深度学习是机器学习中的一个流行子集，能够帮助用户更快速地构建复杂模型，并提供更准确的预测。《深度学习案例精粹》将带领读者深度学习的世界，通过实际操作示例来加深理解。 1.《深度学习案例精粹》语言简练，通过问题简述、方法概括及代码，让读者可以尽快理解并上手深度学习的算法。 2.《深度学习案例精粹》给出的代码非常详细，可以直运行，可以为急于将深度学习应用于实际项目的工程师提供有力帮助，读者可至异步社区下载源代码及彩图文件。 3.《深度学习案例精粹》涵盖了大多数的主流深度学习任务，包括图像领域的图像识别、目标检测任务，自然语言处理中的词嵌、情感分析任务，以及无监督学习任务等。还介绍了几个深度学习的经典模型，当下深度学习的大多数模型都是在这些基础模型上的改与组合，不同领域的从业人员或多或少都能从中获得启发。 4.《深度学习案例精粹》使用目前广泛应用的深度学习框架之一—TensorFlow以及非常流行的Python语言行代码示例，想要一步学习的读者将会有极多的社区资源。
售 价：¥
纸质售价：¥42.70购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版权
版权声明
内容提要
作者简介
技术审稿人简介
译者序
前言
资源与支持
第1章 数据科学——鸟瞰全景
1.1 通过示例了解数据科学
1.2 设计数据科学算法的流程
1.2.1 数据预处理
1.2.2 特征选择
1.2.3 模型选择
1.2.4 学习过程
1.2.5 评估模型
1.3 开始学习
学习的挑战
1.4 实现鱼类识别/检测模型
1.4.1 知识库/数据集
1.4.2 数据分析预处理
1.4.3 搭建模型
1.5 不同学习类型
1.5.1 监督学习
1.5.2 无监督学习
1.5.3 半监督学习
1.5.4 强化学习
1.6 数据量和行业需求
1.7 总结
第2章 数据建模实战——“泰坦尼克号”示例
2.1 线性回归模型
2.1.1 原因
2.1.2 广告——一个财务方面的例子
2.2 线性分类模型
分类与逻辑回归
2.3 “泰坦尼克号”示例——建立和训练模型
2.3.1 数据处理和可视化
2.3.2 数据分析——监督机器学习
2.4 不同类型的误差解析
2.5 表现（训练集）误差
2.6 泛化/真实误差
2.7 总结
第3章 特征工程与模型复杂性——重温“泰坦尼克号”示例
3.1 特征工程
3.1.1 特征工程的类型
3.1.2 重温“泰坦尼克号”示例
3.2 维度灾难
避免维度灾难
3.3 重温“泰坦尼克号”示例——融会贯通
3.4 偏差-方差分解
3.5 学习可见性[2]
打破经验法则
3.6 总结
第4章 TensorFlow入门实战
4.1 安装TensorFlow
4.1.1 在Ubuntu 16.04系统上安装GPU版的TensorFlow
4.1.2 在Ubuntu 16.04系统上安装CPU版的TensorFlow
4.1.3 在Mac OS X上安装CPU版的TensorFlow
4.1.4 在Windows系统上安装CPU/GPU版的TensorFlow
4.2 TensorFlow运行环境
4.3 计算图
4.4 TensorFlow中的数据类型、变量、占位符
4.4.1 变量
4.4.2 占位符
4.4.3 数学运算
4.5 获取TensorFlow的输出
4.6 TensorBoard——可视化学习过程
4.7 总结
第5章 TensorFlow基础示例实战
5.1 神经元的结构
生物学中的激活和连接
5.2 激活函数
5.2.1 sigmoid
5.2.2 tanh
5.2.3 ReLU
5.3 前馈神经网络
5.4 需要多层网络的原因
5.4.1 训练MLP——反向传播算法
5.4.2 前馈传播
5.4.3 反向传播和权值更新
5.5 TensorFlow术语回顾
5.5.1 使用Tensorflow定义多维数组
5.5.2 为什么使用张量
5.5.3 变量
5.5.4 占位符
5.5.5 操作
5.6 构建与训练线性回归模型
使用Tensorflow实现线性回归
