欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • Python深度学习应用
      • 作者:(加)亚历克斯·盖利//(古)路易斯·卡佩罗|责编:郭赛|译者:高凯//吴林芳//李娇娥//朱玉
      • 出版社:清华大学
      • ISBN:9787302541967
      • 出版日期:2020/07/01
      • 页数:216
    • 售价:23.6
  • 内容大纲

        本书介绍Jupyter、数据清洗、高级机器学习、网页爬虫、交互式可视化、神经网络、深度学习、模型构建、模型评估与优化、产品化处理等有关深度学习应用方面的内容。本书理论与实践并重、体系完整、内容新颖、条理清晰、组织合理、强调实践,包括使用scikit-learn、TensorFlow和Keras创建智能系统和机器学习解决方案,并将论述的重点放在实现和实践上,以便让读者更好地了解Python深度学习应用的实现细节。
        本书适合所有对Python深度学习感兴趣的人士阅读。
  • 作者介绍

  • 目录

    第1章  Jupyter基础
      1.1  基本功能与特征
        1.1.1  Jupyter Notebook是什么,为什么它如此有用
        1.1.2  Jupyter Notebook概览
        1.1.3  Jupyter特色
        1.1.4  Python库
      1.2  第一个数据分析实例——基于波士顿住房数据集
        1.2.1  使用Pandas DataFrame载入数据集
        1.2.2  数据集
        1.2.3  基于Jupyter Notebook的预测分析简介
        1.2.4  实践: 构建一个基于三阶多项式的模型
        1.2.5  使用分类特征完成对数据集的分段分析
      1.3  本章小结
    第2章  数据清洗和高级机器学习
      2.1  准备训练预测模型
        2.1.1  确定预测分析计划
        2.1.2  机器学习的数据预处理
        2.1.3  实践: 准备训练“员工去留问题”的预测模型
      2.2  训练分类模型
        2.2.1  分类算法简介
        2.2.2  使用k折交叉验证和验证曲线评估模型
        2.2.3  降维技术
        2.2.4  训练员工去留问题的预测模型
      2.3  本章小结
    第3章  网页信息采集和交互式可视化
      3.1  采集网页信息
        3.1.1  HTTP请求简介
        3.1.2  在Jupyter Notebook中实现HTTP请求
        3.1.3  在Jupyter Notebook中解析HTML
        3.1.4  实践: 在Jupyter Notebook中实现网页信息采集
      3.2  交互可视化
        3.2.1  构建DataFrame以存储和组织数据
        3.2.2  Bokeh简介
        3.2.3  实例: 使用交互式可视化探索数据
      3.3  本章小结
    第4章  神经网络与深度学习概述
      4.1  什么是神经网络
        4.1.1  成功的应用案例
        4.1.2  为什么神经网络能够表现得如此出色
        4.1.3  深度学习的局限性
        4.1.4  神经网络的一般构成和操作
      4.2  配置深度学习环境
        4.2.1  用于深度学习的软件组件
        4.2.2  实例: 验证软件组件
        4.2.3  探索一个训练好的神经网络
        4.2.4  实例: 探索一个训练好的神经网络
      4.3  本章小结
    第5章模型体系结构
      5.1  选择合适的模型体系结构
        5.1.1  常见的体系结构

        5.1.2  数据标准化
        5.1.3  构建您的问题
        5.1.4  实例: 探索比特币数据集,为模型准备数据
      5.2  使用Keras作为TensorFlow接口
        5.2.1  模型组件
        5.2.2  实例: 使用Keras创建TensorFlow模型
        5.2.3  从数据准备到建模
        5.2.4  训练神经网络
        5.2.5  调整时间序列数据维度
        5.2.6  预测数据
        5.2.7  实例: 组建深度学习系统
      5.3  本章小结
    第6章模型评估和优化
      6.1  模型评估
        6.1.1  问题类别
        6.1.2  损失函数、准确率和错误率
        6.1.3  使用TensorBoard进行可视化
        6.1.4  实现模型评估的测度
        6.1.5  实践: 创建一个训练环境
      6.2  超参数优化
        6.2.1  针对神经层和神经元——添加更多的神经层
        6.2.2  迭代步数
        6.2.3  激活函数
        6.2.4  激活函数的实现
        6.2.5  正则化策略
        6.2.6  结果优化
        6.2.7  实践: 优化神经网络模型
      6.3  本章小结
    第7章  产品化
      7.1  处理新数据
        7.1.1  分离数据和模型
        7.1.2  处理新数据
        7.1.3  实例: 处理新数据
      7.2  将模型部署为Web应用程序
        7.2.1  应用架构和技术
        7.2.2  部署和使用cryptonic
        7.2.3  实例: 部署深度学习应用程序
      7.3  本章小结