Keras深度神經網絡 ( 簡體 字) |
| 作者：[印] 喬·穆拉伊爾(Jojo Moolayil)著 敖富江 周云彥 杜靜 譯 | 類別：1. -> 程式設計 -> 深度學習
2. -> 程式設計 -> Python |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 52799
詢問書籍請說出此書號！【缺書】
NT售價： 250 元 |
| 出版日：5/1/2020 |
| 頁數： |
| 光碟數：0 |
|
站長推薦：   |
| 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：9787302551638 |
| 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：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。 |
內容簡介：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 |
目錄：第1章深度學習和Keras簡介1
1.1深度學習簡介1
1.1.1揭開流行術語的神秘面紗1
1.1.2深度學習可求解當今世界中的哪些經典問題4
1.1.3深度學習模型分解4
1.2探索流行的深度學習框架6
1.2.1低級深度學習框架7
1.2.2高級深度學習框架9
1.3初步了解Keras框架10
1.3.1準備數據11
1.3.2定義模型結構12
1.3.3訓練模型和預測12
1.4本章小結12
第2章上手Keras13
2.1設置環境13
2.1.1選擇Python版本13
2.1.2在Windows、Linux或macOS中安裝Python14
2.1.3安裝Keras和TensorFlow后端14
2.2Keras深度學習入門16
2.2.1輸入數據17
2.2.2神經元18
2.2.3激活函數19
2.2.4sigmoid激活函數19
2.2.5模型21
2.2.6層22
2.2.7損失函數24
2.2.8優化器26
2.2.9評價指標29
2.2.10配置模型30
2.2.11訓練模型30
2.2.12模型評估33
2.3組合所有基本模塊34
2.4本章小結39
第3章基于深度神經網絡的監督學習：回歸41
3.1引言41
3.2問題表述43
3.2.1為什么利用一種設計原則來表示問題表述很重要43
3.2.2設計SCQ44
3.2.3設計解決方案45
3.3探索數據46
3.3.1查看數據字典48
3.3.2查找數據類型50
3.3.3處理時間51
3.3.4預測銷售額53
3.3.5探索數值列54
3.3.6了解分類特征56
3.4數據工程60
3.5定義模型的基準性能64
3.6設計深度神經網絡65
3.6.1測試模型性能68
3.6.2改進模型68
3.6.3增加神經元數量71
3.6.4繪制跨歷元的損失指標曲線73
3.6.5人工測試模型74
3.7本章小結75
第4章基于深度神經網絡的監督學習：分類77
4.1引言77
4.2問題表述78
4.2.1設計SCQ78
4.2.2設計解決方案79
4.3探索數據80
4.4數據工程84
4.5定義模型的準確率基準89
4.6設計分類深度神經網絡90
4.7重訪數據94
4.7.1標準化、歸一化和縮放數據94
4.7.2轉換輸入數據95
4.8基于改進數據的分類深度神經網絡96
4.9本章小結101
第5章深度神經網絡調優與部署103
5.1過擬合問題103
5.2什么是正則化104
5.2.1L1正則化105
5.2.2L2正則化106
5.2.3丟棄正則化106
5.3超參數調優107
5.3.1深度學習中的超參數108
5.3.2超參數調優方法111
5.4模型部署114
5.4.1定制測試數據114
5.4.2將模型保存到內存116
5.4.3用新數據重新訓練模型117
5.4.4在線模型117
5.4.5以API形式交付模型118
5.4.6組件集成118
5.5本章小結119
第6章未來的學習方向121
6.1下一步需掌握的深度學習專業知識121
6.1.1CNN122
6.1.2RNN125
6.1.3CNN+RNN127
6.2為什么深度學習需要GPU128
6.3深度學習的其他熱門領域130
6.4結束寄語131 |
| 序： |
