- 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

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目