新書推薦：
《
元好问与他的时代（中华学术译丛）
》
售價：NT$
398.0
《
汽车传感器结构·原理·检测·维修
》
售價：NT$
500.0
《
怪谈百物语：不能开的门（“日本文学史上的奇迹”宫部美雪重要代表作！日本妖怪物语集大成之作，系列累销突破200万册！）
》
售價：NT$
296.0
《
罗马政治观念中的自由
》
售價：NT$
230.0
《
中国王朝内争实录：宠位厮杀
》
售價：NT$
281.0
《
凡事发生皆有利于我（这是一本读了之后会让人运气变好的书”治愈无数读者的心理自助经典）
》
售價：NT$
203.0
《
未来特工局
》
售價：NT$
254.0
《
高术莫用（十周年纪念版 逝去的武林续篇 薛颠传世之作 武学尊师李仲轩家世 凸显京津地区一支世家的百年沉浮）
》
售價：NT$
250.0
|
| 編輯推薦： |
本书将介绍一种与传统方式不同的学习深度学习的方式；
主要介绍Keras在Python中生成并评估深度学习的模型 ；
本书具有端到端的例子，适合实践，能够快速上手，代码复现容易。
|
| 內容簡介： |
|
本书系统的讲解了深度的基本知识，以及使用机器学习解决实际问题，详细的介绍了如何构建及优化模型，并针对不同的问题给出了不同的解决方案，通过不同的例子展示了具体的项目中的应用和实践经验，是一本非常好的深度学习的入门和实践的书籍。本书以实践为导向，使用 Keras作为编程框架，强调简单，快速的上手建立模型，解决实际项目问题。读者可以根据本书的理解，迅速上手实践深度学习，并利用深度学习解决实际的问题。本书非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。
|
| 關於作者： |
|
魏贞原，IBM 高级项目经理，主要负责银行客户的复杂系统开发。同时是 IBM CIC量子计算 COE 团队的 Python 领域专家（Subject Matter Expert），负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营知之Python公众号，定期分享 Python 在机器学习和深度学习中的实践知识。
|
| 目錄：
|
第一部分初识
1初识深度学习2
1.1Python的深度学习2
1.2软件环境和基本要求3
1.2.1Python和SciPy3
1.2.2机器学习3
1.2.3深度学习4
1.3阅读本书的收获4
1.4本书说明4
1.5本书中的代码5
2深度学习生态圈6
2.1CNTK6
2.1.1安装CNTK7
2.1.2CNTK的简单例子8
2.2TensorFlow8
2.2.1TensorFlow介绍8
2.2.2安装TensorFlow9
2.2.3TensorFlow的简单例子9
2.3Keras10
2.3.1Keras简介11
2.3.2Keras安装11
2.3.3配置Keras的后端11
2.3.4使用Keras构建深度学习模型12
2.4云端GPUs计算13
第二部分多层感知器
3第一个多层感知器实例：印第安人糖尿病诊断16
3.1概述16
3.2Pima Indians数据集17
3.3导入数据18
3.4定义模型19
3.5编译模型20
3.6训练模型21
3.7评估模型21
3.8汇总代码22
4多层感知器速成24
4.1多层感知器24
4.2神经元25
4.2.1神经元权重25
4.2.2激活函数26
4.3神经网络27
4.3.1输入层（可视层）28
4.3.2隐藏层28
4.3.3输出层28
4.4训练神经网络29
4.4.1准备数据29
4.4.2随机梯度下降算法30
4.4.3权重更新30
4.4.4预测新数据31
5评估深度学习模型33
5.1深度学习模型和评估33
5.2自动评估34
5.3手动评估36
5.3.1手动分离数据集并评估36
5.3.2k折交叉验证37
6在Keras中使用Scikit-Learn40
6.1使用交叉验证评估模型41
6.2深度学习模型调参42
7多分类实例：鸢尾花分类49
7.1问题分析49
7.2导入数据50
7.3定义神经网络模型50
7.4评估模型52
7.5汇总代码52
8回归问题实例：波士顿房价预测54
8.1问题描述54
8.2构建基准模型55
