深度學習：基于Keras的Python實踐 ( 簡體 字) |
| 作者：魏貞原 | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 49175
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：6/1/2018 |
| 頁數：244 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121341472 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：序言
2017年12月底的上海濕冷依舊，收到貞原《深度學習：基于Keras的Python實踐》的初稿，心里升起一股暖意。人工智能（AI）在2017年可謂家喻戶曉，智能醫療、智能金融及無人駕駛變得不再遙遠，而其背后的深度學習尤為功不可沒，機器學習（ML）是一種實現人工智能的方法，深度學習（DL）則是一種實現機器學習的技術。
國務院于2017年7月出臺了《新一代人工智能發展規劃》，首次從國家戰略的角度闡述對人工智能在產業、技術應用層面的發展展望，并提出了明確的時間表和線路圖，規劃提到：
前瞻布局新一代人工智能重大科技項目。
到2030年，中國人工智能產業競爭力達到國際領先水平。
人工智能核心產業規模超過1萬億元，帶動相關產業規模超過10萬億元。
作為相關領域的從業者，深感任重道遠，作為國家未來的發展方向，AI技術對于經濟發展、產業轉型和科技進步起著至關重要的作用，這里就不得不提“事情很多，人不夠用了”，準確來講應該是人工智能領域方面的專才不夠用，據相關部門2017年的統計，此缺口應該在百萬級以上。
配合國家發展戰略，個別省份已經陸續將人工智能相關學習納入中小學教育，而提到機器學習、深度學習，又不得不提Python，希望讀者可以借鑒貞原的這本書為自己在人工智能的相關職業發展上打開一扇新的大門。
湯志陽（湯米）
IBM中國 副合伙人
IBM客戶創新中心 認知及數據團隊負責人
前言
深度學習是目前人工智能領域中炙手可熱的一種機器學習技術。所謂人工智能是指通過機器模擬人類所特有的“看，聽，說，想，學”等智能的科學技術。關于人工智能的研究起源于1956年，在美國的達特茅斯學院，著名的計算機科學家約翰·麥卡錫，及克勞德·艾爾伍德·香農等眾多的科學家，齊聚一堂，各抒己見，共同探討如何開發“智能機器”，在這次會議中提出了人工智能的概念，這也標志著人工智能的誕生。從人工智能的誕生，到深度學習的火熱，人工智能也跌宕起伏經歷了幾個階段，深度學習的發展一定會給產業和社會帶來翻天覆地的變化。
人工智能的首次熱潮是，1957年美國心理學家弗蘭克·羅森布萊特在參照人腦的神經回路的基礎上構建了最原始的信息處理系統，這一系統被稱為神經網絡。羅森布萊特將自己開發的神經網絡系統命名為“感知器”。感知器實現了初級模型的識別功能，如區分三角形和四邊形，并將其分類。然而，神經網絡的研究很快遇到了瓶頸，美國AI科學家馬文·李·明斯基運用數學理論證明了“感知器甚至不能理解異或運算”。這一發現使神經網絡的研究熱潮迅速冷卻。
20世紀60∼70年代，研究員投身于“符號處理型AI”的研究，又稱“規則庫AI”。“規則庫AI”是直接模擬人類智能行為的一種研究。20世紀80年代前半期，全世界范圍內投入了大量的資金用于“規則庫AI”的研究，所開發的系統稱為專家系統。然而，因為現實生活的時間充斥著大量的例外和各種細微的差距，最終幾乎沒有一個專家系統能夠物盡其用。從20世紀80年代末期開始，AI研發進入一段很長時間的低迷期，被稱為“AI的冬天”。
在AI黯然退場的這段時間里，一種全新理念的AI研究悄然萌芽，這就是將“統計與概率推理理論”引入AI系統。在這種全新的AI理念中，不得不提貝葉斯定理，這是用來描述兩種概率之間轉換關系的一則定理。1990年之后，全球的Internet有了發展，大量的數據被收集，這讓概率式AI的發展如虎添翼。另外，概率式AI也存在問題和局限性，首先，概率式AI不能真正地理解事物。其次，概率式AI的性能有限。
