻譜圖 271
15.4 頻譜圖分類 273
15.4.1 初始化、正則化、批次歸一化 275
15.4.2 檢查混淆矩陣 276
15.5 集成 277
第16章 走向未來 282
16.1 攜手卷積神經(jīng)網(wǎng)絡(luò)走向未來 282
16.2 強化學習與無監(jiān)督學習 283
16.3 生成對抗式網(wǎng)絡(luò) 283
16.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 284
16.5 在線資源 284
16.6 會議 284
16.7 推薦書籍 285
16.8 再會，謝謝 285
展開全部
PYTHON深度學習實踐 作者簡介
羅恩·克努斯（Ronald T. Kneusel），自2003年以來一直致力于工業(yè)機器學習領(lǐng)域的研究，并于2016年獲得了科羅拉多大學博爾德分校（University of Colorado，Boulder）的機器學習博士學位。羅恩目前在L3Harris技術(shù)公司（L3Harris Technologies，Inc.）工作。此外，羅恩還在Springer 出版社發(fā)行兩本著作：《數(shù)字計算機》（Numbers Computers）、《隨機數(shù)字和計算機》（Random Numbers and Computers）。
書友推薦
- >
月亮與六便士
- >
伯納黛特,你要去哪(2021新版)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
回憶愛瑪儂
- >
名家?guī)阕x魯迅:故事新編
- >
隨園食單
- >
莉莉和章魚
- >
唐代進士錄
本類暢銷
