濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴f閺嬩線鏌熼梻瀵割槮缁惧墽绮换娑㈠箣閻戝棛鍔┑鐐村灦閻燂箓宕曢悢鍏肩厪濠电偛鐏濋崝姘舵煟鎼搭喖寮慨濠冩そ瀹曟鎳栭埞鍨沪闂備礁鎼幊蹇曞垝瀹€鍕仼闁绘垼妫勯拑鐔兼煏婢舵稓鐣遍柍褜鍓涢弫濠氬蓟閵娿儮鏀介柛鈩冧緱閳ь剚顨婇弻锛勨偓锝庡亞閵嗘帞绱掓潏銊ユ诞闁糕斁鍋撳銈嗗笒鐎氼剛澹曢崗鍏煎弿婵☆垰鐏濇禍褰掓煕閻愬灚鏆柡宀嬬秮閹晠鎮滃Ο绯曞亾閸愵喗鍋i柍褜鍓熼弫鍐焵椤掆偓瀹撳嫰姊洪崨濠勨槈閺嬵亜霉濠婂嫮鐭掗柡灞诲姂瀵潙螖閳ь剚绂嶆ィ鍐╁€垫繛鍫濈仢閺嬫稑顭胯闁帮綁鐛幋锕€顫呴柣姗嗗亝閺傗偓闂佽鍑界紞鍡樼鐠烘í缂氬┑鐘叉处閳锋垹绱撴担鍏夋(妞ゅ繐瀚烽崵鏇㈡偣閾忚纾柟鐑橆殔缁犳盯鏌eΔ鈧悧鍐箯濞差亝鈷掗柛灞炬皑婢ф稓绱掔€n偄娴鐐寸墵楠炲洭顢橀悩娈垮晭闁诲海鎳撴竟濠囧窗閺嶎厾宓侀柡宥庡幗閻撶喖鏌ㄥ┑鍡樺櫣婵¤尙绮妵鍕敃閿濆洨鐣奸梺鍦嚀鐎氫即骞栬ぐ鎺撳仭闁哄娉曢鍥⒒閸屾艾鈧娆㈠璺虹劦妞ゆ帒鍊告禒婊堟煠濞茶鐏¢柡鍛板煐鐎佃偐鈧稒岣块崢鐐繆閵堝繒鐣虫繛澶嬫礈閼洪亶宕稿Δ浣哄帾闂佹悶鍎崝灞炬叏瀹ュ棭娈介柣鎰綑濞搭喗顨ラ悙宸剶闁诡喗绮撳畷鍗烆潨閸℃﹫绱欓梻鍌氬€搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偞鐗犻、鏇氱秴闁搞儺鍓﹂弫宥夋煟閹邦厽缍戦柍褜鍓濋崺鏍崲濠靛顥堟繛鎴炶壘椤e搫顪冮妶鍐ㄥ姕鐎光偓閹间礁钃熸繛鎴旀噰閳ь剨绠撻獮瀣攽閸モ晙绨┑鐘殿暯閸撴繆銇愰崘顔藉亱闁规崘顕ч拑鐔兼煥閻斿搫孝缂佲偓閸愵喗鐓冮柛婵嗗閳ь剚鎮傚鍐参旈崨顔规嫼婵炴潙鍚嬮悷褏绮旈鈧湁婵犲﹤楠告晶鐗堜繆閸欏濮嶆鐐村笒铻栭柍褜鍓氶崕顐︽煟閻斿摜鐭婇梺甯到椤曪綁骞庨挊澶屽幐闂佸憡鍔︽禍鐐烘晬濠婂牊鐓涘璺猴功婢ф垿鏌涢弬璺ㄐч挊鐔兼煕椤愮姴鍔滈柣鎾寸☉闇夐柨婵嗙墱濞兼劗鈧娲栭惌鍌炲蓟閳╁啯濯撮悷娆忓绾炬娊姊烘潪鎵妽闁圭懓娲顐﹀箻缂佹ɑ娅㈤梺璺ㄥ櫐閹凤拷 [闂傚倸鍊搁崐鎼佸磹閹间礁纾圭€瑰嫭鍣磋ぐ鎺戠倞妞ゆ帊绀侀崜顓烆渻閵堝棗濮х紒鐘冲灴閻涱噣濮€閵堝棛鍘撻柡澶屽仦婢瑰棝宕濆鍡愪簻闁哄倸鐏濋顐ょ磼鏉堛劍宕岀€规洘甯掗~婵嬵敄閽樺澹曢梺鍛婄缚閸庢娊鎯屽▎鎾寸厱闁哄洢鍔岄悘鐘电磼閻欌偓閸ㄥ爼寮婚妸鈺傚亞闁稿本绋戦锟� | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌ら崫銉︽毄濞寸姵姘ㄧ槐鎾诲磼濞嗘帒鍘$紓渚囧櫘閸ㄨ泛鐣峰┑鍠棃宕橀妸銉т喊闂備礁鎼崯顐︽偋婵犲洤纾瑰┑鐘崇閻撱垺淇婇娆掝劅婵″弶鎮傞弻锝嗘償椤旂厧绫嶅┑顔硷龚濞咃絿鍒掑▎鎾崇閹兼番鍨虹€氭娊姊绘担铏广€婇柡鍛洴瀹曨垶寮堕幋顓炴闂佸綊妫跨粈渚€宕橀埀顒€顪冮妶鍡樺暗闁哥姵鎹囧畷銏ゎ敂閸涱垳鐦堥梺姹囧灲濞佳勭濠婂牊鐓熼煫鍥ㄦ⒒缁犵偟鈧娲樼换鍌烇綖濠靛鍤嬮柣銏ゆ涧楠炴劙姊绘担鍛靛綊寮甸鍕┾偓鍐川椤旂虎娲搁梺璺ㄥ櫐閹凤拷]

    • 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