為了解決概率式AI的問題與局限，新一代的AI技術走入了人們的視野，這就是“深度神經網絡”，又叫作“深度學習”，原本衰退的神經網絡技術浴火重生。早期的神經網絡的感知器只有兩層，即信息的輸入層和輸出層。而現在的神經網絡則是多層結構，在輸入層和輸出層之間還存在多層重疊的隱藏層。
目前，深度學習被廣泛地應用在圖像識別、自然語言處理、自動駕駛等領域，并取得了很高的成就。同時，隨著物聯網技術的發展，大量的數據被收集，為深度學習提供了豐富的數據，對深度學習模型的建立提供了數據基礎。有了充分的數據做基礎，利用深度學習技術就能演繹出更聰明的算法。在這一次AI技術的浪潮中，大量的數據為深度學習提供了材料，使深度學習得以迅速發展。對深度學習的掌握也是每一個AI開發者必需的技能。希望本書能為讀者開啟通往深度學習的大門。 |
內容簡介：本書系統的講解了深度的基本知識，以及使用機器學習解決實際問題，詳細的介紹了如何構建及優化模型，并針對不同的問題給出了不同的解決方案，通過不同的例子展示了具體的項目中的應用和實踐經驗，是一本非常好的深度學習的入門和實踐的書籍。本書以實踐為導向，使用 Keras作為編程框架，強調簡單，快速的上手建立模型，解決實際項目問題。讀者可以根據本書的理解，迅速上手實踐深度學習，并利用深度學習解決實際的問題。本書非常適合于項目經理，有意從事機器學習開發的程序員，以及高校在讀相關專業的學生。 |
目錄：第一部分 初識
1 初識深度學習/2
1.1 Python的深度學習/2
1.2 軟件環境和基本要求/3
1.2.1 Python和SciPy/3
1.2.2 機器學習/3
1.2.3 深度學習/4
1.3 閱讀本書的收獲/4
1.4 本書說明/4
1.5 本書中的代碼/5
2 深度學習生態圈/6
2.1 CNTK/6
2.1.1 安裝CNTK/7
2.1.2 CNTK的簡單例子/8
2.2 TensorFlow/8
2.2.1 TensorFlow介紹/8
2.2.2 安裝TensorFlow/9
2.2.3 TensorFlow的簡單例子/9
2.3 Keras/10
2.3.1 Keras簡介/11
2.3.2 Keras安裝/11
2.3.3 配置Keras的后端/11
2.3.4 使用Keras構建深度學習模型/12
2.4 云端GPUs計算/13
第二部分 多層感知器
3 第一個多層感知器實例：印第安人糖尿病診斷/16
3.1 概述/16
3.2 Pima Indians數據集/17
3.3 導入數據/18
3.4 定義模型/19
3.5 編譯模型/20
3.6 訓練模型/21
3.7 評估模型/21
3.8 匯總代碼/22
4 多層感知器速成/24
4.1 多層感知器/24
4.2 神經元/25
4.2.1 神經元權重/25
4.2.2 激活函數/26
4.3 神經網絡/27
4.3.1 輸入層（可視層）/28
4.3.2 隱藏層/28
4.3.3 輸出層/28
4.4 訓練神經網絡/29
4.4.1 準備數據/29
4.4.2 隨機梯度下降算法/30
4.4.3 權重更新/30
4.4.4 預測新數據/31
5 評估深度學習模型/33
5.1 深度學習模型和評估/33
5.2 自動評估/34
5.3 手動評估/36
5.3.1 手動分離數據集并評估/36
5.3.2 k折交叉驗證/37
6 在Keras中使用Scikit-Learn/40
6.1 使用交叉驗證評估模型/41
6.2 深度學習模型調參/42
7 多分類實例：鳶尾花分類/49
7.1 問題分析/49
7.2 導入數據/50
7.3 定義神經網絡模型/50
7.4 評估模型/52
7.5 匯總代碼/52
8 回歸問題實例：波士頓房價預測/54
8.1 問題描述/54
8.2 構建基準模型/55
8.3 數據預處理/57
