新書推薦：
《
詹姆斯·伍德系列：不负责任的自我：论笑与小说（“美国图书评论奖”入围作品 当代重要文学批评家詹姆斯·伍德对“文学中的笑与喜剧”的精湛研究）
》
售價：NT$
398.0
《
武当内家散手
》
售價：NT$
230.0
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：NT$
454.0
《
炙野（全2册）
》
售價：NT$
356.0
《
女人的胜利
》
售價：NT$
254.0
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：NT$
1214.0
《
500万次倾听：陪伤心的人聊聊
》
售價：NT$
245.0
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：NT$
367.0
|
| 編輯推薦： |
本书通过实际案例展示了如何应用深度学习模型解决分类问题、回归问题及自然语言处理问题。通过本书的学习，读者将掌握深度学习的整个解决流程，从理论到实践，为进一步深入学习和应用人工智能领域的相关知识打下坚实基础。
希望本书能够成为深度学习和应用深度学习的得力助手，为读者在人工智能领域的探索之路提供有力支持。
|
| 內容簡介： |
本书包含六大部分：第一部分主要介绍深度学习Python语言的基础知识，讲述Python基本语法（输入、输出、数据类型、流程控制、函数、文件和目录）、数组计算（NumPy库）、绘图库（Matplotlib库）等；第二部分主要介绍Keras编程基础，以及?Keras?中提供的大量的深度学习API；第三部分主要介绍数据处理方法，包括对类别的数据处理方法和对特征的数据处理方法，以及对缺失数据处理方法等；第四部分主要介绍各种深度模型原理及应用Keras搭建各种深度学习模型的方法，如卷积神经网络、循环神经网络等；第五部分主要介绍模型训练中的一些超参数及技巧；第六部分主要介绍深度学习模型的应用，包含深度学习解决分类问题、回归问题、自然语言处理问题等。
本书可作为本科生、研究生学习深度学习的入门教材使用，也可以为广大有志于从事深度学习科研工作的科研工作者提供通俗、易懂、全面的学习材料。
|
| 關於作者： |
|
刘海军，女，防灾科技学院副教授，硕士导师。2011年毕业于中国地质大学地球探测与信息技术专业，获得博士学位，2011-2014年在南京大学计算机科学与技术专业博士后工作站从事博士后研究。2017-2018年在奥克兰理工大学访问。2014年以来，在防灾科技学院从事教学和科研工作，主要承担机器学习、深度学习、python语言程序设计等课程的教学。主要从事地震、地磁、电离层数据中的智能处理算法设计工作。主持厅局级以上项目5项，在相关领域发表论文10余篇，其中第一作者及通讯作者发表SCI论文5篇。
|
| 目錄：
|
第1章 Python语言程序设计基础 1
1.1 Python开发环境简介 1
1.2 Python编程基础 2
1.3 Python基本数据类型 3
1.3.1 数字 4
1.3.2 字符串 4
1.3.3 列表 5
1.3.4 元组 8
1.3.5 字典 9
1.3.6 集合 10
1.4 赋值 12
1.5 流程控制 13
1.5.1 关系运算符和逻辑运算符 13
1.5.2 分支结构 13
1.5.3 循环结构 16
1.6 函数 18
1.7 文件和目录方法 20
1.8 NumPy库的使用 23
1.8.1 NumPy模块简介 23
1.8.2 N维数组对象：ndarray 23
1.8.3 ndarray数组的创建方法 24
1.8.4 ndarray数组的属性 29
1.8.5 ndarray数组的变换 30
1.8.6 ndarray数组的运算操作 32
1.8.7 ndarray数组的索引和切片 33
1.8.8 NumPy中的常见函数 36
1.9 Matplotlib库的使用 41
1.9.1 绘制坐标图 41
1.9.2 绘制饼状图 47
1.9.3 绘制条形图 48
1.9.4 绘制散点图 49
第2章 Keras基础 51
2.1 Keras简介与安装 51
2.2 Keras的API 52
第3章 Keras网络层 53
3.1 常用层 53
3.1.1 Dense层 53
3.1.2 Activation层 54
3.1.3 Dropout层 54
3.1.4 Flatten层 54
3.1.5 Reshape层 55
3.1.6 Permute层 55
3.1.7 RepeatVector层 55
3.1.8 Lambda层 55
3.1.9 ActivityRegularization层 56
3.2 卷积层 56
3.2.1 Conv1D层 56
3.2.2 Conv2D层 57
3.2.3 Conv3D层 58
3.2.4 SeparableConv1D层 60
