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深度學習開發實戰/人工智慧科學與技術叢書

  • 作者：(英)馬修·穆卡姆//瑪拉·阿伯杜拉乃德//瑞提什·巴格瓦特|責編:劉星|譯者:鄒偉//張良謀//劉亞明
  • 出版社：清華大學
  • ISBN：9787302627647
  • 出版日期：2023/05/01
  • 裝幀：平裝
  • 頁數：235
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書共9章。
    第1章：Keras機器學習簡介。本章通過scikit-learn包介紹基礎的機器學習概念。將介紹如何使用數據，然後用一個真實存在的數據集訓練一個邏輯回歸模型。
    第2章：機器學習與深度學習。本章介紹了傳統機器學習演算法和深度學習演算法的不同。您將學習建立神經網路，並學慣用Keras庫建立第一個神經網路所需的線性轉換。
    第3章：Keras深度學習。本章將擴展您對神經網路構建的了解，您將學習如何構建多層神經網路，在訓練數據時判斷模型是否過擬合或欠擬合。
    第4章：基於Keras包裝器的交叉驗證評價模型。本章將教大家如何將Keras模型整合到scikit-learn工作流程中。用交叉驗證來評估您的模型並使用此技術來選擇最佳超參數。
    第5章：模型精度的提高。本章介紹了多種正則化方法，用於防止在訓練數據時模型過擬合。可通過多種方法獲得最優超參數以達到模型最高正確率。
    第6章：模型評估。本章演示了模型評估所需要的各種方法。除正確率外，還將介紹更多模型評估指標，如靈敏度、特異性、精確度、誤報率、ROC曲線和AUC評分，以了解模型的表現。
    第7章：基於卷積神經網路的電腦視覺。本章介紹了如何使用卷積神經網路構建圖形分類器。介紹卷積神經網路的所有組件，然後構建圖像處理程序對圖像進行分類。
    第8章：遷移學習和預訓練模型。本章介紹了遷移學習的基本概念，即如何通過一個模型解決其他問題。您將通過使用不同的預訓練模型並將其稍微修改為不同的應用程序來實現這一目標。
    第9章：基於循環神經網路的順序建模。本章將教大家如何為順序數據集建立模型。介紹了循環神經網路的架構，以及如何訓練它們並預測後續數據。您將通過預測各種股票的未來價值來檢測您的學習成果。
作者介紹
(英)馬修·穆卡姆//瑪拉·阿伯杜拉乃德//瑞提什·巴格瓦特|責編:劉星|譯者:鄒偉//張良謀//劉亞明
    鄒偉，博士，睿客邦創始人，研究方向為機器學習、數據挖掘、計算幾何，致力於機器學習和深度學習在實際中的應用；主持研發50多個人工智慧領域工業級項目，並受邀在中國移動、花旗銀行、中信集團、中航信、烽火科技、京東方、完美世界等公司進行了上百場講座和內部培訓。創立的睿客邦與國內十多所高校建立了AI聯合實驗室或實訓基地；兼任天津大學創業導師、山東交通學院客座教授等。曾在多個在線平台講授「機器學習」「深度學習」等課程，廣受網友好評，累計學習人數超過百萬。
目錄
第1章  Keras機器學習簡介
  1.1  機器學習簡介
  1.2  數據展示
    1.2.1  數據表格
    1.2.2  載入數據
    訓練1.01  從UCI機器學習代碼庫載入一個數據集
  1.3  數據處理
    訓練1.02  清理數據
    訓練1.03  數據的正確表示
  1.4  模型創建的生命周期
  1.5  scikit-learn簡介
  1.6  Keras簡介
    1.6.1  Keras的優點
    1.6.2  Keras的缺點
    1.6.3  Keras在其他方面的應用
  1.7  模型訓練
    1.7.1  分類器和回歸模型
    1.7.2  分類任務
    1.7.3  回歸任務
    1.7.4    訓練和測試數據集
    1.7.5  模型評估矩陣
    訓練1.04  創建一個簡單的模型
  1.8  模型微調
    1.8.1  基線模型
    訓練1.05  設計一個基線模型
    1.8.2  正則化
    1.8.3  交叉驗證
    實踐1.01  向模型添加正則化
  1.9  總結
第2章  機器學習與深度學習
  2.1  簡介
    2.1.1  ANN的優勢
    2.1.2  傳統機器學習演算法的優勢
    2.1.3  分層數據的表示
  2.2  線性變換
    2.2.1  標量、向量、矩陣和張量
    2.2.2  張量相加
    訓練2.01  使用向量、矩陣和張量執行各種操作
    2.2.3  重塑
    2.2.4  矩陣轉置
    訓練2.02  矩陣重塑和轉置
    2.2.5  矩陣乘法
    訓練2.03  將矩陣相乘
    訓練2.04  將矩陣乘法應用於高階張量
  2.3  Keras實現
    2.3.1  層的類型
    2.3.2  激活函數
    2.3.3  模型擬合
    實踐2.01  使用Keras創建邏輯回歸模型
  2.4  總結

