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

Keras深度學習(入門實戰與進階)/智能系統與技術叢書

  • 作者：謝佳標|責編:楊?國//李藝
  • 出版社：機械工業
  • ISBN：9787111691501
  • 出版日期：2021/10/01
  • 裝幀：平裝
  • 頁數：413
人民幣：RMB 109 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一本理論與實踐兼顧的深度學習著作，它通過精心的內容組織和豐富的案例講解，幫助讀者零基礎入門，並迅速晉級為有一定理論基礎和項目實戰能力的高手。
    基礎方面，不僅介紹了Keras等各種深度學習框架的使用和開發環境的搭建，還對深度學習的基礎知識做了全面講解；
    理論方面，詳細講解了全連接神經網路、卷積神經網路、循環神經網路、自編碼器和生成式對抗網路等核心神經網路的原理和應用；
    應用層面，不僅講解了如何用Keras開發各種深度學習模型，還講解了深度學習在圖像處理和文本處理兩大核心場景的應用；
    實戰方面，每個深度學習模型原理的背後都有精心設計的Keras實現代碼，每章都有多個綜合性案例，讀者可以在調試和執行代碼的過程中掌握深度學習模型設計與開發的各種方法和技巧。
    本書內容結構合理，重點突出；寫作方式循序漸進，易於讀者理解；行文風格幽默風趣，讀起來不枯燥。
作者介紹
謝佳標|責編:楊?國//李藝
    謝佳標 資深數據分析與挖掘專家，有近10年的數據分析與挖掘相關工作的經驗，從事過電商、電購、電力和遊戲等行業，熟悉不同行業的數據特點，有豐富的R語言數據挖掘的實戰經驗。微軟中國最有價值專家(MVP)。     目前供職於國內知名遊戲公司——樂逗遊戲，任高級數據分析師。作為創夢天地數據挖掘組負責人，帶領團隊搭建用戶畫像標籤庫和智能推薦系統，對遊戲數據進行深度挖掘，主要利用R語言進行大數據的挖掘和可視化工作。     多次受邀在中國R語言大會上發表演講，曾受邀在中山大學、貴州大學、華南師範大學、廈門大學等多所高校做R語言主題分享。同時還研發了《R語言基礎培訓》《數據分析之R語言實戰》《機器學習與R語言實踐》《Rattle：可視化數據挖掘工具》《R語言行業案例實戰》等有影響力的精品課程，合著有《R語言與數據挖掘》和《數據實踐之美》等書籍。
目錄
前言
第1章  準備深度學習的環境
  1.1  機器學習與深度學習
  1.2  主流深度學習框架介紹
    1.2.1  TensorFlow
    1.2.2  Keras
    1.2.3  Caffe
    1.2.4  PyTorch
    1.2.5  Theano
    1.2.6  CNTK
    1.2.7  MXNet
    1.2.8  ONNX
  1.3  配置深度學習的軟體環境
    1.3.1  安裝Anaconda
    1.3.2  在Anaconda中安裝TensorFlow
    1.3.3  在Anaconda中安裝Keras
    1.3.4  安裝R和RStudio
    1.3.5  在RStudio中安裝TensorFlow
    1.3.6  在RStudio中安裝Keras
  1.4  Keras構建深度學習模型
    1.4.1  MNIST數據集
    1.4.2  數據預處理
    1.4.3  模型建立及訓練
    1.4.4  模型評估及預測
  1.5  本章小結
第2章  深度學習簡介
  2.1  神經網路基礎
    2.1.1  神經元
    2.1.2  激活函數
    2.1.3  神經網路的拓撲結構
    2.1.4  神經網路的主要類型
    2.1.5  損失函數
  2.2  優化網路的方法
    2.2.1  梯度下降演算法
    2.2.2  自適應學習率演算法
  2.3  防止模型過擬合
    2.3.1  過擬合與欠擬合
    2.3.2  正則化的方法
    2.3.3  數據拆分
    2.3.4  Dropout
  2.4  綜合實例：電信流失用戶預測
    2.4.1  數據預處理
    2.4.2  選擇優化器
    2.4.3  增加內部隱藏層神經元數量
    2.4.4  採用正則化避免過擬合
  2.5  本章小結
第3章  如何用Keras開發深度學習模型
  3.1  Keras模型的生命周期
    3.1.1  數據預處理
    3.1.2  定義網路