3.2.5 SeparableConv2D层 61
3.2.6 DepthwiseConv2D层 62
3.2.7 Conv2DTranspose层 63
3.2.8 Cropping1D层 64
3.2.9 Cropping2D层 64
3.2.10 Cropping3D层 65
3.2.11 UpSampling1D层 65
3.2.12 UpSampling2D层 65
3.2.13 UpSampling3D层 66
3.2.14 ZeroPadding1D层 66
3.2.15 ZeroPadding2D层 67
3.2.16 ZeroPadding3D层 67
3.3 池化层 68
3.3.1 MaxPooling1D层 68
3.3.2 MaxPooling2D层 68
3.3.3 MaxPooling3D层 69
3.3.4 AveragePooling1D层 70
3.3.5 AveragePooling2D层 70
3.3.6 AveragePooling3D层 71
3.3.7 GlobalMaxPooling1D层 71
3.3.8 GlobalMaxPooling2D层 71
3.3.9 GlobalMaxPooling3D层 72
3.3.10 GlobalAveragePooling1D层 72
3.3.11 GlobalAveragePooling2D层 72
3.3.12 GlobalAveragePooling3D层 73
3.4 局部连接层 73
3.4.1 LocallyConnected1D层 73
3.4.2 LocallyConnected2D层 74
3.5 循环层 76
3.5.1 RNN层 76
3.5.2 Masking层 77
3.5.3 SimpleRNN层 77
3.5.4 GRU层 78
3.5.5 ConvLSTM2D层 79
3.5.6 ConvLSTM2Dcell层 80
3.5.7 SimpleRNNCell层 81
3.5.8 GRUCell层 82
3.5.9 LSTMCell层 83
3.5.10 CuDNNGRU层 84
3.5.11 CuDNNLSTM层 84
3.6 嵌入层 85
3.7 融合层 86
3.7.1 Add层 86
3.7.2 Subtract层 87
3.7.3 Multiply层 87
3.7.4 Average层 87
3.8 高级激活层 88
3.8.1 ReLU层 88
3.8.2 LeakyReLU层 88
3.8.3 PReLU层 88
3.8.4 ELU层 89
3.8.5 ThresholdedReLU层 89
3.8.6 Softmax层 89
3.9 标准化层 90
3.10 噪声层 91
3.10.1 GaussianNoise层 91
3.10.2 GaussianDropout层 91
3.10.3 AlphaDropout层 91
3.11 层封装器 92
3.11.1 TimeDistributed层 92
3.11.2 Bidirectional层 92
第4章 数据预处理 94
4.1 样本的预处理方法 94
4.1.1 z-score规范化 94
4.1.2 MinMax归一化 95
4.1.3 均值归一化 95
4.1.4 非线性归一化 95
4.1.5 MaxAbs归一化 96
4.1.6 正态分布化 96
4.1.7 中心化/零均值化 96
4.1.8 数据降维 97
4.2 标签的处理方法 99
4.2.1 LabelEncode编码 99
4.2.2 独热编码 99
4.2.3 LabelBinarizer 100
4.2.4 MultiLabelBinarizer 100
4.3 缺失值的处理 101
4.3.1 删除缺失值 102
4.3.2 填充缺失值 102
第5章 Keras模型搭建法 105
5.1 顺序API模型 105
5.1.1 导入层及数据集 105
5.1.2 数据预处理 107
5.1.3 模型结构 107
5.1.4 模型配置 109
5.1.5 训练模型 109
5.1.6 可视化模型结构 109
5.1.7 模型的保存与加载 110
5.1.8 模型的评价 111
5.1.9 顺序API模型完整代码 111
5.2 函数API模型 113
5.2.1 导入层及数据集 113
5.2.2 数据预处理 114
5.2.3 模型结构 114
5.2.4 模型配置 115
5.2.5 训练模型 116
5.2.6 可视化模型结构 116
5.2.7 模型的评价 117
5.2.8 函数API模型完整代码 117
5.3 子类API模型 119
5.3.1 导入层及数据集 119
5.3.2 数据预处理 120
5.3.3 模型结构 120
5.3.4 模型配置 121
5.3.5 训练模型 122
5.3.6 可视化模型结构 122
5.3.7 模型的评价 122
5.3.8 子类API模型完整代码 123
