TensorFlow+Keras深度學習算法原理與編程實戰

TensorFlow+Keras深度學習算法原理與編程實戰

《TensorFlow+Keras深度學習算法原理與編程實戰》是2020年電子工業出版社出版的圖書,作者是鄭敦莊、胡承志。

基本介紹

  • 書名:TensorFlow+Keras深度學習算法原理與編程實戰
  • 作者:鄭敦莊、胡承志
  • 出版社:電子工業出版社
  • 出版時間:2020年5月
  • 頁數:260 頁
  • ISBN:9787121383786
內容簡介,圖書目錄,

內容簡介

本書以一個預測的實戰項目開發為主線,詳細介紹了爬蟲基礎、機率論、時間序列、深度學習等熱門的人工智慧技術及TensorFlow+Keras這種主流的深度學習框架的使用方法。 本書分為8章,涵蓋的主要內容有深度學習基礎、數據抓取與存儲、機率論基礎、時間序列、深度學習框架簡介及環境安裝、深度學習原理、Keras入門。

圖書目錄

第1章 深度學習基礎 1
1.1 人工智慧、機器學習與深度學習 1
1.1.1 人工智慧的誕生 1
1.1.2 人工智慧、機器學習和深度學習的關係 3
1.1.3 深度學習的發展 3
1.2 深度學習的套用領域 4
1.2.1 語音搜尋和語音助手 4
1.2.2 圖像識別 4
1.2.3 自動駕駛 5
1.2.4 金融領域 5
1.3 深度學習的主要框架 5
1.3.1 Theano 6
1.3.2 TensorFlow 6
1.3.3 Keras 7
1.3.4 PyTorch 8
1.3.5 Microsoft CNTK 8
1.3.6 MXNet 9
第2章 數據抓取與存儲 10
2.1 Windows系統下Python開發環境的安裝 10
2.1.1 Windows系統下安裝Anaconda 11
2.1.2 下載並安裝Python 3安裝包 11
2.1.3 檢查環境安裝是否成功 13
2.2 Linux系統下Python開發環境的安裝 13
2.2.1 CentOS 7系統下安裝Python 3.6 14
2.2.2 Ubuntu 18.04系統下安裝Python 3.6.6 15
2.2.3 Linux系統下安裝Anaconda 15
2.3 第三方庫的安裝 16
2.3.1 數據收集與處理流程 16
2.3.2 請求庫的安裝 17
2.3.3 解析庫的安裝 17
2.4 資料庫的安裝 19
2.4.1 Windows系統下安裝MySQL 8.0 19
2.4.2 Ubuntu系統下安裝MySQL 8.0 23
2.4.3 存儲庫的安裝 24
2.5 爬蟲基礎 25
2.5.1 URI和URL 25
2.5.2 超文本 25
2.5.3 HTTP協定和HTTPS協定 26
2.5.4 HTTP請求 27
2.5.5 Request請求 29
2.5.6 Reponse回響 33
2.6 實戰案例:抓取雙色球開獎數據 35
2.6.1 項目介紹 35
2.6.2 抓取最新期開獎數據 35
2.6.3 抓取歷史期開獎數據 49
第3章 機率論基礎 57
3.1 樣本空間及隨機變數 57
3.1.1 樣本空間 57
3.1.2 隨機變數 58
3.2 機率分布及分布函式 59
3.2.1 機率分布 59
3.2.2 分布函式 60
3.3 離散隨機變數 61
3.3.1 離散隨機變數概述 61
3.3.2 離散隨機變數的均勻分布 62
3.3.3 伯努利分布(Bernoulli Distribution) 65
3.3.4 二項分布(Binomial Distribution) 65
3.3.5 泊松分布(Poisson Distribution) 66
3.4 實戰案例:分析雙色球一等獎開獎注數是否隨機 68
3.4.1 查詢數據 68
3.4.2 柱形圖顯示 70
第4章 時間序列 77
4.1 時間序列入門 77