    3.1.3  編譯網路
    3.1.4  訓練網路
    3.1.5  評估網路
    3.1.6  做出預測
  3.2  Keras模型
    3.2.1  序貫模型
    3.2.2  使用函數式API創建的模型
  3.3  模型可視化
    3.3.1  網路拓撲可視化
    3.3.2  模型訓練可視化
    3.3.3  TensorBoard可視化
  3.4  Keras中的回調函數
    3.4.1  回調函數介紹
    3.3.2  使用回調函數尋找第優模型
  3.5  模型保存及序列化
    3.5.1  使用HDF5格式保存模型
    3.5.2  使用JSON格式保存模型
    3.5.3  使用YAML格式保存模型
  3.6  本章小結
第4章  深度學習的圖像數據預處理
  4.1  圖像處理EBImage包
    4.1.1  圖像讀取與保存
    4.1.2  圖像對象和矩陣
    4.1.3  色彩管理
    4.1.4  圖像處理
    4.1.5  空間變換
    4.1.6  圖像濾波
    4.1.7  形態運算
    4.1.8  圖像分割
  4.2  利用Keras進行圖像預處理
    4.2.1  圖像讀取與保存
    4.2.2  圖像生成器image_data_generator
    4.2.3  image_data_generator實例
  4.3  綜合實例：對彩色花圖像進行分類
    4.3.1  圖像數據讀取及探索
    4.3.2  MLP模型建立及預測
    4.3.3  CNN模型建立與預測
    4.3.4  利用數據增強改善CNN模型
  4.4  本章小結
第5章  全連接神經網路的經典實例
  5.1  回歸問題實例：波士頓房價預測
    5.1.1  波士頓房價數據描述
    5.1.2  波士頓房價數據預處理
    5.1.3  波士頓房價預測
  5.2  多分類實例：鳶尾花分類
    5.2.1  鳶尾花數據描述
    5.2.2  鳶尾花數據預處理
    5.2.3  鳶尾花分類建模
  5.3  二分類實例：印第安人糖尿病診斷
    5.3.1  印第安人糖尿病數據描述

    5.3.2  印第安人糖尿病數據預處理
    5.3.3  印第安人糖尿病診斷建模
  5.4  二分類實例：泰坦尼克號上旅客生存預測
    5.4.1  泰坦尼克號的旅客數據描述
    5.4.2  泰坦尼克號的旅客數據預處理
    5.4.3  生存預測建模
  5.5  多分類實例：彩色手寫數字圖像識別
    5.5.1  彩色手寫數字圖像數據描述
    5.5.2  彩色手寫數字圖像數據預處理
    5.5.3  彩色手寫數字圖像數據建模
  5.6  本章小結
第6章  卷積神經網路及圖像分類
  6.1  卷積神經網路原理
    6.1.1  卷積層
    6.1.2  卷積層的Keras實現
    6.1.3  池化層
    6.1.4  池化層的Keras實現
    6.1.5  全連接層
  6.2  多分類實例：小數據集的圖像識別
    6.2.1  導入本地圖像數據
    6.2.2  圖像數據預處理
    6.2.3  建立全連接神經網路模型識別小數據集圖像
    6.2.4  建立簡單卷積神經網路識別小數據集圖像
    6.2.5  建立複雜卷積神經網路識別小數據集圖像
  6.3  多分類實例：彩色手寫數字圖像識別
    6.3.1  導入及處理本地手寫數字圖像
    6.3.2  MNIST數據預處理
    6.3.3  構建簡單卷積神經網路識別彩色手寫數字
    6.3.4  構建複雜卷積神經網路識別彩色手寫數字
  6.4  多分類實例：CIFAR-10圖像識別
    6.4.1  CIFAR-10數據描述
    6.4.2  載入CIFAR-10數據
    6.4.3  CIFAR-10數據預處理
    6.4.4  構建簡單卷積神經網路識別CIFAR-10圖像
    6.4.5  構建複雜卷積神經網路識別CIFAR-10圖像
  6.5  本章小結
第7章  循環神經網路
  7.1  簡單循環網路
    7.1.1  簡單循環網路基本原理
    7.1.2  簡單循環網路的Keras實現
    7.1.3  多分類實例：SimpleRNN實現手寫數字識別
    7.1.4  回歸問題實例：SimpleRNN預測紐約出生人口數量
  7.2  長短期記憶網路（LSTM）
    7.2.1  LSTM基本原理
    7.2.2  LSTM的Keras實現
    7.2.3  回歸問題實例：LSTM預測股價
  7.3  門控循環單元（GRU）
    7.3.1  GRU基本原理
    7.3.2  GRU的Keras實現
    7.3.3  回歸問題實例：基於GRU網路的溫度預測