第6章 利用Keras搭建卷积神经网络 125
6.1 卷积神经网络 125
6.1.1 序贯式模型搭建法 126
6.1.2 函数式模型搭建法 130
6.1.3 共享输入层的卷积神经网络搭建 133
6.1.4 含有共享卷积层的卷积神经网络搭建 136
6.1.5 多输入层的卷积神经网络 139
6.2 主流的卷积神经网络 141
6.2.1 LeNet 5网络 141
6.2.2 VGG网络 143
6.2.3 ResNet网络 144
第7章 利用Keras搭建递归神经网络 146
7.1 RNN 146
7.1.1 数据集的选择 147
7.1.2 导入相应的包 147
7.1.3 数据的预处理阶段 148
7.1.4 建模型阶段 149
7.1.5 模型训练配置参数阶段 149
7.1.6 模型的训练阶段 149
7.1.7 模型的预测与评价阶段 150
7.1.8 完整代码 150
7.2 LSTM 152
7.2.1 建模型阶段 154
7.2.2 完整代码 155
7.3 GRU 157
7.3.1 建模型阶段 158
7.3.2 完整代码 159
7.4 BiLSTM 161
7.4.1 建模型阶段 161
7.4.2 完整代码 162
7.5 BiGRU 164
7.5.1 建模型阶段 164
7.5.2 完整代码 164
7.6 ConvLSTM 167
7.6.1 建模型阶段 168
7.6.2 完整代码 168
7.7 Transformer模型 170
7.7.1 导入层及数据集 170
7.7.2 数据预处理 172
7.7.3 Token和Position编码 172
7.7.4 编解码器构造 173
7.7.5 Transformer主体 174
7.7.6 模型训练与评估 174
7.7.7 Transformer完整代码 175
第8章 模型训练 178
8.1 优化器 178
8.1.1 SGD 178
8.1.2 SGDM 179
8.1.3 Adagrad 179
8.1.4 RMSProp 180
8.1.5 Adam 181
8.1.6 优化器的选择 182
8.1.7 完整代码 184
8.2 损失函数 189
8.2.1 分类问题的损失函数 189
8.2.2 回归问题的损失函数 190
8.2.3 损失函数的导入 190
8.2.4 完整代码 191
8.3 学习率 193
8.3.1 学习率的种类和选择 193
8.3.2 学习率的设置方法 193
8.3.3 学习率对模型训练的影响 194
8.3.4 完整代码 194
8.4 正则化 196
8.4.1 L1和L2正则化 196
8.4.2 Dropout正则化 200
8.4.3 其他正则化方法 202
第9章 应用 203
9.1 分类问题 203
9.1.1 Fashion_mnist数据集 203
9.1.2 Cifar10数据集 217
9.1.3 mnist数据集 228
9.1.4 Iris数据集 234
9.1.5 Wine数据集 240
9.2 回归问题 245
9.2.1 腾讯股票数据集 246
9.2.2 北京空气质量PM2.5数据集 259
9.3 自然语言处理 276
|
| 內容試閱：
|
本书致力于为读者提供深度学习与人工智能的入门知识。通过系统而全面的学习路径，使读者能够深入了解深度学习的核心技术，从Python语言程序设计基础到Keras框架的使用，全方位地覆盖了人工智能领域的关键知识。
首先，本书从Python语言程序设计基础出发，详细介绍了Python的开发环境、编程基础、基本数据类型、赋值、流程控制、函数及文件和目录方法的原理，以及使用?NumPy?库和Matplotlib库。这一部分内容为读者提供了扎实的Python编程知识，为后续深度学习和人工智能的学习打下了坚实的基础。
其次，在?Keras?框架部分，本书详细介绍了与深度学习相关的?API，包括网络层、数据预处理、模型搭建法等方面的内容。读者将学会如何应用Keras中的各种功能，构建卷积神经网络、循环神经网络等深度学习模型，从而更好地理解和运用深度学习技术。此外，本书还涵盖了模型训练过程中的重要概念，如优化器、损失函数、学习率、正则化等。通过对这些内容的深入讲解，读者能够更灵活地配置深度学习模型，优化其性能。
最后，本书通过实际案例展示了如何应用深度学习模型解决分类问题、回归问题及自然语言处理问题。通过本书的学习，读者将掌握深度学习的整个解决流程，从理论到实践，为进一步深入学习和应用人工智能领域的相关知识打下坚实基础。
希望本书能够成为深度学习和应用深度学习的得力助手，为读者在人工智能领域的探索之路提供有力支持。祝愿每位读者在阅读本书的过程中收获满满，取得更多的人工智能知识和技能。
编 者
2024年1月
|
|
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
