Python深度学习应用

定　价：¥59.00

作　者：	[加] 亚历克斯·盖利（Alex Galea）著
出版社：	清华大学出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787302541967	出版时间：	2020-07-01	包装：	平装
开本：	16	页数：	232	字数：

内容简介

　　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。

作者简介

　　高凯汉族，教授，博士毕业于上海交通大学计算机应用技术专业，河北省省级重点学科“计算机软件与理论”中“信息检索与云计算”方向学术带头人，研究生导师，中国计算机学会高级会员，中国计算机学会CCF计算机应用专委常委，中国计算机学会CCF中文信息技术专委委员，河北省科技咨询业协会第六届理事会常务理事，英国学术期刊International Journal of Computer Applications in Technology副主编，国际学术会议International Conference on Modelling， Identification and Control程序委员会委员；主要研究方向为人工智能、大数据搜索与挖掘、网络信息检索、自然语言处理、社会计算等；多年主讲研究生课程《人工智能》、本科生课程《数据库原理与应用》，系河北科技大学教学名师；近年出版了《信息检索与智能处理》、《大数据搜索与挖掘》、《网络信息检索技术及搜索引擎系统开发》、《大数据搜索与挖掘及可视化管理方案》等学术专著；在电子工业出版社、清华大学出版社、国防工业出版社等出版了高等学校计算机规划教材《数据库原理与应用》、高等院校信息技

图书目录

目录
第1章Jupyter基础/ 1
1.1基本功能与特征/ 2
1.1.1Jupyter Notebook是什么，为什么它如此有用/ 2
1.1.2Jupyter Notebook概览/ 4
1.1.3Jupyter特色/ 8
1.1.4Python库/ 14
1.2第一个数据分析实例——基于波士顿住房数据集/ 17
1.2.1使用Pandas DataFrame载入数据集/ 17
1.2.2数据集/ 22
1.2.3基于Jupyter Notebook的预测分析简介/ 26
1.2.4实践: 构建一个基于三阶多项式的模型/ 30
1.2.5使用分类特征完成对数据集的分段分析/ 35
1.3本章小结/ 41第2章数据清洗和高级机器学习/ 42
2.1准备训练预测模型/ 43
2.1.1确定预测分析计划/ 43
2.1.2机器学习的数据预处理/ 45
2.1.3实践: 准备训练“员工去留问题”的预测模型/ 55
2.2训练分类模型/ 64
2.2.1分类算法简介/ 64
2.2.2使用k折交叉验证和验证曲线评估模型/ 79
2.2.3降维技术/ 84
2.2.4训练员工去留问题的预测模型/ 85
2.3本章小结/ 93第3章网页信息采集和交互式可视化/ 94
3.1采集网页信息/ 95
3.1.1HTTP请求简介/ 95
3.1.2在Jupyter Notebook中实现HTTP请求/ 96
3.1.3在Jupyter Notebook中解析HTML/ 101
3.1.4实践: 在Jupyter Notebook中实现网页信息采集/ 107
3.2交互可视化/ 111
3.2.1构建DataFrame以存储和组织数据/ 111
3.2.2Bokeh简介/ 117
3.2.3实例: 使用交互式可视化探索数据/ 121
3.3本章小结/ 130第4章神经网络与深度学习概述/ 132
4.1什么是神经网络/ 132
4.1.1成功的应用案例/ 133
4.1.2为什么神经网络能够表现得如此出色/ 134
4.1.3深度学习的局限性/ 136
4.1.4神经网络的一般构成和操作/ 137
4.2配置深度学习环境/ 139
4.2.1用于深度学习的软件组件/ 139
4.2.2实例: 验证软件组件/ 141
4.2.3探索一个训练好的神经网络/ 143
4.2.4实例: 探索一个训练好的神经网络/ 148
4.3本章小结/ 150第5章模型体系结构/ 151
5.1选择合适的模型体系结构/ 151
5.1.1常见的体系结构/ 151
5.1.2数据标准化/ 156
5.1.3构建您的问题/ 157
5.1.4实例: 探索比特币数据集，为模型准备数据/ 159
5.2使用Keras作为TensorFlow接口/ 165
5.2.1模型组件/ 165
5.2.2实例: 使用Keras创建TensorFlow模型/ 167
5.2.3从数据准备到建模/ 168
5.2.4训练神经网络/ 169
5.2.5调整时间序列数据维度/ 169
5.2.6预测数据/ 172
5.2.7实例: 组建深度学习系统/ 173
5.3本章小结/ 176第6章模型评估和优化/ 177
6.1模型评估/ 177
6.1.1问题类别/ 177
6.1.2损失函数、准确率和错误率/ 178
6.1.3使用TensorBoard进行可视化/ 180
6.1.4实现模型评估的测度/ 182
6.1.5实践: 创建一个训练环境/ 187
6.2超参数优化/ 192
6.2.1针对神经层和神经元——添加更多的神经层/ 192
6.2.2迭代步数/ 194
6.2.3激活函数/ 195
6.2.4激活函数的实现/ 197
6.2.5正则化策略/ 198
6.2.6结果优化/ 199
6.2.7实践: 优化神经网络模型/ 200
6.3本章小结/ 202第7章产品化/ 203
7.1处理新数据/ 203
7.1.1分离数据和模型/ 203
7.1.2处理新数据/ 205
7.1.3实例: 处理新数据/ 208
7.2将模型部署为Web应用程序/ 210
7.2.1应用架构和技术/ 210
7.2.2部署和使用cryptonic/ 211
7.2.3实例: 部署深度学习应用程序/ 214
7.3本章小结/ 216