深度学习:基于KERAS的PYTHON实践
相关资料
[
深度学习是目前很热的领域之一。迅速上手想必是每个想跨入深度学习开发行列的人*关心的问题。本书面向对深度学习算法有一定了解的人群，全面讲解了如何利用 Python 建立、评估并且改善模型。本书中有别于传统书籍的编排方式，循序渐进，对所有知识点均提供了大量的实例，中间穿插了简洁的理论知识介绍，娓娓道来，让读者在实践中迅速上手，达到事半功倍的效果，是掌握 Deep Learning 的必读之作。
—— 张亮，副合伙人， IBM 客户创新中心银行事业部负责人
Watson 是 IBM 在认知计算系统领域内的杰出代表，IBM 在机器学习、深度学习等领域有丰富的理论和实践。本书作者结合 IBM 的先进实践和中国国内热度较高的开源产品，一步一步浅显易懂地讲解如何学习和掌握 Google 的 TensorFlow、微软的 CNTK 和著名 Python 类库 Keras。本书介绍了如何使用阿里云的 GPU 云服务来加速大型深度学习模型的训练，为了让读者可以边读边练，作者把源代码放到了 GitHub 上，方便查阅。详细地介绍了卷积神经网络（CNN）和循环神经网络（RNN）等理论，并通过手写数字识别、图像识别、情感分析、时间序列预测、影评序列分类、多变量时间序列预测等深度学习热点应用方向，对理论知识进行了详细的介绍和实践应用说明。
本书条理清晰，理论和实践相结合，非常值得阅读。
—— 王德会，IBM 副合伙人，IBM 客户创新中心对日保险事业部负责人
]
本书特色
[
本书系统的讲解了深度的基本知识，以及使用机器学习解决实际问题，详细的介绍了如何构建及优化模型，并针对不同的问题给出了不同的解决方案，通过不同的例子展示了具体的项目中的应用和实践经验，是一本非常好的深度学习的入门和实践的书籍。本书以实践为导向，使用 Keras作为编程框架，强调简单，快速的上手建立模型，解决实际项目问题。读者可以根据本书的理解，迅速上手实践深度学习，并利用深度学习解决实际的问题。本书非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。
]
内容简介
[
本书系统的讲解了深度的基本知识，以及使用机器学习解决实际问题，详细的介绍了如何构建及优化模型，并针对不同的问题给出了不同的解决方案，通过不同的例子展示了具体的项目中的应用和实践经验，是一本很好好的深度学习的入门和实践的书籍。本书以实践为导向，使用 Keras作为编程框架，强调简单，快速的上手建立模型，解决实际项目问题。读者可以根据本书的理解，迅速上手实践深度学习，并利用深度学习解决实际的问题。本书很好适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。
]
作者简介
[
魏贞原，IBM 高级项目经理，主要负责银行客户的复杂系统开发。同时是 IBM CIC量子计算 COE 团队的 Python 领域专家（Subject Matter Expert），负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号，定期分享 Python 在机器学习和深度学习中的实践知识。
]
目录
01部分 初识
1 初识深度学习/21.1 Python的深度学习/21.2 软件环境和基本要求/31.2.1 Python和SciPy/31.2.2 机器学习/31.2.3 深度学习/41.3 阅读本书的收获/41.4 本书说明/41.5 本书中的代码/52 深度学习生态圈/62.1 CNTK/62.1.1 安装CNTK/72.1.2 CNTK的简单例子/82.2 TensorFlow/82.2.1 TensorFlow介绍/82.2.2 安装TensorFlow/92.2.3 TensorFlow的简单例子/92.3 Keras/102.3.1 Keras简介/112.3.2 Keras安装/112.3.3 配置Keras的后端/112.3.4 使用Keras构建深度学习模型/122.4 云端GPUs计算/13
第二部分 多层感知器