第3章  Keras深度學習
  3.1  簡介
  3.2  搭建第一個神經網路
    3.2.1  從邏輯回歸到深度神經網路
    3.2.2  激活函數
    3.2.3  用於預測的前向傳播
    3.2.4  損失函數
    3.2.5  反向傳播計算損失函數的導數
    3.2.6  通過梯度下降法學習參數
    訓練3.01  使用Keras實現神經網路
    實踐3.01  構建單層神經網路進行二進位分類
  3.3  模型評估
    3.3.1  用Keras進行模型評估
    3.3.2  將數據集拆分為訓練集和測試集
    3.3.3  過擬合和欠擬合
    3.3.4  早停
    實踐3.02  神經網路與高級纖維化診斷
  3.4  總結
第4章  基於Keras包裝器的交叉驗證評價模型
  4.1  簡介
  4.2  交叉驗證
    4.2.1  只分割一次數據集的弊端
    4.2.2  k-fold交叉驗證
    4.2.3  留一法交叉驗證
    4.2.4  k-fold交叉驗證和LOO交叉驗證的比較
  4.3  深度學習模型的交叉驗證方法
    4.3.1  帶有scikit-learn的Keras包
    訓練4.01  在回歸問題中使用scikit-learn構建Keras包裝器
    4.3.2  使用scikit-learn進行交叉驗證
    4.3.3  scikit-learn中的交叉驗證迭代器
    訓練4.02  使用交叉驗證評估深度神經網路
    實踐4.01  使用交叉驗證對晚期肝纖維化診斷分類器進行模型評估
  4.4  利用交叉驗證選擇模型
    訓練4.03  編寫自定義函數實現含有交叉驗證的深度學習模型
    實踐4.02  用交叉驗證為高纖維化診斷分類器選擇模型
    實踐4.03  在TrafficVolume數據集上使用交叉驗證進行模型選擇
  4.5  總結
第5章  模型精度的提高
  5.1  簡介
  5.2  正則化
    5.2.1  正則化的需求
    5.2.2  用正則化減少過擬合
  5.3  L1和L2正則化
    5.3.1  L1和L2正則化公式
    5.3.2  Keras的L1和L2正則化實現
    實踐5.01  Avila模式分類器上的權重正則化
  5.4  丟棄正則化
    5.4.1  丟棄正則化原理
    5.4.2  使用丟棄正則化減少過擬合
    訓練5.01  使用Keras實現丟棄正則化

    實踐5.02  TrafficVolume數據集的丟棄正則化
  5.5  其他正則化方法
    5.5.1  在Keras中實現早停
    訓練5.02  用Keras實現早停
    5.5.2  數據增強
    5.5.3  添加雜訊
  5.6  scikit-learn超參數調優
    5.6.1  使用scikit-learn進行網格搜索
    5.6.2  使用scikit-learn進行隨機搜索
    實踐5.03  對Avila模式分類器進行超參數調優
  5.7  總結
第6章  模型評估
  6.1  簡介
  6.2  準確率
    訓練6.01  計算太平洋颶風數據集的零精度
  6.3  不平衡數據集
  6.4  混淆矩陣
    訓練6.02  Scania卡車數據的計算精度和零精度
    實踐6.01  改變訓練/測試比例，計算神經網路的準確率和零精度
    訓練6.03  基於混淆矩陣推導和計算指標
    實踐6.02  計算ROC曲線和AUC評分
  6.5  總結
第7章  基於卷積神經網路的電腦視覺
  7.1  簡介
  7.2  電腦視覺
  7.3  卷積神經網路
  7.4  卷積神經網路架構
    7.4.1  輸入圖像
    7.4.2  卷積層
    7.4.3  池化層
    7.4.4  扁平化
  7.5  圖像增強
    訓練7.01  創建一個識別圖像中汽車和花的卷積神經網路
    實踐7.01  用多個卷積層和softmax層對模型進行修復
    訓練7.02  用sigmoid激活函數對模型進行修復
    訓練7.03  將優化器Adam更改為SGD
    訓練7.04  對一個新圖像進行分類
    實踐7.02  對另一個新圖像進行分類
  7.6  總結
第8章  遷移學習和預訓練模型
  8.1  簡介
  8.2  預訓練與遷移學習
  8.3  對預訓練的網路進行微調
    8.3.1  ImageNet數據集
    8.3.2  Keras的一些預訓練網路
    訓練8.01  使用VGG16網路識別圖像
    實踐8.01  使用VGG16網路訓練深度學習網路識別圖像
    訓練8.02  對不在ImageNet數據集中的圖像進行分類
    訓練8.03  微調VGG16模型
    訓練8.04  使用ResNet進行圖像分類

    實踐8.02  使用ResNet進行圖像分類
  8.4  總結
第9章  基於循環神經網路的順序建模
  9.1  簡介
  9.2  順序記憶和順序建模
  9.3  循環神經網路
    9.3.1  梯度消失問題
    9.3.2  梯度爆炸問題的簡析
  9.4  長短期記憶網路
    訓練9.01  使用50個單元（神經元）的LSTM預測Alphabet股價趨勢
    實踐9.01  使用50個單元（神經元）的LSTM預測亞馬遜股價趨勢
    訓練9.02  使用100個單元（神經元）的LSTM預測Alphabet股價趨勢
    實踐9.02  通過添加正則化預測亞馬遜股價
    實踐9.03  使用100個單元（神經元）的LSTM預測亞馬遜股價趨勢
  9.5  總結
附錄A  各章實踐內容解析

  • 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