新書推薦：
《
培训需求分析与年度计划制订——基于组织战略，做”对的”培训！
》
售價：NT$
386.0
《
这就是心理咨询：全球心理咨询师都在用的45项技术（第3版）
》
售價：NT$
717.0
《
正说清朝十二帝（修订珍藏版）
》
售價：NT$
493.0
《
黑海史：从历史涟漪到时代巨浪
》
售價：NT$
538.0
《
我，毕加索
》
售價：NT$
280.0
《
投资真相
》
售價：NT$
381.0
《
非洲大陆简史（萤火虫书系）
》
售價：NT$
437.0
《
知宋·宋代之军事
》
售價：NT$
442.0
|
| 編輯推薦： |
通过本书你将学习以下内容：
使用TensorFlow和Keras解决回归和分类难题
学习使用Tensor Board监视神经网络及其训练
优化超参数和安全选择，进行*佳实践
构建CNN、RNN和LSTM，并从头开始使用单嵌入
构建和训练用于机器翻译和聊天应用程序的sequence-to-sequence模型
了解Deep Q网络，并使用它来解决自治代理问题
探索Deep Q网络并解决自主代理的挑战
|
| 內容簡介： |
|
《深度学习快速实践--基于TensorFlow和Keras的深度神经网络优化与训练》内容包括神经网络的基础、深度神经网络的优化和验证、深度神经网络开发和训练环境的构建、使用Tensor-Board 进行网络训练的监控和模的超参数优化。本书详细介绍的深度学习问题，包括基本的回归问题、二元分类问题和多元分类问题，还包括较为复杂的卷积神经网络对图像的分类和使用预训练CNN 进行的迁移学习；使用递归神经网络进行时间序列预测、自然语言分类，以及通过sequence-to-sequence 模型进行机器翻译；深度强化学习的智能体构建，以及生成对抗网络的图像生成。
|
| 目錄：
|
目 录
译者序
原书序
原书前言
第1 章 深度学习的构建模块 1
1.1 深度神经网络的架构 1
1.1.1 神经元 1
1.1.2 深度学习中的代价函数和成本函数 4
1.1.3 前向传播过程 5
1.1.4 反向传播函数 5
1.1.5 随机和小批量梯度下降 6
1.2 深度学习的优化算法 6
1.2.1 采用具有动量的梯度下降 6
1.2.2 RMSProp 算法 7
1.2.3 Adam 优化器 7
1.3 深度学习平台架构 7
1.3.1 什么是TensorFlow ？ 7
1.3.2 什么是Keras ？ 8
1.3.3 TensorFlow 的热门替代品 8
1.3.4 TensorFlow 和Keras 对GPU的要求 8
1.3.5 安装Nvidia CUDA Toolkit 和cuDNN 9
1.3.6 安装Python 10
1.3.7 安装TensorFlow 和Keras 11
1.4 深度学习数据集的构建 12
1.4.1 深度学习中的偏差和方差误差 13
1.4.2 train、val 和test 数据集 13
1.4.3 深度神经网络中的偏差和方差管理 14
1.4.4 K-Fold 交叉验证 14
1.5 小结 15
第2 章 用深度学习解决回归问题 16
2.1 回归分析和深度神经网络 16
2.1.1 使用神经网络进行回归的好处 16
2.1.2 使用神经网络进行回归时需要注意的问题 17
2.2 使用深度神经网络进行回归 17
2.2.1 如何规划机器学习问题 17
2.2.2 定义示例问题 17
2.2.3 加载数据集 18
2.2.4 定义成本函数 19
2.3 在Keras 中建立MLP 19
2.3.1 输入层的构形 20
2.3.2 隐藏层的构形 20
2.3.3 输出层的构形 20
2.3.4 神经网络的架构 20
2.3.5 训练Keras 模型 21
2.3.6 评测模型的性能 22
2.4 在Keras 中建立深度神经网络 22
2.4.1 评测深度神经网络的性能 24
2.4.2 模型超参数的调优 25
2.5 保存并加载经过训练的Keras模型 25
2.6 小结 25
第3 章 用TensorBoard 监控网络训练 27
3.1 TensorBoard 的概述 27
3.2 设置TensorBoard 27
3.2.1 安装TensorBoard 28
3.2.2 TensorBoard 如何与Keras TensorFlow 会话 28
3.2.3 运行TensorBoard 28
3.3 将Keras 连接到TensorBoard 29
3.3.1 Keras 回调简介 29
3.3.2 创建TensorBoard 回调函数 29
3.4 使用TensorBoard 31
3.4.1 网络训练的可视化 31
3.4.2 网络结构的可视化 32
3.4.3 网络破碎的可视化 32
3.5 小结 33
第4 章 用深度学习解决二元分类问题 34
4.1 二元分类和深度神经网络 34
4.1.1 深度神经网络的优点 34
4.1.2 深度神经网络的缺点 35
4.2 案例研究癫痫发作识别 35
4.2.1 定义数据集 35
4.2.2 加载数据 35
4.2.3 模型的输入和输出 36
4.2.4 成本函数 36
4.2.5 性能评估所采用的度量指标 37
4.3 在Keras 中构建二元分类器 37
4.3.1 输入层 38
4.3.2 隐藏层 38
4.3.3 输出层 39
4.3.4 网络层的合并 39
4.3.5 训练模型 40
4.4 使用Keras 中的检查点回调函数 40
4.5 在自定义回调函数中测量ROC AUC 41
4.6 精度、召回率和f1 积分的测量 42
4.7 小结 43
第5 章 用Keras 解决多元分类问题 44