3 **个多层感知器实例：印第安人糖尿病诊断/163.1 概述/163.2 Pima Indians数据集/173.3 导入数据/183.4 定义模型/193.5 编译模型/203.6 训练模型/213.7 评估模型/213.8 汇总代码/224 多层感知器速成/244.1 多层感知器/244.2 神经元/254.2.1 神经元权重/254.2.2 激活函数/264.3 神经网络/274.3.1 输入层（可视层）/284.3.2 隐藏层/284.3.3 输出层/284.4 训练神经网络/294.4.1 准备数据/294.4.2 随机梯度下降算法/304.4.3 权重更新/304.4.4 预测新数据/315 评估深度学习模型/335.1 深度学习模型和评估/335.2 自动评估/345.3 手动评估/365.3.1 手动分离数据集并评估/365.3.2 k折交叉验证/376 在Keras中使用Scikit-Learn/406.1 使用交叉验证评估模型/416.2 深度学习模型调参/427 多分类实例：鸢尾花分类/497.1 问题分析/497.2 导入数据/507.3 定义神经网络模型/507.4 评估模型/527.5 汇总代码/528 回归问题实例：波士顿房价预测/548.1 问题描述/548.2 构建基准模型/558.3 数据预处理/578.4 调参隐藏层和神经元/589 二分类实例：银行营销分类/619.1 问题描述/619.2 数据导入与预处理/629.3 构建基准模型/649.4 数据格式化/669.5 调参网络拓扑图/6610 多层感知器进阶/6810.1 JSON序列化模型/6810.2 YAML序列化模型/7410.3 模型增量更新/7810.4 神经网络的检查点/8110.4.1 检查点跟踪神经网络模型/8210.4.2 自动保存*优模型/8410.4.3 从检查点导入模型/8610.5 模型训练过程可视化/8711 Dropout与学习率衰减9211.1 神经网络中的Dropout/9211.2 在Keras中使用Dropout/9311.2.1 输入层使用Dropout/9411.2.2 在隐藏层使用Dropout/9511.2.3 Dropout的使用技巧/9711.3 学习率衰减/9711.3.1 学习率线性衰减/9811.3.2 学习率指数衰减/10011.3.3 学习率衰减的使用技巧/103第三部分 卷积神经网络12 卷积神经网络速成/10612.1 卷积层/10812.1.1 滤波器/10812.1.2 特征图/10912.2 池化层/10912.3 全连接层/10912.4 卷积神经网络案例/11013 手写数字识别/11213.1 问题描述/11213.2 导入数据/11313.3 多层感知器模型/11413.4 简单卷积神经网络/11713.5 复杂卷积神经网络/12014 Keras中的图像增强/12414.1 Keras中的图像增强API/12414.2 增强前的图像/12514.3 特征标准化/12614.4 ZCA白化/12814.5 随机旋转、移动、剪切和反转图像/12914.6 保存增强后的图像/13215 图像识别实例：CIFAR-10分类/13415.1 问题描述/13415.2 导入数据/13515.3 简单卷积神经网络/13615.4 大型卷积神经网络/14015.5 改进模型/14516 情感分析实例：IMDB影评情感分析/15216.1 问题描述/15216.2 导入数据/15316.3 词嵌入/15416.4 多层感知器模型/15516.5 卷积神经网络/157第四部分 循环神经网络17 循环神经网络速成/16217.1 处理序列问题的神经网络/16317.2 循环神经网络/16417.3 长短期记忆网络/16518 多层感知器的时间序列预测：国际旅行人数预测/16718.1 问题描述/16718.2 导入数据/16818.3 多层感知器/16918.4 使用窗口方法的多层感知器/17219 LSTM时间序列问题预测：国际旅行人数预测17719.1 LSTM处理回归问题/17719.2 使用窗口方法的LSTM回归/18119.3 使用时间步长的LSTM回归/18519.4 LSTM的批次间记忆/18819.5 堆叠LSTM的批次间记忆/19220 序列分类：IMDB影评分类/19720.1 问题描述/19720.2 简单LSTM/19720.3 使用Dropout改进过拟合/19920.4 混合使用LSTM和CNN/20121 多变量时间序列预测：PM2.5预报/20321.1 问题描述/20321.2 数据导入与准备/20421.3 构建数据集/20621.4 简单LSTM/20722 文本生成实例：爱丽丝梦游仙境/21122.1 问题描述/21122.2 导入数据/21222.3 分词与向量化/21222.4 词云/21322.5 简单LSTM/21522.6 生成文本/219附录A 深度学习的基本概念/223A.1 神经网络基础/223A.2 卷积神经网络/227A.3 循环神经网络/229
封面
书名:深度学习:基于KERAS的PYTHON实践
作者:魏贞原
页数:244
定价:¥59.0
出版社:电子工业出版社
出版日期:2017-06-01
ISBN:9787121341472
PDF电子书大小:58MB 高清扫描完整版
本文标题：《深度学习:基于KERAS的PYTHON实践》PDF下载
资源仅供学习参考，禁止用于商业用途，请在下载后24小时内删除！