新書推薦：
《
就业、利息和货币通论（徐毓枬译本）（经济学名著译丛）
》
售價：NT$
306.0
《
瘦肝
》
售價：NT$
454.0
《
股票大作手回忆录
》
售價：NT$
254.0
《
秩序四千年：人类如何运用法律缔造文明
》
售價：NT$
704.0
《
民法典1000问
》
售價：NT$
454.0
《
国术健身 易筋经
》
售價：NT$
152.0
《
古罗马800年
》
售價：NT$
857.0
《
权力与相互依赖（第四版）（中译本修订版）
》
售價：NT$
658.0
|
| 編輯推薦： |
|
本书是关于深度学习的理论、算法、应用的实战教程，通过各种典型实例，展示了深度学习的整个流程和精髓。
|
| 內容簡介： |
机器学习是人工智能领域一个极其重要的研究方向，而深度学习则是机器学习中一个非常接近AI的分支，其思路在于建立进行分析学习的神经网络，模仿人脑感知与组织的方式，根据输入数据做出决策。深度学习在快速的发展过程中，不断有与其相关的产品推向市场，显然，深度学习的应用将会日趋广泛。
《Python深度学习：逻辑、算法与编程实战》是关于深度学习的理论、算法、应用的实战教程，内容涵盖深度学习的语言、学习环境、典型结构、数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等知识，通过各种实例，读者能了解、掌握深度学习的整个流程和典型应用。
《Python深度学习：逻辑、算法与编程实战》可作为深度学习相关从业人员的参考指南，也可作为大中专院校人工智能相关专业的教材，还可作为广大人工智能爱好者的拓展学习手册。
|
| 目錄：
|
前言
第1章Python语言基础
1.1Python简介
1.2Python开发环境
1.2.1PyCharm的下载和安装
1.2.2PyCharm的使用
1.2.3树莓派Python IDLE的使用
1.3Python基本语法
1.3.1保留字和标识符
1.3.2变量和数据类型
1.3.3基本控制结构
1.3.4运算符
1.3.5函数
1.3.6with语句
1.3.7字符串操作
1.3.8异常处理
1.4Python序列
1.4.1列表
1.4.2元组
1.4.3字典
1.4.4集合
1.4.5列表、元组、字典和集合的区别
1.5Python操作文件
1.5.1操作文本文件
1.5.2操作目录
1.5.3操作Excel文件
1.5.4操作CSV文件
1.6Python模块
1.6.1模块分类
1.6.2自定义模块
1.6.3第三方模块的安装
1.7Python类
1.7.1面向对象概述
1.7.2类和对象
1.7.3面向对象程序设计方法
1.7.4类的定义和使用
1.7.5多线程
1.8本章小结
第2章Python操作数据库及Web框架
2.1操作数据库
2.1.1操作SQLite
2.1.2操作MySQL
2.2Web框架
2.2.1主流Web框架
2.2.2Django框架
2.2.3Flask框架
2.3本章小结
第3章Python深度学习环境
3.1Anaconda介绍
3.2Anaconda环境搭建
3.3Anaconda使用方法
3.3.1管理工具Navigator
3.3.2Anaconda的Python开发环境Spyder
3.4深度学习的一些常备库
3.4.1NumPy—基础科学计算库
3.4.2SciPy—科学计算工具集
3.4.3Pandas—数据分析的利器
3.4.4Matplotlib—画出优美的图形
3.4.5Tqdm—Python 进度条库
3.5机器学习通用库Sklearn
3.5.1Sklearn的安装
3.5.2Sklearn的数据集
3.5.3Sklearn的机器学习方式
3.6机器学习深度库TensorFlow
3.6.1TensorFlow的安装
3.6.2TensorFlow的深度学习方式
3.6.3TensorLayer
3.6.4可视化工具TensorBoard
3.7机器学习深度库Keras
3.7.1Keras的安装
3.7.2Keras的深度学习方式
3.8自然语言处理
3.8.1NLTK
3.8.2SpaCy
3.8.3Gensim
3.9视觉OpenCV
3.9.1OpenCV的安装
3.9.2OpenCV的使用
3.10其他深度学习框架
3.10.1PyTorch
3.10.2TFLearn
3.10.3Chainer
3.10.4Theano
3.11本章小结
第4章深度学习典型结构
4.1人工智能、机器学习、神经网络和深度学习的关系
4.2深度学习的发展历程
4.3深度学习的应用
4.3.1计算机视觉
4.3.2语音识别
4.3.3自然语言处理
4.3.4人机博弈
4.4神经网络
4.4.1神经网络的结构
4.4.2神经网络的算法
4.4.3神经网络的训练
4.4.4神经网络的参数
4.4.5深度学习与深层神经网络
4.5卷积神经网络（CNN）
4.5.1卷积神经网络结构
4.5.2经典卷积网络模型
4.5.3卷积神经网络应用
4.6循环神经网络（RNN）
4.6.1循环神经网络结构
4.6.2长短期记忆网络（LSTM）
4.6.3循环神经网络改进
4.6.4循环神经网络应用
4.7递归神经网络（RNN）
4.7.1递归神经网络结构
4.7.2递归神经网络应用
4.8生成对抗网络（GAN）
4.8.1生成对抗网络原理
4.8.2生成对抗网络架构
4.8.3生成对抗网络应用
4.8.4生成对抗网络变种
4.9本章小结
第5章深度学习数据准备—数据爬取和清洗
5.1爬虫框架
5.1.1Crawley爬虫框架
5.1.2Scrapy爬虫框架
5.1.3PySpider爬虫框架