8.4 調參隱藏層和神經元/58
9 二分類實例：銀行營銷分類/61
9.1 問題描述/61
9.2 數據導入與預處理/62
9.3 構建基準模型/64
9.4 數據格式化/66
9.5 調參網絡拓撲圖/66
10 多層感知器進階/68
10.1 JSON序列化模型/68
10.2 YAML序列化模型/74
10.3 模型增量更新/78
10.4 神經網絡的檢查點/81
10.4.1 檢查點跟蹤神經網絡模型/82
10.4.2 自動保存最優模型/84
10.4.3 從檢查點導入模型/86
10.5 模型訓練過程可視化/87
11 Dropout與學習率衰減92
11.1 神經網絡中的Dropout/92
11.2 在Keras中使用Dropout/93
11.2.1 輸入層使用Dropout/94
11.2.2 在隱藏層使用Dropout/95
11.2.3 Dropout的使用技巧/97
11.3 學習率衰減/97
11.3.1 學習率線性衰減/98
11.3.2 學習率指數衰減/100
11.3.3 學習率衰減的使用技巧/103
第三部分 卷積神經網絡
12 卷積神經網絡速成/106
12.1 卷積層/108
12.1.1 濾波器/108
12.1.2 特征圖/109
12.2 池化層/109
12.3 全連接層/109
12.4 卷積神經網絡案例/110
13 手寫數字識別/112
13.1 問題描述/112
13.2 導入數據/113
13.3 多層感知器模型/114
13.4 簡單卷積神經網絡/117
13.5 復雜卷積神經網絡/120
14 Keras中的圖像增強/124
14.1 Keras中的圖像增強API/124
14.2 增強前的圖像/125
14.3 特征標準化/126
14.4 ZCA白化/128
14.5 隨機旋轉、移動、剪切和反轉圖像/129
14.6 保存增強后的圖像/132
15 圖像識別實例：CIFAR-10分類/134
15.1 問題描述/134
15.2 導入數據/135
15.3 簡單卷積神經網絡/136
15.4 大型卷積神經網絡/140
15.5 改進模型/145
16 情感分析實例：IMDB影評情感分析/152
16.1 問題描述/152
16.2 導入數據/153
16.3 詞嵌入/154
16.4 多層感知器模型/155
16.5 卷積神經網絡/157
第四部分 循環神經網絡
17 循環神經網絡速成/162
17.1 處理序列問題的神經網絡/163
17.2 循環神經網絡/164
17.3 長短期記憶網絡/165
18 多層感知器的時間序列預測：國際旅行人數預測/167
18.1 問題描述/167
18.2 導入數據/168
18.3 多層感知器/169
18.4 使用窗口方法的多層感知器/172
19 LSTM時間序列問題預測：國際旅行人數預測177
19.1 LSTM處理回歸問題/177
19.2 使用窗口方法的LSTM回歸/181
19.3 使用時間步長的LSTM回歸/185
19.4 LSTM的批次間記憶/188
19.5 堆疊LSTM的批次間記憶/192
20 序列分類：IMDB影評分類/197
20.1 問題描述/197
20.2 簡單LSTM/197
20.3 使用Dropout改進過擬合/199
20.4 混合使用LSTM和CNN/201
21 多變量時間序列預測：PM2.5預報/203
21.1 問題描述/203
21.2 數據導入與準備/204
21.3 構建數據集/206
21.4 簡單LSTM/207
22 文本生成實例：愛麗絲夢游仙境/211
22.1 問題描述/211
22.2 導入數據/212
22.3 分詞與向量化/212
22.4 詞云/213
22.5 簡單LSTM/215
22.6 生成文本/219
附錄A 深度學習的基本概念/223
A.1 神經網絡基礎/223
A.2 卷積神經網絡/227
A.3 循環神經網絡/229 |
| 序： |
