注冊(cè) | 登錄讀書(shū)好,好讀書(shū),讀好書(shū)!
讀書(shū)網(wǎng)-DuShu.com
當(dāng)前位置: 首頁(yè)出版圖書(shū)科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)人工智能Keras深度神經(jīng)網(wǎng)絡(luò)

Keras深度神經(jīng)網(wǎng)絡(luò)

Keras深度神經(jīng)網(wǎng)絡(luò)

定 價(jià):¥49.80

作 者: (印)喬·穆拉伊爾
出版社: 清華大學(xué)出版社
叢編項(xiàng):
標(biāo) 簽: 暫缺

購(gòu)買(mǎi)這本書(shū)可以去


ISBN: 9787302551638 出版時(shí)間: 2020-05-01 包裝: 平裝
開(kāi)本: 16開(kāi) 頁(yè)數(shù): 132 字?jǐn)?shù):  

內(nèi)容簡(jiǎn)介

  主要內(nèi)容 ● 用數(shù)學(xué)和編程思維快速掌握實(shí)用的深度學(xué)習(xí)概念 ● 利用Keras框架設(shè)計(jì)、開(kāi)發(fā)、訓(xùn)練、驗(yàn)證和部署深度神經(jīng)網(wǎng)絡(luò) ● 呈現(xiàn)調(diào)試和驗(yàn)證深度學(xué)習(xí)模型的最佳實(shí)踐 ● 將深度學(xué)習(xí)作為服務(wù)部署并集成到大型軟件服務(wù)或產(chǎn)品中 ● 將深度學(xué)習(xí)基本原理擴(kuò)展到其他主流框架

作者簡(jiǎn)介

  喬·穆拉伊爾(Jojo Moolayil)是人工智能、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)和決策科學(xué)領(lǐng)域的專(zhuān)家,曾撰寫(xiě)Smarter Decisions:The Intersection of IoT and Decision Science (Packt,2016)一書(shū)。他與一些行業(yè)領(lǐng)導(dǎo)者在多個(gè)垂直領(lǐng)域共同研發(fā)了幾個(gè)影響重大的數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)項(xiàng)目。他目前是Amazon Web Services(laaS提供商)的人工智能領(lǐng)域高級(jí)研究員。Jojo出生并成長(zhǎng)在印度浦那,畢業(yè)于浦那大學(xué)信息技術(shù)工程專(zhuān)業(yè)。他的職業(yè)生涯始于世界上**的純游戲分析提供商Mu Sigma公司,與許多《財(cái)富》50強(qiáng)客戶(hù)共過(guò)事。后來(lái)他就職于物聯(lián)網(wǎng)分析初創(chuàng)公司Flutura以及工業(yè)人工智能的先驅(qū)和領(lǐng)導(dǎo)者GE公司。他目前居住在加拿大溫哥華市。除了撰寫(xiě)有關(guān)深度學(xué)習(xí)、決策科學(xué)和物聯(lián)網(wǎng)的書(shū)籍外,Jojo還為Apress和Packt Publishing出版社就上述領(lǐng)域的各種書(shū)籍擔(dān)任技術(shù)編輯。他是一位活躍的數(shù)據(jù)科學(xué)導(dǎo)師。

圖書(shū)目錄

目    錄


 

