新書推薦： 《
金托邦：江湖中的沉重正义
》 售價：NT$
275.0
《
易经今解：释疑·解惑·见微
》 售價：NT$
403.0
《
东欧史（全二册）-“中间地带”的困境
》 售價：NT$
1010.0
《
虚拟资本：金融怎样挪用我们的未来
》 售價：NT$
352.0
《
刻意练习不生气
》 售價：NT$
179.0
《
大宋理财：青苗法与王安石的金融帝国（全彩插图本）
》 售價：NT$
500.0
《
安全感是内心长出的盔甲
》 售價：NT$
305.0
《
快人一步：系统性能提高之道
》 售價：NT$
505.0
編輯推薦：
1.本书介绍神经网络和深度学习的基本概念的同时还讲解了基于Python实现神经网络时用到的函数库。2.本书包含神经网络在不同领域中实际应用的案例，包括费用预估、图像分类、语义分析等。对于每个案例，本书提供了完整的问题描述以及解决该问题所需要的神经网络架构。不仅如此，本书还介绍了选择特定算法的原因以及一步步实现该解决方案的Python代码。3.在学习本书的过程中，读者将获得基于流行Python函数库（例如Keras）来实现并训练神经网络的实际使用经验。4.在读完本书后，读者不仅可以掌握多种不同类型的神经网络架构，还能够使用Python语言创建多个AI项目来丰富自己的作品集和项目经历。
內容簡介：
本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。本书包含了6个神经网络相关的项目，分别是糖尿病预测、出租车费用预测、图像分类、图像降噪、情感分析和人脸识别，这6个项目均是从头开始实现，且使用了不同的神经网络。在每个项目中，本书首先会提出问题，然后介绍解决该问题需要用到的神经网络架构，并给出选择该神经网络模型的原因，最后会使用Python语言从头实现该模型。此外，本书还介绍了机器学习和神经网络的基础知识，以及人工智能未来的发展。
關於作者：
詹姆斯·洛伊是一名数据科学家，他在金融和医疗行业有5年以上的工作经验。他曾在新加坡的银行工作，通过预测性分析驱动创新，同时帮助银行提高客户的忠诚度。他也在医疗部门工作过，在那里他通过数据分析来改善医院做出的决断。他在乔治亚理工大学获得了计算机科学硕士学位，研究方向为机器学习。他关注的研究领域有深度学习和应用机器学习，还包括为工业自动化系统开发基于计算机视觉的人工智能。他经常在Towards Data Science上发表文章，这是一个很有名的机器学习网站，每个月的访问量在300万人次以上。
目錄
第 1章 机器学习和神经网络导论11.1 什么是机器学习21.1.1 机器学习算法21.1.2 机器学习工作流51.2 在你的计算机上配置机器学习环境71.3 神经网络81.3.1 为什么要使用神经网络91.3.2 神经网络基础结构101.3.3 使用Python从头开始训练一个神经网络101.3.4 综合应用151.3.5 深度学习和神经网络161.4 pandas—强大的Python数据分析工具171.4.1 pandas DataFrame171.4.2 pandas中的数据可视化201.4.3 使用pandas进行数据预处理231.4.4 在神经网络项目中使用pandas261.5 TensorFlow和Keras——开源深度学习库261.5.1 Keras中的基础构建单元271.5.2 用Keras创建神经网络291.6 其他Python函数库311.7 小结32第 2章 基于多层感知器预测糖尿病332.1 技术需求332.2 糖尿病——理解问题352.3 医疗中的人工智能362.4 糖尿病数据集372.5 探索性数据分析382.6 数据预处理432.6.1 处理缺失数据432.6.2 数据标准化462.6.3 将数据集分割为训练数据集、测试数据集和验证数据集472.7 MLP492.8 使用Keras构建模型512.8.1 建模512.8.2 模型编译532.8.3 模型训练532.9 结果分析542.9.1 测试模型准确率542.9.2 混淆矩阵552.9.3 ROC曲线572.9.4 进一步优化592.10 小结592.11 习题60第3章 基于深度前馈网络预测出租车费用623.1 技术需求623.2 预测纽约市出租车打车费用643.3 纽约市出租车打车费用数据集643.4 探索性数据分析643.4.1 地理位置数据可视化663.4.2 全天及小时客流量693.5 数据预处理713.6 特征工程773.6.1 时空特征773.6.2 地理位置特征793.7 特征缩放823.8 深度前馈网络833.8.1 模型结构833.8.2 