8.3数据预处理57
8.4调参隐藏层和神经元58
9二分类实例：银行营销分类61
9.1问题描述61
9.2数据导入与预处理62
9.3构建基准模型64
9.4数据格式化66
9.5调参网络拓扑图66
10多层感知器进阶68
10.1JSON序列化模型68
10.2YAML序列化模型74
10.3模型增量更新78
10.4神经网络的检查点81
10.4.1检查点跟踪神经网络模型82
10.4.2自动保存最优模型84
10.4.3从检查点导入模型86
10.5模型训练过程可视化87
11Dropout与学习率衰减92
11.1神经网络中的Dropout92
11.2在Keras中使用Dropout93
11.2.1输入层使用Dropout94
11.2.2在隐藏层使用Dropout95
11.2.3Dropout的使用技巧97
11.3学习率衰减97
11.3.1学习率线性衰减98
11.3.2学习率指数衰减100
11.3.3学习率衰减的使用技巧103
第三部分卷积神经网络
12卷积神经网络速成106
12.1卷积层108
12.1.1滤波器108
12.1.2特征图109
12.2池化层109
12.3全连接层109
12.4卷积神经网络案例110
13手写数字识别112
13.1问题描述112
13.2导入数据113
13.3多层感知器模型114
13.4简单卷积神经网络117
13.5复杂卷积神经网络120
14Keras中的图像增强124
14.1Keras中的图像增强API124
14.2增强前的图像125
14.3特征标准化126
14.4ZCA白化128
14.5随机旋转、移动、剪切和反转图像129
14.6保存增强后的图像132
15图像识别实例：CIFAR-10分类134
15.1问题描述134
15.2导入数据135
15.3简单卷积神经网络136
15.4大型卷积神经网络140
15.5改进模型145
16情感分析实例：IMDB影评情感分析152
16.1问题描述152
16.2导入数据153
16.3词嵌入154
16.4多层感知器模型155
16.5卷积神经网络157
第四部分循环神经网络
17循环神经网络速成162
17.1处理序列问题的神经网络163
17.2循环神经网络164
17.3长短期记忆网络165
18多层感知器的时间序列预测：国际旅行人数预测167
18.1问题描述167
18.2导入数据168
18.3多层感知器169
18.4使用窗口方法的多层感知器172
19LSTM时间序列问题预测：国际旅行人数预测177
19.1LSTM处理回归问题177
19.2使用窗口方法的LSTM回归181
19.3使用时间步长的LSTM回归185
19.4LSTM的批次间记忆188
19.5堆叠LSTM的批次间记忆192
20序列分类：IMDB影评分类197
20.1问题描述197
20.2简单LSTM197
20.3使用Dropout改进过拟合199
20.4混合使用LSTM和CNN201
21多变量时间序列预测：PM2.5预报203
21.1问题描述203
21.2数据导入与准备204
21.3构建数据集206
21.4简单LSTM207
22文本生成实例：爱丽丝梦游仙境211
22.1问题描述211
22.2导入数据212
22.3分词与向量化212
22.4词云213
22.5简单LSTM215
22.6生成文本219
附录A深度学习的基本概念223
A.1神经网络基础223
A.2卷积神经网络227
A.3循环神经网络229
|
| 內容試閱：
|
序言
2017年12月底的上海湿冷依旧，收到贞原《深度学习：基于Keras的Python实践》的初稿，心里升起一股暖意。人工智能（AI）在2017年可谓家喻户晓，智能医疗、智能金融及无人驾驶变得不再遥远，而其背后的深度学习尤为功不可没，机器学习（ML）是一种实现人工智能的方法，深度学习（DL）则是一种实现机器学习的技术。
国务院于2017年7月出台了《新一代人工智能发展规划》，首次从国家战略的角度阐述对人工智能在产业、技术应用层面的发展展望，并提出了明确的时间表和线路图，规划提到：
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
