Python深度學習套用

Python深度學習套用

《Python深度學習套用》是2020年清華大學出版社出版的圖書,作者是(加)亞歷克斯·蓋利(Alex Galea)、(古)路易斯·卡佩羅(Luis Capelo)、高凱、吳林芳、李嬌娥、朱玉。

基本介紹

  • 書名:Python深度學習套用
  • 作者:(加)亞歷克斯·蓋利(Alex Galea)、(古)路易斯·卡佩羅(Luis Capelo)
  • 出版社:清華大學出版社
  • 出版時間:2020年7月1日
  • 定價:59 元
  • ISBN:9787302541967
內容簡介,圖書目錄,

內容簡介

本書介紹Jupyter、數據清洗、高級機器學習、網頁爬蟲、互動式可視化、神經網路、深度學習、模型構建、模型評估與最佳化、產品化處理等有關深度學習套用方面的內容。本書理論與實踐並重、體系完整、內容新穎、條理清晰、組織合理、強調實踐,包括使用scikitlearn、TensorFlow和Keras創建智慧型系統和機器學習解決方案,並將論述的重點放在實現和實踐上,以便讓讀者更好地了解Python深度學習套用的實現細節。

圖書目錄

第1章Jupyter基礎/ 1
1.1基本功能與特徵/ 2
1.1.1Jupyter Notebook是什麼,為什麼它如此有用/ 2
1.1.2Jupyter Notebook概覽/ 4
1.1.3Jupyter特色/ 8
1.1.4Python庫/ 14
1.2第一個數據分析實例——基於波士頓住房數據集/ 17
1.2.1使用Pandas DataFrame載入數據集/ 17
1.2.2數據集/ 22
1.2.3基於Jupyter Notebook的預測分析簡介/ 26
1.2.4實踐: 構建一個基於三階多項式的模型/ 30
1.2.5使用分類特徵完成對數據集的分段分析/ 35
1.3本章小結/ 41第2章數據清洗和高級機器學習/ 42
2.1準備訓練預測模型/ 43
2.1.1確定預測分析計畫/ 43
2.1.2機器學習的數據預處理/ 45
2.1.3實踐: 準備訓練“員工去留問題”的預測模型/ 55
2.2訓練分類模型/ 64
2.2.1分類算法簡介/ 64
2.2.2使用k折交叉驗證和驗證曲線評估模型/ 79
2.2.3降維技術/ 84
2.2.4訓練員工去留問題的預測模型/ 85
2.3本章小結/ 93第3章網頁信息採集和互動式可視化/ 94
3.1採集網頁信息/ 95
3.1.1HTTP請求簡介/ 95
3.1.2在Jupyter Notebook中實現HTTP請求/ 96
3.1.3在Jupyter Notebook中解析HTML/ 101
3.1.4實踐: 在Jupyter Notebook中實現網頁信息採集/ 107
3.2互動可視化/ 111
3.2.1構建DataFrame以存儲和組織數據/ 111
3.2.2Bokeh簡介/ 117
3.2.3實例: 使用互動式可視化探索數據/ 121
3.3本章小結/ 130第4章神經網路與深度學習概述/ 132
4.1什麼是神經網路/ 132
4.1.1成功的套用案例/ 133
4.1.2為什麼神經網路能夠表現得如此出色/ 134
4.1.3深度學習的局限性/ 136
4.1.4神經網路的一般構成和操作/ 137
4.2配置深度學習環境/ 139
4.2.1用於深度學習的軟體組件/ 139
4.2.2實例: 驗證軟體組件/ 141
4.2.3探索一個訓練好的神經網路/ 143
4.2.4實例: 探索一個訓練好的神經網路/ 148
4.3本章小結/ 150第5章模型體系結構/ 151
5.1選擇合適的模型體系結構/ 151
5.1.1常見的體系結構/ 151
5.1.2數據標準化/ 156
5.1.3構建您的問題/ 157
5.1.4實例: 探索比特幣數據集,為模型準備數據/ 159
5.2使用Keras作為TensorFlow接口/ 165
5.2.1模型組件/ 165
5.2.2實例: 使用Keras創建TensorFlow模型/ 167
5.2.3從數據準備到建模/ 168
5.2.4訓練神經網路/ 169
5.2.5調整時間序列數據維度/ 169
5.2.6預測數據/ 172
5.2.7實例: 組建深度學習系統/ 173
5.3本章小結/ 176第6章模型評估和最佳化/ 177
6.1模型評估/ 177
6.1.1問題類別/ 177
6.1.2損失函式、準確率和錯誤率/ 178
6.1.3使用TensorBoard進行可視化/ 180
6.1.4實現模型評估的測度/ 182
6.1.5實踐: 創建一個訓練環境/ 187
6.2超參數最佳化/ 192
6.2.1針對神經層和神經元——添加更多的神經層/ 192
6.2.2疊代步數/ 194
6.2.3激活函式/ 195
6.2.4激活函式的實現/ 197
6.2.5正則化策略/ 198
6.2.6結果最佳化/ 199
6.2.7實踐: 最佳化神經網路模型/ 200
6.3本章小結/ 202第7章產品化/ 203
7.1處理新數據/ 203
7.1.1分離數據和模型/ 203
7.1.2處理新數據/ 205
7.1.3實例: 處理新數據/ 208
7.2將模型部署為Web應用程式/ 210
7.2.1套用架構和技術/ 210
7.2.2部署和使用cryptonic/ 211
7.2.3實例: 部署深度學習應用程式/ 214
7.3本章小結/ 216

相關詞條

熱門詞條

聯絡我們