5.1.4Beautiful Soup爬虫框架
5.2数据爬取
5.2.1Urllib3爬取
5.2.2Requests爬取
5.2.3Scrapy框架爬取
5.2.4实例—爬取招聘网站职位信息
5.2.5实例—爬取网站指定的图片集合
5.2.6实例—爬取二手车市场数据
5.3数据清洗
5.3.1数据清洗库Pandas
5.3.2缺失值处理
5.3.3去重处理
5.3.4异常值处理
5.3.5实例—清洗CSV文件
5.3.6噪声数据处理
5.3.7实例—天气数据分析与处理
5.4数据显示
5.4.1Pandas统计分析
5.4.2Matplotlib绘图
5.4.3Bokeh绘图
5.4.4Pyecharts绘图
5.5实例—爬取并保存图片
5.6本章小结
第6章图像识别分类
6.1图像识别分类简介
6.2经典图片数据集
6.2.1MNIST数据集
6.2.2CIFAR-10数据集
6.2.3ImageNet数据集
6.2.4LFW人脸数据库
6.2.5Flowers-17数据集
6.2.6Pascal VOC数据集
6.2.7MS COCO 数据集
6.3OpenCV识别
6.3.1实例—人眼识别
6.3.2实例—两张相似图片识别
6.3.3实例—性别识别
6.4VGGNet花朵识别
6.4.1VGGNet介绍
6.4.2花朵数据库
6.4.3实例—花朵识别
6.5车牌识别
6.5.1利用OpenCV实现车牌识别
6.5.2实例—EasyPR车牌识别
6.6Inception图像分类处理
6.6.1Inception模型简介
6.6.2实例—花朵和动物识别
6.6.3实例—自定义图像分类
6.7本章小结
第7章自然语言处理
7.1自然语言处理的典型工具
7.1.1NLTK
7.1.2TextBlob
7.1.3Gensim
7.1.4Polyglot
7.2Jieba实现关键词抽取
7.2.1Jieba实现词性标注
7.2.2基于TF-IDF算法的关键词抽取
7.2.3基于TextRank算法的关键词抽取
|
| 內容試閱：
|
感谢您选择本书，为了帮助您更好地学习本书的知识，请阅读下面的内容。
深度学习是机器学习研究中的一个新的领域，其思路在于建立进行分析学习的神经网络，模仿人脑的机制来解释数据。
深度学习是无监督学习的一种，其概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层，表示属性类别或特征，以发现数据的分布式特征。
深度学习和人脑相似，人脑和深度学习模型都拥有大量的神经元，这些神经元在独立的情况下并不太智能，但当其相互作用时，就会变得相当智能。深度学习主要由神经网络构成，当数据穿过这个神经网络时，每一层都会处理这些数据，对数据进行过滤、聚合、辨别、分类及识别等操作，并产生最终输出。
本书是关于深度学习的实战教程，全书共11章，从深度学习整个流程出发，有序介绍了深度学习的语言基础、理论基础、各个典型应用等内容，具体内容如下。
第1章Python语言基础，介绍了Python典型的开发环境、基本语法、数据结构、文件操作、函数以及类等知识。
第2章Python操作数据库及Web框架，介绍了SQLite、MySQL的操作方法，以及典型Web的框架等知识。
第3章Python深度学习环境，介绍了Anaconda环境的搭建及操作方法、机器学习通用库Sklearn、机器学习深度库TensorFlow和Keras、视觉库OpenCV的安装和使用方法、自然语言处理的多种工具，以及其他典型的深度学习框架等知识。
第4章深度学习典型结构，介绍了深度学习的发展历程和应用领域，神经网络的结构、算法、训练和参数设置，以及卷积神经网络、循环神经网络、递归神经网络、生成对抗网络的结构和应用等知识。
第5章深度学习数据准备—数据爬取和清洗，介绍了典型的爬虫框架和数据爬取过程，数据清洗的内容和方法，以及数据显示等知识。
第6章图像识别分类，介绍了经典的图片数据集，以及识别人眼、性别、花朵、动物、车牌及相似图片等知识。
第7章自然语言处理，介绍了多种典型的自然语言处理工具，以及使用Jieba库提取关键词，使用Gensim查找相似词，使用TextBlob进行情感分析，使用CountVectorizer和TfidfVectorize提取文本特征等知识，并演示了语法分析和语义分析的相关应用实例。
第8章情感分析，介绍了情感分析的过程，典型的情感数据库，基于LSTM的情感分析，基于SnowNLP的新闻评论的数据分析，以及基于Dlib实现人脸颜值预测等知识。
第9章机器翻译，介绍了机器翻译的模型Encoder-Decoder，机器翻译平台PaddlePaddle的安装和使用等知识，并演示了看图说话的相关应用实例。
第10章目标检测，介绍了目标检测的过程、典型的目标检测算法，以及利用Faster R-CNN模型、YOLO模型和SSD模型实现目标检测的方法等知识。
第11章语音处理，介绍了语音识别过程及声学模型和语言模型，并演示了语音识别的相关应用实例。
本书具有下列特点。
（1）内容全面：涵盖深度学习的各个方面，包括语言基础、环境使用、典型深度库、理论基础、典型实践等，构建了深度学习的完整知识体系。
（2）贴近实战：应用内容涵盖数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等。
（3）循序渐进：从简单到复杂、从理论到实践，辅以大量实例帮读者所学即所用。
由于编者水平有限，书中不足之处在所难免，望广大专家、读者提出宝贵意见，以便修订时加以改正。
|
|
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