5.7 构建与训练逻辑回归模型
在TensorFlow中使用逻辑回归
5.8 总结
第6章 深度前馈神经网络——实现数字分类
6.1 隐藏单元与架构设计
6.2 MNIST数据集分析
MNIST数据
6.3 数字分类——构建与训练模型
6.3.1 分析数据
6.3.2 构建模型
6.3.3 训练模型
6.4 总结
第7章 卷积神经网络
7.1 卷积运算
7.2 动机
CNN的应用
7.3 CNN的不同层
7.3.1 输入层
7.3.2 卷积步骤
7.3.3 引入非线性
7.3.4 池化步骤
7.3.5 全连接层
7.4 CNN基础示例——MNIST手写数字分类
7.4.1 构建模型
7.4.2 训练模型
7.5 总结
第8章 目标检测——CIFAR-10示例
8.1 目标检测
8.2 CIFAR-10目标图像检测——构建与训练模型
8.2.1 使用软件包
8.2.2 加载CIFAR-10数据集
8.2.3 数据分析与预处理
8.2.4 建立网络
8.2.5 训练模型
8.2.6 测试模型
8.3 总结
第9章 目标检测——CNN迁移学习
9.1 迁移学习
9.1.1 迁移学习背后的直觉
9.1.2 传统机器学习与迁移学习之间的不同
9.2 CIFAR-10目标检测——回顾
9.2.1 解决方案大纲
9.2.2 加载和探索CIFAR-10数据集
9.2.3 inception模型迁移值
9.2.4 迁移值分析
9.2.5 模型构建与训练
9.3 总结
第10章 循环神经网络——语言模型
10.1 RNN的直观解释
10.1.1 RNN的架构
10.1.2 RNN的示例
10.1.3 梯度消失问题
10.1.4 长期依赖问题
10.2 LSTM网络
为什么LSTM网络有效
10.3 语言模型的实现
10.3.1 生成训练的最小批
10.3.2 构建模型
10.3.3 训练模型
10.4 总结
第11章 表示学习——实现词嵌入
11.1 表示学习简介
11.2 Word2Vec
构建Word2Vec模型
11.3 skip-gram架构的一个实际例子
11.4 实现skip-gram Word2Vec
11.4.1 数据分析与预处理
11.4.2 构建模型
11.4.3 训练模型
11.5 总结
第12章 神经网络在情感分析中的应用
12.1 常用的情感分析模型
12.1.1 RNN——情感分析背景
12.1.2 梯度爆炸与梯度消失——回顾
12.2 情感分析——模型实现
12.2.1 Keras
12.2.2 数据分析与预处理
12.2.3 构建模型
12.2.4 模型训练和结果分析
12.3 总结
第13章 自动编码器——特征提取和降噪
13.1 自动编码器简介
13.2 自动编码器的示例
13.3 自动编码器架构
13.4 压缩MNIST数据集
13.4.1 MNIST数据集
13.4.2 构建模型
13.4.3 训练模型
13.5 卷积自动编码器
13.5.1 数据集
13.5.2 构建模型
13.5.3 训练模型
13.6 降噪自动编码器
13.6.1 构建模型
13.6.2 训练模型
13.7 自动编码器的应用
13.7.1 图像着色
13.7.2 更多的应用
13.8 总结
第14章 生成对抗网络
14.1 直观介绍
14.2 GAN的简单实现
14.2.1 模型输入
14.2.2 变量作用域
14.2.3 Leaky ReLU
14.2.4 生成器
14.2.5 判别器
14.2.6 构建GAN网络
14.2.7 训练模型
14.2.8 从生成器中采样
14.3 总结
第15章 面部生成与标签缺失处理
15.1 面部生成
15.1.1 获取数据
15.1.2 探讨数据集
15.1.3 构建模型
15.2 用生成对抗网络进行半监督学习
15.2.1 直观解释
15.2.2 数据分析与预处理
15.2.3 构建模型
15.3 总结
附录A 实现鱼类识别
鱼类识别部分的代码
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
