幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

Python深度學習應用

  • 作者：(加)亞歷克斯·蓋利//(古)路易斯·卡佩羅|責編:郭賽|譯者:高凱//吳林芳//李嬌娥//朱玉
  • 出版社：清華大學
  • ISBN：9787302541967
  • 出版日期：2020/07/01
  • 裝幀：平裝
  • 頁數：216
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書介紹Jupyter、數據清洗、高級機器學習、網頁爬蟲、互動式可視化、神經網路、深度學習、模型構建、模型評估與優化、產品化處理等有關深度學習應用方面的內容。本書理論與實踐並重、體系完整、內容新穎、條理清晰、組織合理、強調實踐，包括使用scikit-learn、TensorFlow和Keras創建智能系統和機器學習解決方案，並將論述的重點放在實現和實踐上，以便讓讀者更好地了解Python深度學習應用的實現細節。
    本書適合所有對Python深度學習感興趣的人士閱讀。
作者介紹
(加)亞歷克斯·蓋利//(古)路易斯·卡佩羅|責編:郭賽|譯者:高凱//吳林芳//李嬌娥//朱玉
目錄
第1章  Jupyter基礎
  1.1  基本功能與特徵
    1.1.1  Jupyter Notebook是什麼，為什麼它如此有用
    1.1.2  Jupyter Notebook概覽
    1.1.3  Jupyter特色
    1.1.4  Python庫
  1.2  第一個數據分析實例——基於波士頓住房數據集
    1.2.1  使用Pandas DataFrame載入數據集
    1.2.2  數據集
    1.2.3  基於Jupyter Notebook的預測分析簡介
    1.2.4  實踐: 構建一個基於三階多項式的模型
    1.2.5  使用分類特徵完成對數據集的分段分析
  1.3  本章小結
第2章  數據清洗和高級機器學習
  2.1  準備訓練預測模型
    2.1.1  確定預測分析計劃
    2.1.2  機器學習的數據預處理
    2.1.3  實踐: 準備訓練「員工去留問題」的預測模型
  2.2  訓練分類模型
    2.2.1  分類演算法簡介
    2.2.2  使用k折交叉驗證和驗證曲線評估模型
    2.2.3  降維技術
    2.2.4  訓練員工去留問題的預測模型
  2.3  本章小結
第3章  網頁信息採集和互動式可視化
  3.1  採集網頁信息
    3.1.1  HTTP請求簡介
    3.1.2  在Jupyter Notebook中實現HTTP請求
    3.1.3  在Jupyter Notebook中解析HTML
    3.1.4  實踐: 在Jupyter Notebook中實現網頁信息採集
  3.2  交互可視化
    3.2.1  構建DataFrame以存儲和組織數據
    3.2.2  Bokeh簡介
    3.2.3  實例: 使用互動式可視化探索數據
  3.3  本章小結
第4章  神經網路與深度學習概述
  4.1  什麼是神經網路
    4.1.1  成功的應用案例
    4.1.2  為什麼神經網路能夠表現得如此出色
    4.1.3  深度學習的局限性
    4.1.4  神經網路的一般構成和操作
  4.2  配置深度學習環境
    4.2.1  用於深度學習的軟體組件
    4.2.2  實例: 驗證軟體組件
    4.2.3  探索一個訓練好的神經網路
    4.2.4  實例: 探索一個訓練好的神經網路
  4.3  本章小結
第5章模型體系結構
  5.1  選擇合適的模型體系結構
    5.1.1  常見的體系結構

    5.1.2  數據標準化
    5.1.3  構建您的問題
    5.1.4  實例: 探索比特幣數據集，為模型準備數據
  5.2  使用Keras作為TensorFlow介面
    5.2.1  模型組件
    5.2.2  實例: 使用Keras創建TensorFlow模型
    5.2.3  從數據準備到建模
    5.2.4  訓練神經網路
    5.2.5  調整時間序列數據維度
    5.2.6  預測數據
    5.2.7  實例: 組建深度學習系統
  5.3  本章小結
第6章模型評估和優化
  6.1  模型評估
    6.1.1  問題類別
    6.1.2  損失函數、準確率和錯誤率
    6.1.3  使用TensorBoard進行可視化
    6.1.4  實現模型評估的測度
    6.1.5  實踐: 創建一個訓練環境
  6.2  超參數優化
    6.2.1  針對神經層和神經元——添加更多的神經層
    6.2.2  迭代步數
    6.2.3  激活函數
    6.2.4  激活函數的實現
    6.2.5  正則化策略
    6.2.6  結果優化
    6.2.7  實踐: 優化神經網路模型
  6.3  本章小結
第7章  產品化
  7.1  處理新數據
    7.1.1  分離數據和模型
    7.1.2  處理新數據
    7.1.3  實例: 處理新數據
  7.2  將模型部署為Web應用程序
    7.2.1  應用架構和技術
    7.2.2  部署和使用cryptonic
    7.2.3  實例: 部署深度學習應用程序
  7.3  本章小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032