  7.4  本章小結
第8章  自編碼器
  8.1  自編碼器介紹
    8.1.1  自編碼器的基本結構
    8.1.2  使用Keras建立簡單自編碼器
    8.1.3  稀疏自編碼器
    8.1.4  降噪自編碼器
    8.1.5  棧式自編碼器
  8.2  實例：使用自編碼器預測信用風險
    8.2.1  數據理解
    8.2.2  數據預處理
    8.2.3  構建自編碼器
    8.2.4  模型訓練
    8.2.5  模型預測
  8.3  實例：使用自編碼器建立推薦系統
    8.3.1  數據理解
    8.3.2  數據預處理
    8.3.3  構建自編碼器
    8.3.4  模型訓練
    8.3.5  模型預測
  8.4  本章小結
第9章  生成式對抗網路
  9.1  生成式對抗網路簡介
  9.2  實例：使用GAN生成手寫數字
    9.2.1  數據準備
    9.2.2  構建生成器
    9.2.3  構建判別器
    9.2.4  生成GAN模型
    9.2.5  訓練GAN模型
  9.3  實例：深度卷積生成式對抗網路
    9.3.1  構建生成器
    9.3.2  構建判別器
    9.3.3  編譯模型
    9.3.4  訓練DCGAN模型
  9.4  本章小結
第10章  使用R語言進行文本挖掘
  10.1  文本挖掘流程
  10.2  相關R包簡介及安裝
    10.2.1  tm包簡介及安裝
    10.2.2  tmcn包簡介及安裝
    10.2.3  Rwordseg包簡介及安裝
    10.2.4  jiebaR包簡介及安裝
    10.2.5  tidytext包簡介及安裝
  10.3  tm包快速上手
    10.3.1  數據讀寫
    10.3.2  語料庫轉換
    10.3.3  語料庫過濾
    10.3.4  元數據管理
    10.3.5  詞條-文檔關係矩陣
  10.4  tmcn包快速上手

    10.4.1  中文語料資源
    10.4.2  中文編碼轉換
    10.4.3  字元操作
  10.5  Rwordseg包快速上手
    10.5.1  中文分詞
    10.5.2  添加和卸載自定義詞典
  10.6  jiebaR包快速上手
    10.6.1  分詞引擎
    10.6.2  自定義詞典
    10.6.3  停止詞過濾
    10.6.4  關鍵詞提取
  10.7  tidytext包快速上手
    10.7.1  整潔文本格式
    10.7.2  使用tidy處理中國四大名著
    10.7.3  對中國四大名著進行詞頻統計
    10.7.4  非整潔格式轉換
  10.8  本章小結
第11章  如何使用Keras處理文本數據
  11.1  使用text_to_word_sequence分詞
  11.2  使用獨熱編碼
  11.3  分詞器Tokenizer
  11.4  使用pad_sequences填充文本序列
  11.5  詞嵌入
    11.5.1  學習詞嵌入
    11.5.2  實例：學習詞嵌入
    11.5.3  預訓練詞嵌入
    11.5.4  實例：預訓練GloVe嵌入
  11.6  本章小結
第12章  情感分析實例：IMDB影評情感分析
  12.1  IMDB數據集
    12.1.1  載入IMDB數據集
    12.1.2  查看IMDB數據集
  12.2  利用機器學習進行情感分析
    12.2.1  數據預處理
    12.2.2  機器學習預測情感
  12.3  利用深度學習進行情感分析
    12.3.1  數據預處理
    12.3.2  多層感知器模型
    12.3.3  卷積神經網路模型
    12.3.4  RNN模型
    12.3.5  LSTM模型
    12.3.6  GRU模型
  12.4  本章小結
第13章  中文文本分類實例：新浪新聞分類實例
  13.1  SPORT數據集
  13.2  利用機器學習進行文本分類
    13.2.1  數據預處理
    13.2.2  數據分區
    13.2.3  機器學習建模
  13.3  利用深度學習進行文本分類

    13.3.1  數據預處理
    13.3.2  多層感知器模型
    13.3.3  一維卷積神經網路模型
    13.3.4  RNN模型
    13.3.5  LSTM模型
    13.3.6  GRU模型
    13.3.7  雙向LSTM模型
    13.3.8  比較深度學習模型的預測效果
  13.4  本章小結
第14章  通過預訓練模型實現遷移學習
  14.1  遷移學習概述
  14.2  Keras預訓練模型概述
  14.3  VGGNet卷積網路模型
    14.3.1  VGGNet概述
    14.3.2  載入預訓練VGG16網路
    14.3.3  預測單張圖像內容
    14.3.4  預測多張圖像內容
    14.3.5  提取預訓練網路輸出特徵實現花卉圖像分類器
  14.4  ResNet卷積網路模型
    14.4.1  ResNet概述
    14.4.2  ResNet50的Keras實現
  14.5  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