第1章  深度學(xué)習(xí)和Keras簡(jiǎn)介   1

1.1  深度學(xué)習(xí)簡(jiǎn)介   1

1.1.1  揭開(kāi)流行術(shù)語(yǔ)的神秘面紗   1

1.1.2  深度學(xué)習(xí)可求解當(dāng)今世界中的哪些經(jīng)典問(wèn)題   4

1.1.3  深度學(xué)習(xí)模型分解   4

1.2  探索流行的深度學(xué)習(xí)框架   6

1.2.1  低級(jí)深度學(xué)習(xí)框架   7

1.2.2  高級(jí)深度學(xué)習(xí)框架   9

1.3  初步了解Keras框架   10

1.3.1  準(zhǔn)備數(shù)據(jù)   11

1.3.2  定義模型結(jié)構(gòu)   12

1.3.3  訓(xùn)練模型和預(yù)測(cè)   12

1.4  本章小結(jié)   12

第2章  上手Keras   13

2.1  設(shè)置環(huán)境   13

2.1.1  選擇Python版本   13

2.1.2  在Windows、Linux或macOS中安裝Python   14

2.1.3  安裝Keras和TensorFlow后端   14

2.2  Keras深度學(xué)習(xí)入門(mén)   16

2.2.1  輸入數(shù)據(jù)   17

2.2.2  神經(jīng)元   18

2.2.3  激活函數(shù)   19

2.2.4  sigmoid激活函數(shù)   19

2.2.5  模型   21

2.2.6  層   22

2.2.7  損失函數(shù)   24

2.2.8  優(yōu)化器   26

2.2.9  評(píng)價(jià)指標(biāo)   29

2.2.10  配置模型   30

2.2.11  訓(xùn)練模型   30

2.2.12  模型評(píng)估   33

2.3  組合所有基本模塊   34

2.4  本章小結(jié)   39

第3章  基于深度神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí):回歸   41

3.1  引言   41

3.2  問(wèn)題表述   43

3.2.1  為什么利用一種設(shè)計(jì)原則來(lái)表示問(wèn)題表述很重要   43

3.2.2  設(shè)計(jì)SCQ   44

3.2.3  設(shè)計(jì)解決方案   45

3.3  探索數(shù)據(jù)   46

3.3.1  查看數(shù)據(jù)字典   48

3.3.2  查找數(shù)據(jù)類(lèi)型   50

3.3.3  處理時(shí)間   51

3.3.4  預(yù)測(cè)銷(xiāo)售額   53

3.3.5  探索數(shù)值列   54

3.3.6  了解分類(lèi)特征   56

3.4  數(shù)據(jù)工程   60

3.5  定義模型的基準(zhǔn)性能   64

3.6  設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)   65

3.6.1  測(cè)試模型性能   68

3.6.2  改進(jìn)模型   68

3.6.3  增加神經(jīng)元數(shù)量   71

3.6.4  繪制跨歷元的損失指標(biāo)曲線   73

3.6.5  人工測(cè)試模型   74

3.7  本章小結(jié)   75

第4章  基于深度神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí):分類(lèi)   77

4.1  引言   77

4.2  問(wèn)題表述   78

4.2.1  設(shè)計(jì)SCQ   78

4.2.2  設(shè)計(jì)解決方案   79

4.3  探索數(shù)據(jù)   80

4.4  數(shù)據(jù)工程   84

4.5  定義模型的準(zhǔn)確率基準(zhǔn)   89

4.6  設(shè)計(jì)分類(lèi)深度神經(jīng)網(wǎng)絡(luò)   90

4.7  重訪數(shù)據(jù)   94

4.7.1  標(biāo)準(zhǔn)化、歸一化和縮放數(shù)據(jù)   94

4.7.2  轉(zhuǎn)換輸入數(shù)據(jù)   95

4.8  基于改進(jìn)數(shù)據(jù)的分類(lèi)深度神經(jīng)網(wǎng)絡(luò)   96

4.9  本章小結(jié)   101

第5章  深度神經(jīng)網(wǎng)絡(luò)調(diào)優(yōu)與部署   103

5.1  過(guò)擬合問(wèn)題   103

5.2  什么是正則化   104

5.2.1  L1正則化   105

5.2.2  L2正則化   106

5.2.3  丟棄正則化   106

5.3  超參數(shù)調(diào)優(yōu)   107

5.3.1  深度學(xué)習(xí)中的超參數(shù)   108

5.3.2  超參數(shù)調(diào)優(yōu)方法   111

5.4  模型部署   114

5.4.1  定制測(cè)試數(shù)據(jù)   114

5.4.2  將模型保存到內(nèi)存   116

5.4.3  用新數(shù)據(jù)重新訓(xùn)練模型   117

5.4.4  在線模型   117

5.4.5  以API形式交付模型   118

5.4.6  組件集成   118

5.5  本章小結(jié)   119

第6章  未來(lái)的學(xué)習(xí)方向   121

6.1  下一步需掌握的深度學(xué)習(xí)專(zhuān)業(yè)知識(shí)   121

6.1.1  CNN   122

6.1.2  RNN   125

6.1.3  CNN+RNN   127

6.2  為什么深度學(xué)習(xí)需要GPU   128

6.3  深度學(xué)習(xí)的其他熱門(mén)領(lǐng)域   130

6.4  結(jié)束寄語(yǔ)   131


本目錄推薦

掃描二維碼
Copyright ? 讀書(shū)網(wǎng) m.ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號(hào) 鄂公網(wǎng)安備 42010302001612號(hào)