【缺書】NT售價: 250 元
本書旨在為讀者提供關于深度學習的速成課程。讀者最好具有某種現代語言的基本編程技能。如果讀者具有Python編程經驗,則相當完美,但不是必需的。鑒于我們可以介紹的內容廣度和深度的局限性,本書旨在使初學者能夠深入了解深度學習知識,包括模型開發方面的實操經驗,這將有助于讀者在深度學習領域打下基礎。如果讀者水平高于初學者級別,并熱衷于探索深度學習高級主題,例如計算機視覺、語音識別等,則不建議使用本書。關于CNN、RNN和現代無監督學習算法方面的主題,超出了本書討論范圍。我們僅對這些內容進行簡要介紹,以使讀者初步了解這些較高級的主題,另外提供一些推薦資源,以便讀者更詳細地探索這些主題。本書涵蓋內容本書聚焦于以數學和編程友好的抽象方式向讀者提供探索實用深度學習概念的快速方法。讀者將學習使用業界最流行的Keras框架設計、開發、訓練、驗證和部署深度神經網絡。讀者還將掌握關于調試和驗證深度學習模型的最佳實踐經驗,了解如何將深度學習作為服務部署和集成到更大的軟件服務或產品中。最后,借助基于Keras構建深度學習模型所獲得的經驗,讀者還可以將相同的原理推廣到其他流行框架中。本書讀者對象本書主要面向那些為謀求事業發展而熱衷于探索深度學習的軟件工程師和數據工程師。我們了解讀者大多時間緊迫,也了解讀者為了快速消化新知識會感到痛楚。此外,本書還面向數據科學愛好者,以及將深度學習作為研究和實驗工具的學術和科研人員。本書學習方式本書遵循“惰性”編程方法。首先介紹基本情況,然后在每個步驟中逐步針對上下文展開。我們將清晰地討論每個基本模塊的工作方式,然后分析可用于實現它們的抽象原理。本書組織結構本書分為三部分,每部分包含兩章。第Ⅰ部分呈現快速了解深度學習需要的所有必要工具。第1章介紹深度學習的主題,詳細介紹了它與相似領域的區別,并通過較深入地分析Keras生態系統來探索深度學習框架的選擇。第2章將幫助讀者開始利用Keras開展動手練習,了解深度學習的基本模塊并開發第一個基本的深度神經網絡。第Ⅱ部分用簡單明了的語言介紹深度學習基礎知識,同時以最少的代碼抽象化模型訓練和驗證的復雜性,抽象化數學原理的復雜性,但又不失靈活性、規模和必要的精確性。第3章探討一個可通過深度神經網絡監督學習算法解決的業務問題。利用流行的Kaggle數據集,求解一個回歸應用場景問題和另一個分類應用場景問題。第4章深入研究深度神經網絡的驗證技巧(即如何度量性能以及查找缺陷和避免缺陷)。第Ⅲ部分講述模型改進和未來的學習方向。第5章討論深度學習中一個有趣且具有挑戰性的部分(即超參數調優)。第6章討論進一步錘煉技能的學習方向,并討論深度學習中的一些研究領域。通過本書的學習,讀者將在最短時間內全面了解深度學習原理,并獲得利用Keras開發企業級深度學習解決方案的實踐經驗。源代碼下載讀者可訪問和下載源代碼。也可掃封底二維碼直接下載。
主要內容● 用數學和編程思維快速掌握實用的深度學習概念● 利用Keras框架設計、開發、訓練、驗證和部署深度神經網絡● 呈現調試和驗證深度學習模型的最佳實踐● 將深度學習作為服務部署并集成到大型軟件服務或產品中● 將深度學習基本原理擴展到其他主流框架
第1章深度學習和Keras簡介11.1深度學習簡介11.1.1揭開流行術語的神秘面紗11.1.2深度學習可求解當今世界中的哪些經典問題41.1.3深度學習模型分解41.2探索流行的深度學習框架61.2.1低級深度學習框架71.2.2高級深度學習框架91.3初步了解Keras框架101.3.1準備數據111.3.2定義模型結構121.3.3訓練模型和預測121.4本章小結12第2章上手Keras132.1設置環境132.1.1選擇Python版本132.1.2在Windows、Linux或macOS中安裝Python142.1.3安裝Keras和TensorFlow后端142.2Keras深度學習入門162.2.1輸入數據172.2.2神經元182.2.3激活函數192.2.4sigmoid激活函數192.2.5模型212.2.6層222.2.7損失函數242.2.8優化器262.2.9評價指標292.2.10配置模型302.2.11訓練模型302.2.12模型評估332.3組合所有基本模塊342.4本章小結39第3章基于深度神經網絡的監督學習:回歸413.1引言413.2問題表述433.2.1為什么利用一種設計原則來表示問題表述很重要433.2.2設計SCQ443.2.3設計解決方案453.3探索數據463.3.1查看數據字典483.3.2查找數據類型503.3.3處理時間513.3.4預測銷售額533.3.5探索數值列543.3.6了解分類特征563.4數據工程603.5定義模型的基準性能643.6設計深度神經網絡653.6.1測試模型性能683.6.2改進模型683.6.3增加神經元數量713.6.4繪制跨歷元的損失指標曲線733.6.5人工測試模型743.7本章小結75第4章基于深度神經網絡的監督學習:分類774.1引言774.2問題表述784.2.1設計SCQ784.2.2設計解決方案794.3探索數據804.4數據工程844.5定義模型的準確率基準894.6設計分類深度神經網絡904.7重訪數據944.7.1標準化、歸一化和縮放數據944.7.2轉換輸入數據954.8基于改進數據的分類深度神經網絡964.9本章小結101第5章深度神經網絡調優與部署1035.1過擬合問題1035.2什么是正則化1045.2.1L1正則化1055.2.2L2正則化1065.2.3丟棄正則化1065.3超參數調優1075.3.1深度學習中的超參數1085.3.2超參數調優方法1115.4模型部署1145.4.1定制測試數據1145.4.2將模型保存到內存1165.4.3用新數據重新訓練模型1175.4.4在線模型1175.4.5以API形式交付模型1185.4.6組件集成1185.5本章小結119第6章未來的學習方向1216.1下一步需掌握的深度學習專業知識1216.1.1CNN1226.1.2RNN1256.1.3CNN+RNN1276.2為什么深度學習需要GPU1286.3深度學習的其他熱門領域1306.4結束寄語131