回归问题的损失函数843.9 使用Keras构建模型853.10 结果分析873.11 综合应用913.12 小结933.13 习题94第4章 是猫还是狗——使用卷积神经网络进行图像分类964.1 技术需求974.2 计算机视觉和目标识别984.3 目标识别的问题类型994.4 数字图像作为神经网络输入1014.5 卷积神经网络的基础结构1024.5.1 滤波和卷积1024.5.2 最大池化1064.6 卷积神经网络基本结构1074.7 现代卷积神经网络回顾1084.7.1 LeNet（1998)1084.7.2 AlexNet（2012)1084.7.3 VGG16（2014)1094.7.4 Inception（2014)1094.7.5 ResNet（2015)1094.7.6 最新趋势1094.8 猫狗数据集1104.9 在Keras中处理图像数据1124.10 图像增强1134.11 建模1164.11.1 构建简单的卷积神经网络1164.11.2 通过迁移学习利用预训练模型1214.12 结果分析1244.13 小结1284.14 习题129第5章 使用自动编码器进行图像降噪1305.1 技术需求1305.2 什么是自动编码器1325.3 隐式表示1335.4 用于数据压缩的自动编码器1345.5 MNIST手写数字数据集1345.6 构建简单的自动编码器1365.6.1 在Keras中构建自动编码器1375.6.2 隐藏层尺寸对自动编码器性能的影响1415.7 用于降噪的自动编码器1435.8 基于自动编码器的文件去噪1515.8.1 基本的卷积自动编码器1555.8.2 深度卷积自动编码器1585.9 小结1615.10 习题161第6章 使用长短期记忆网络进行情感分析1636.1 技术需求1646.2 机器学习中的顺序问题1656.3 自然语言处理和情感分析1666.4 RNN1686.4.1 RNN的内部结构1696.4.2 RNN中的长短期依赖1706.4.3 梯度消失问题1726.5 LSTM网络1736.5.1 LSTM——直观感受1736.5.2 LSTM网络内部结构1746.6 IMDb影评数据集1786.7 用向量表示词语1806.7.1 独热编码1806.7.2 词嵌入1816.8 模型结构1826.8.1 输入1826.8.2 词嵌入层1836.8.3 LSTM层1836.8.4 全连接层1836.8.5 输出1836.9 在Keras中创建模型1846.9.1 导入数据1846.9.2 零填充1856.9.3 词嵌入层和LSTM层1866.9.4 编译和训练模型1886.10 结果分析1896.11 代码整合1956.12 小结1976.13 习题198第7章 基于神经网络实现人脸识别系统2017.1 技术需求2027.2 人脸识别系统2037.3 分解人脸识别问题2037.3.1 人脸检测2047.3.2 人脸识别2097.4 人脸识别系统需求2097.4.1 速度2107.4.2 可扩展性2107.4.3 基于小数据集来实现高准确率2117.5 一次学习2127.6 孪生神经网络2137.7 对比损失函数2157.8 人脸数据集2167.9 在Keras中创建孪生神经网络2207.10 在Keras中训练模型2247.11 结果分析2277.12 重构代码2307.13 创建一个实时人脸识别程序2347.13.1 人脸录入过程2347.13.2 人脸识别过程2367.13.3 工作展望2397.14 小结2407.15 习题241第8章 未来是什么样的2428.1 项目总结2428.1.1 机器学习和神经网络导论2438.1.2 基于多层感知机预测糖尿病2438.1.3 基于深度前馈网络预测出租车费用2448.1.4 猫还是狗——使用卷积神经网络进行图像分类2448.1.5 使用自动编码器进行图像降噪2458.1.6 使用LSTM对影评进行情感分析2468.1.7 基于神经网络实现人脸识别系统2468.2 神经网络的最新进展2478.2.1 生成对抗网络2478.2.2 深度强化学习2488.3 神经网络的局限性2498.4 人工智能和机器学习的未来2508.4.1 强人工智能2518.4.2 自动机器学习2518.5 持续获取机器学习的相关信息2528.5.1 图书2528.5.2 学术期刊2528.5.3 基于真实数据集进行练习2538.6 推荐的机器学习数据集2538.7 总结253
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
