深度学习处理结构化数据实战

第1章 为何要使用结构化数据进行深度学习
1．1 深度学习概述
1．2 深度学习的优缺点
1．3 深度学习软件栈概述
1．4 结构化数据与非结构化数据
1．5 反对使用结构化数据进行深度学习的相关意见
1．6 为何要研究基于结构化数据的深度学习问题？
1．7 本书附带的代码概述
1．8 你应该知道的内容
1．9 本章小结
第2章 示例问题和Pandas数据帧简介
2．1 深度学习开发环境选项
2．2 探索Pandas的代码
2．3 Python中的Pandas数据帧
2．4 将CSV文件提取到Pandas数据帧中
2．5 使用Pandas来完成SQL操作
2．6 主示例：预测有轨电车的延误情况
2．7 为何真实世界的数据集对于掌握深度学习至关重要
2．8 输入数据集的格式和范围
2．9 目的地：端到端的解决方案
2．10 有关解决方案代码的更多细节
2．11 开发环境：普通环境与深度学习专用环境
2．12 深入研究反对深度学习的意见
2．13 深度学习是如何变得更易于使用的
2．14 训练深度学习模型初试
2．15 本章小结
第3章 准备数据1：探索及清理数据
3．1 探索及清理数据的代码
3．2 在Python中使用配置文件
3．3 将XLS文件提取到Pandas数据帧中
3．4 使用pickle将Pandas数据帧从一个会话保存到另一个会话中
3．5 探索数据
3．6 将数据分为连续型、分类型以及文本型
3．7 清理数据集中存在的问题：数据丢失、错误以及猜测
3．8 确定深度学习需要多少数据
3．9 本章小结
第4章 准备数据2：转换数据
4．1 准备及转换数据的代码
4．2 处理不正确的数值：路线
4．3 为何只能用单个替代值来换掉所有错误的值？
4．4 处理不正确的值：车辆
4．5 处理不一致的值：位置
4．6 去向远方：位置
4．7 处理类型不匹配问题
4．8 处理依然包含错误数据的行
4．9 创建派生列
4．10 准备非数值型数据来训练深度学习模型
……
第5章 准备并构建模型
第6章 模型训练与实验
第7章 对已训练的模型进行更多实验
第8章 模型部署
第9章 建议的后继步骤
附录 使用Google协作
实验室（Google Colaboratory）