Python 深度學習

王志立

  • 出版商: 清華大學
  • 出版日期: 2021-01-01
  • 定價: $414
  • 售價: 7.9$327
  • 語言: 簡體中文
  • 頁數: 224
  • 裝訂: 平裝
  • ISBN: 7302555222
  • ISBN-13: 9787302555223
  • 相關分類: DeepLearning
  • 立即出貨

  • Python 深度學習-preview-1
  • Python 深度學習-preview-2
  • Python 深度學習-preview-3
Python 深度學習-preview-1

買這商品的人也買了...

商品描述

深度學習是人工智能技術和研究領域之一,通過建立階層人工神經網絡在電腦實現人工智能。通過本課程的學習,讀者可以瞭解Python開發環境構建、Python基礎、網絡爬蟲的數據採集、深度學習BP神經網絡、捲積神經網絡、循環神經網絡、遺傳算法和進化策略等。本課程理論與實踐並重,配套教學視頻,知識體系完整全面,讀者通過本教程的學習可以構建屬於自己的深度學習知識體系,瞭解人工智能的發展趨勢和新技術,並可以往自己感興趣的方向深挖。本書可作為人工智能初學者的入門書目,也可作為具備一定知識背景的讀者的學習參考書籍。

作者簡介

王志立,江蘇金智教育技術有限公司人工智能算法項目軟件工程師,熟悉人工智能知識框架體系;曾於深信服科技股份有限公司創新研究院作為軟件開發工程師參與大數據算法項目;同時在社交平台運營知識專欄“Python機器學習體系”,幫助廣大讀者構建屬於自己的人工智能知識體系。

目錄大綱

目錄

1章導論
1.1本書學習路線
1.2人工智能與深度學習
1.3深度學習的算法流程
1.3.1特徵工程
1.3.2模型評估
1.4總結

2章Python開發環境搭建
2.1Linu服務器
2.1.1下載與安裝
2.1.2使用mobaterm連接遠程服務器
2.1.3在服務器上安裝Python開發環境
2.1.4Jupyter tebook的使用
2.2Windows平台
2.2.1下載Anaconda
2.2.2安裝配置
2.2.3安裝路徑配置
2.2.4系統環境配置
2.2.5在Windows上使用Jupyter tebook
2.3使用Anaconda國內源
2.3.1更換清華源
2.3.2更換中科大源
2.3.3pip設定阿里雲源
2.4Python虛擬環境
2.4.1創建Python虛擬環境
2.4.2切換虛擬環境
2.4.3在虛擬環境中安裝額外的包
2.4.4虛擬環境的相關命令
2.5PyCharm遠程連接服務器
2.5.1下載PyCharm專業版
2.5.2PyCharm連接虛擬環境
2.5.3使用screen進行任務管理
2.6總結

3章Python基礎
3.1Python簡介
3.2Python初階學習
3.2.1變量賦值
3.2.2標準數據類型
3.2.3數據類型轉換
3.2.4算術運算符
3.2.5格式化
3.3Python進階學習
3.3.1循環
3.3.2條件語句
3.3.3文件I/O
3.3.4異常
3.3.5導包
3.4Python高階學習
3.4.1面向過程編程
3.4.2面向對象編程
3.4.3面向過程與面向對象的區別
3.5正則表達式
3.5.1re.match
3.5.2re.search
3.5.3re.sub
3.5.4re.compile 函數與findall
3.5.5正則表達式的重點
3.6進程與線程
3.6.1多進程的例子
3.6.2多線程例子
3.7總結

4章深度學習
4.1Keras簡介
4.1.1Keras的優點
4.1.2Keras的缺點
4.1.3Keras的安裝
4.2全連接神經網絡
4.2.1全連接神經網絡簡介
4.2.2全連接神經網絡原理
4.2.3全連接神經網絡小結
4.3卷積神經網絡
4.3.1全連接神經網絡的缺點
4.3.2卷積神經網絡原理
4.3.3卷積神經網絡與全連接神經網絡的區別
4.3.4卷積層
4.3.5局部連接和權值共享
4.3.6池化層
4.3.7訓練
4.3.8卷積神經網絡的參數設置
4.3.9卷積神經網絡小結
4.4參數
4.4.1過擬合
4.4.2優化器
4.4.3學習率
4.4.4常見的激勵函數
4.4.5常見的損失函數
4.4.6其他參數
4.4.7參數設置小結
4.5自編碼器
4.5.1自編碼器的原理
4.5.2常見的自編碼器
4.5.3自編碼器小結
4.6RNN與RNN的變種結構
4.6.1RNN與全連接神經網絡的區別
4.6.2RNN的優勢
4.6.3其他RNN結構
4.6.4LSTM
4.6.5門控循環單元
4.6.6RNN與RNN變種結構小結
4.7代碼實踐
4.7.1全連接神經網絡回歸——房價預測
4.7.2全連接神經網絡與文本分類
4.7.3卷積神經網絡之文本分類
4.7.4卷積神經網絡之圖像分類
4.7.5自編碼器
4.7.6LSTM實例之預測股價趨勢
4.8總結

5章生成對抗網絡
5.1生成對抗網絡的原理
5.2生成對抗網絡的訓練過程
5.3實驗
5.3.1代碼
5.3.2結果分析
5.4總結

6章遺傳算法與神經網絡
6.1遺傳演化神經網絡
6.1.1遺傳算法原理
6.1.2遺傳算法整體流程
6.1.3遺傳算法遇上神經網絡
6.1.4演化神經網絡實驗
6.2遺傳拓撲神經網絡
6.2.1遺傳拓撲神經網絡原理
6.2.2算法核心
6.2.3NEAT實驗
6.3總結

7章遷移學習與計算機視覺
7.1計算機視覺
7.1.1圖像分類
7.1.2目標檢測
7.1.3語義分割
7.1.4實例分割
7.2計算機視覺遇上遷移學習
7.2.1VGG
7.2.2VGG16與圖像分類
7.2.3VGG16與目標檢測
7.2.4VGG16與語義分割
7.2.5ResNeXt與實例分割
7.3遷移學習與計算機視覺實踐
7.3.1實驗環境
7.3.2實驗流程
7.3.3代碼
7.3.4結果分析
7.4總結

8章遷移學習與自然語言處理
8.1自然語言處理預訓練模型
8.1.1Word2Vec
8.1.2BERT
8.1.3RoBERTa
8.1.4ERNIE
8.1.5BERT_WWM
8.1.6NLP預訓練模型對比
8.2自然語言處理大下游任務
8.2.1句子對分類任務
8.2.2單句子分類任務
8.2.3問答任務
8.2.4單句子標註任務
8.3遷移學習與自然語言處理競賽實踐
8.3.1賽題背景
8.3.2賽題任務
8.3.3數據說明
8.3.4環境搭建
8.3.5賽題分析
8.3.6實驗代碼
8.4總結
參考文獻