基本介紹
- 中文名：Keras深度神經網路
- 作者：[印] 喬·穆拉伊爾
- 譯者：敖富江、周雲彥、杜靜
- 出版社：清華大學出版社
- 出版時間：2020年5月1日
- 定價：49.8 元
- ISBN：9787302551638
內容簡介,作者簡介,圖書目錄,
內容簡介
主要內容 ● 用數學和編程思維快速掌握實用的深度學習概念 ● 利用Keras框架設計、開發、訓練、驗證和部署深度神經網路 ● 呈現調試和驗證深度學習模型的最佳實踐 ● 將深度學習作為服務部署並集成到大型軟體服務或產品中 ● 將深度學習基本原理擴展到其他主流框架
作者簡介
Jojo Moolayil是人工智慧、深度學習、機器學習和決策科學領域的專家，曾撰寫Smarter Decisions: The Intersection of IoT and Decision Science (Packt，2016)一書。他與一些行業領導者在多個垂直領域共同研發了幾個影響重大的數據科學和機器學習項目。他目前是Amazon Web Services(IaaS提供商)的人工智慧領域高級研究員。
Jojo出生並成長在印度浦那，畢業於浦那大學信息技術工程專業。他的職業生涯始於世界上最大的純遊戲分析提供商Mu Sigma公司，與許多《財富》50強客戶共過事。後來他就職於物聯網分析初創公司Flutura以及工業人工智慧的先驅和領導者GE公司。
他目前居住在加拿大溫哥華市。除了撰寫有關深度學習、決策科學和物聯網的書籍外，Jojo還為Apress和Packt Publishing出版社就上述領域的各種書籍擔任技術編輯。他是一位活躍的數據科學導師。
圖書目錄
第1章 深度學習和Keras簡介 1
1.1 深度學習簡介 1
1.1.1 揭開流行術語的神秘面紗 1
1.1.2 深度學習可求解當今世界中的哪些經典問題 4
1.1.3 深度學習模型分解 4
1.2 探索流行的深度學習框架 6
1.2.1 低級深度學習框架 7
1.2.2 高級深度學習框架 9
1.3 初步了解Keras框架 10
1.3.1 準備數據 11
1.3.2 定義模型結構 12
1.3.3 訓練模型和預測 12
1.4 本章小結 12
第2章 上手Keras 13
2.1 設定環境 13
2.1.1 選擇Python版本 13
2.1.2 在Windows、Linux或macOS中安裝Python 14
2.1.3 安裝Keras和TensorFlow後端 14
2.2 Keras深度學習入門 16
2.2.1 輸入數據 17
2.2.2 神經元 18
2.2.3 激活函式 19
2.2.4 sigmoid激活函式 19
2.2.5 模型 21
2.2.6 層 22
2.2.7 損失函式 24
2.2.8 最佳化器 26
2.2.9 評價指標 29
2.2.10 配置模型 30
2.2.11 訓練模型 30
2.2.12 模型評估 33
2.3 組合所有基本模組 34
2.4 本章小結 39
第3章 基於深度神經網路的監督學習：回歸 41
3.1 引言 41
3.2 問題表述 43
3.2.1 為什麼利用一種設計原則來表示問題表述很重要 43
3.2.2 設計SCQ 44
3.2.3 設計解決方案 45
3.3 探索數據 46
3.3.1 查看數據字典 48
3.3.2 查找數據類型 50
3.3.3 處理時間 51
3.3.4 預測銷售額 53
3.3.5 探索數值列 54
3.3.6 了解分類特徵 56
3.4 數據工程 60
3.5 定義模型的基準性能 64
3.6 設計深度神經網路 65
3.6.1 測試模型性能 68
3.6.2 改進模型 68
3.6.3 增加神經元數量 71
3.6.4 繪製跨曆元的損失指標曲線 73
3.6.5 人工測試模型 74
3.7 本章小結 75
第4章 基於深度神經網路的監督學習：分類 77
4.1 引言 77
4.2 問題表述 78
4.2.1 設計SCQ 78
4.2.2 設計解決方案 79
4.3 探索數據 80
4.4 數據工程 84
4.5 定義模型的準確率基準 89
4.6 設計分類深度神經網路 90
4.7 重訪數據 94
4.7.1 標準化、歸一化和縮放數據 94
4.7.2 轉換輸入數據 95
4.8 基於改進數據的分類深度神經網路 96
4.9 本章小結 101
第5章 深度神經網路調優與部署 103
5.1 過擬合問題 103
5.2 什麼是正則化 104
5.2.1 L1正則化 105
5.2.2 L2正則化 106
5.2.3 丟棄正則化 106
5.3 超參數調優 107
5.3.1 深度學習中的超參數 108
5.3.2 超參數調優方法 111
5.4 模型部署 114
5.4.1 定製測試數據 114
5.4.2 將模型保存到記憶體 116
5.4.3 用新數據重新訓練模型 117
5.4.4 線上模型 117
5.4.5 以API形式交付模型 118
5.4.6 組件集成 118
5.5 本章小結 119
第6章 未來的學習方向 121
6.1 下一步需掌握的深度學習專業知識 121
6.1.1 CNN 122
6.1.2 RNN 125
6.1.3 CNN+RNN 127
6.2 為什麼深度學習需要GPU 128
6.3 深度學習的其他熱門領域 130
6.4 結束寄語 131