4.1.1 什麼是時間序列 77
4.1.2 時間序列的基本概念 78
4.1.3 如何進行時間序列分析 79
4.2 彩票的特性模型選擇 80
4.2.1 機率均等性 80
4.2.2 偏態性 80
4.2.3 連貫性 81
4.2.4 時序性 81
4.3 馬爾可夫鏈模型 82
4.3.1 馬爾可夫鏈的基本原理 82
4.3.2 基於加權馬爾可夫鏈的模型福彩3D分析與預測 85
4.4 實戰案例:馬爾可夫鏈模型預測 87
4.4.1 項目介紹 87
4.4.2 抓取福彩3D數據 87
4.4.3 馬爾可夫鏈預測的步驟分析 96
4.4.4 馬爾可夫鏈預測步驟一:馬爾可夫性驗證 96
4.4.5 馬爾可夫鏈預測步驟二:一步轉移機率矩陣 98
4.4.6 馬爾可夫鏈預測步驟三:n步轉移機率矩陣 101
4.4.7 馬爾可夫鏈預測步驟四:計算權重wk 101
4.4.8 馬爾可夫鏈預測步驟五:進行預測 103
第5章 深度學習框架簡介及環境安裝 117
5.1 Tensorflow的發展歷程 117
5.2 Ubuntu系統下安裝TensorFlow+Keras 120
5.2.1 安裝CPU版本的TensorFlow 120
5.2.2 安裝Keras 122
5.3 Windows系統下安裝TensorFlow+Keras 122
5.3.1 安裝GPU版本的TensorFlow 122
5.3.2 安裝Keras 127
第6章 深度學習原理 128
6.1 深度學習數學基礎 128
6.1.1 張量 128
6.1.2 套用中的數據張量 132
6.2 神經網路基礎 134
6.2.1 感知器 134
6.2.2 線性單元 140
6.2.3 線性模型 141
6.2.4 目標函式 141
6.2.5 梯度下降算法 142
6.2.6 隨機梯度下降算法 148
6.2.7 線性回歸代碼實例 148
6.3 循環神經網路 152
6.3.1 循環神經網路的概念 152
6.3.2 實戰RNN 153
6.4 LSTM神經網路 156
6.4.1 RNN的長期依賴問題 156
6.4.2 LSTM原理簡介 156
6.5 參考文獻 159
第7章 Keras入門 160
7.1 Keras簡介 160
7.1.1 Keras在TensorFlow中的架構圖 161
7.1.2 Keras基礎 161
7.2 Sequential順序模型 162
7.2.1 指定輸入數據的大小 163
7.2.2 模型編譯 163
7.2.3 最佳化器 164
7.2.4 損失函式 171
7.2.5 損失函式的選擇 173
7.2.6 評價函式 181
7.2.7 模型訓練 182
7.2.8 訓練歷史可視化 184
7.2.9 模型預測 184
7.3 Keras LSTM簡介 185
7.3.1 LSTM參數介紹 185
7.3.2 LSTM序列模型搭建 186
7.4 實戰案例:LSTM神經網路預測福彩3D 188
7.4.1 項目介紹 188
7.4.2 導入數據和參數 189
7.4.3 構建LotteryLSTM框架類 191
7.4.4 LotteryLSTM初始化 192
7.4.5 訓練數據集和測試數據集分割 192
7.4.6 LSTM網路的創建與訓練 194
7.4.7 Keras模型的保存 196
7.4.8 LSTM網路評估 199
7.4.9 LSTM網路預測結果可視化 200
7.4.10 項目代碼實現 201
7.5 參考文獻 211
第8章 福彩3D預測平台工程搭建 212
8.1 工程代碼整合 212
8.1.1 LSTM神經網路模型保存 212
8.1.2 LSTM神經網路模型調用 218
8.1.3 抓取數據代碼 220
8.1.4 MySQL資料庫導入資料庫檔案 223
8.2 工程代碼 224
8.3 結束語 246

相關詞條

熱門詞條

聯絡我們