5.1 多元分类和深度神经网络 44
5.1.1 优势 44
5.1.2 缺点 45
5.2 案例研究手写数字的分类 45
5.2.1 问题定义 45
5.2.2 模型的输入和输出 45
5.2.3 成本函数 46
5.2.4 度量 46
5.3 在Keras 中构建多元分类器 47
5.3.1 加载MNIST 47
5.3.2 输入层 47
5.3.3 隐藏层 47
5.3.4 输出层 48
5.3.5 网络的总体结构 49
5.3.6 训练 49
5.3.7 多类模型中scikit-learn 度量指标的应用 50
5.4 通过Dropout 进行方差控制 51
5.5 采用正则化进行方差控制 54
5.6 小结 55
第6 章 超参数的优化 56
6.1 网络体系结构应该被视为超参数吗？ 56
6.1.1 站在巨人的肩膀上 56
6.1.2 添加至过度拟合，然后进行正则化 57
6.1.3 实用建议 57
6.2 应该优化哪些超参数？ 57
6.3 超参数优化策略 58
6.3.1 常用的策略 58
6.3.2 通过scikit-learn 使用随机搜索 59
6.3.3 Hyperband 60
6.4 小结 62
第7 章 从头开始训练CNN 63
7.1 卷积的引入 63
7.1.1 卷积层的工作原理 64
7.1.2 卷积层的好处 65
7.1.3 汇集层 66
7.1.4 批量正则化 67
7.2 在Keras 中训练卷积神经网络 67
7.2.1 输入 67
7.2.2 输出 67
7.2.3 成本函数和度量指标 67
7.2.4 卷积层 68
7.2.5 全相连层 68
7.2.6 Keras 中的多GPU 模型 69
7.2.7 训练 69
7.3 使用数据扩增 70
7.3.1 Keras 中的图像数据扩增器（ImageDataGenerator 类） 71
7.3.2 具有数据扩增的训练 72
7.4 小结 72
第8 章 使用预训练CNN 进行
迁移学习 73
8.1 迁移学习概述 73
8.2 何
|
| 內容試閱：
|
原书前言
本书演示了使用深度学习的快速而实用的方法。它专注于现实生活中的问题，并且提供了足够的理论和数据，以加强读者对该主题的理解。深度学习是一个令人兴奋的、快速发展的机器学习分支，但它也是一个可以被再分割的领域。这是一个让人无法抗拒的每天都在进行大量细致复杂研究的领域。在本书中，我将重点讲授您在各种实际问题上应用深度学习的技能。我对本书的最大希望在于它将可以为您提供使用深度学习技术解决机器学习问题所需的工具。
本书读者
我是一名实践数据科学家，我写这本书去记录其他实践数据科学家和机器学习工程师的数据。如果您是应用深度学习的软件工程师，那么本书也适合您。如果您是一个深度学习的研究员，那么这本书也许并不适合您。但是，您也不妨也购买本书，以便对书中缺乏证据和数学严谨性的地方提出批评。
如果您是学术或教育工作者，那么本书绝对适合您。在过去的三年里，我在Illinois 大学Springfield 分校教过数据科学的调查源这门课程，在这样做的过程中，我有机会激励了许多未来的机器学习研究人员。这段经历激励我创作本书。我认为这样一本书是帮助
学生建立一个非常复杂的主题的好方法。
本书主要内容
第１章，深度学习的构建模块。回顾有关神经网络运行的一些基础知识，对优化算法和模型验证进行简单介绍，并构建一种适合深度神经网络的开发环境。
第２章，用深度学习解决回归问题。使您能够通过构建非常简单的神经网络来解决回归问题，并探讨这些更深层次、更复杂模型对问题的影响。
第３章，用TensorBoard 监控网络训练。让您立即着手使用TensorBoard，这是一个用于监控和调试未来模型的绝佳应用程序。
第４章，用深度学习解决二元分类问题。将帮助您使用深度学习解决二元分类问题。
第５章，用Keras 解决多元分类问题。带您进行多元分类，并研究其中的误差问题，还会讨论过度拟合管理和最佳安全选择。
第６章，超参数的优化。给出两种不同的模型调优方法。一种是众所周知的、经过实战测试的方法，另一种则是比较先进的方法。
第７章，从头开始训练CNN。教您如何使用卷积网络对图像进行分类。
第８章，用预训练CNN 进行迁移学习。介绍如何在数据非常少的情况下应用迁移学习，使得图像分类器具有惊人的性能。
第９章，从头开始训练RNN。讨论RNN 和LSTM 网络，以及如何将它们用于时间序列预测问题。
第10 章，从头开始训练具有单词嵌入的LSTM 网络。进一步进行LSTM 网络的介绍，并将其应用于自然语言分类任务。
第11 章，训练Seq2Seq 模型。帮助我们使用sequence-to-sequence 模型进行机器翻译。
第12 章，使用深度强化学习。介绍深度强化学习，并构建一个可以驱动一个自主智能体的Deep Q 网络。
第13 章，生成对抗网络。介绍如何使用生成对抗网络来生成令人信服的图像。
更好地利用本书
1）假设您已经体验过更传统的数据科学和预测建模技术，如线性 逻辑回归和随机森林算法。如果这是您第一次使用机器学习，那么这对您来说可能有点困难。
2）还假设您至少有一些使用Python 编程的经验，或者至少有一些诸如Java 或C之类的其他编程语言的经验。
3）深度学习是计算密集型的，我们在这里构建的一些模型需要NVIDIA GPU 才能在合理的时间内运行。如果您没有快速的GPU，那么您可以在Amazon Web Services 或GoogleCloud Platform 上，通过使用基于GPU 的云来实现。
|
|
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
