Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)

Keras 原創者 François Chollet 著

  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-1
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-2
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-3
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-4
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-5
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-6
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-7
  • Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-8
Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)-preview-1

買這商品的人也買了...

商品描述

用 Python + Keras 實踐深度學習, 解開神經網路模型的黑盒子

在高階函式庫 Keras 的幫助下, 用 6 行程式就可寫一隻深度學習神經網路的程式, 建構深度學習模型就像玩樂高積木一樣, 可以輕易將各種神經網路組合在一起, 而每一種模型可用來解決不同的問題。

正宗 Keras 大神著作,正體中文版重磅登場

本書為 Keras 之父 François Chollet 親自撰寫, 詳細解說神經網路每一層的架構與原理, 並不時提供個人經驗累積而成的真知灼見, 帶領讀者熟悉機器學習的標準工作流程, 並了解如何使用 Keras 解決從電腦視覺到自然語言處理的各種實務問題, 例如圖像分類、時間序列預測、情感分析、圖像和文字資料的生成...等, 最有效率實作出可用的模型, 絕對是機器學習、資料科學、人工智慧從業人員必讀的經典之作。

最後引述 François Chollet 在書中所說:深度學習並不難, 只是又多又雜, 這本書就是希望能夠提供更多人瞭解深度學習的第一步。這不表示我們會把複雜的內容簡化 (因為這些都是深度學習所必需的), 而是希望各位不要擔心深度學習太過於困難而裹足不前。希望你能夠發現本書的價值, 並跟著本書逐步建構屬於你的人工智慧應用程式。 
本書特色: 
  本書由施威銘研究室 監修, 書中會針對原書所提及的背景知識做補充, 所有程式均經過實際執行測試, 並適當添加註解與程式碼, 幫助讀者能更加理解程式內容。

■ CNN – 用於電腦視覺的深度學習
■ RNN – 用於文字與序列資料的深度學習
■ LSTM、VAE 與 DeepDream
■ 神經風格轉換
■ GAN 生成對抗神經網路
■ 機器學習與神經網路
■ 張量 Tensor 與張量運算
■ Keras API、callbacks 與 TensorBoard
■ 超參數優化與模型集成

本書相關資源網頁如下, 請登錄下載範例程式及 Bonus:
http://www.flag.com.tw/bk/t/f9379

也歡迎加入本書社群, 和技術者們直接對話!
「從做中學 Learning by doing」粉絲專頁 
(https://www.facebook.com/flaglearningbydoing/)

作者簡介

作者 François Chollet 為 Keras 之父, 是 Keras 函式庫的創始者, 也是 TensorFlow 機器學習框架的貢獻者, 目前任職於 Google 深度學習小組, 公認為全球 AI 人工智慧領域的權威之一, 也經常在社群媒體針對 AI 或機器學習技術發表前瞻性的看法。
作者同時也是一名知名學者, 主要研究方向為電腦視覺和機器學習在正規推理中的應用, 其論文時常發表於該領域的主要學術會議上, 包括 電腦視覺和模式識別會議(Conference on Computer Vision and Pattern Recognition, CVPR)、神經資訊處理系統研討會(Conference and Workshop on Neural Information Processing System, NIPS)、國際學習表示法會議(International Conference on Learning Representations, ICLR),與其他重要學術會議上。

目錄大綱

目錄 : 
Ch01何謂深度學習?
1-1 人工智慧、機器學習與深度學習
1-2 機器學習的基礎技術:深度學習之前
1-3 為什麼是深度學習?為什麼是現在?

Ch02 開始之前:了解神經網路的數學概念
2-1 初探神經網路
2-2 神經網路的資料表示法:張量 Tensor
2-3 神經網路的工具:張量運算
2-4 神經網路的引擎:以梯度為基礎的最佳化
2-5 回顧我們的第一個例子

Ch03 開始使用神經網路
3-1 神經網路的核心元件
3-2 Keras 簡介
3-3 建立一個深度學習的作業環境
3-4 二元分類範例:將電影評論分類為正評或負評
3-5 分類數位新聞專欄:多類別分類範例
3-6 預測房價:迴歸範例

Ch04 機器學習的基礎知識
4-1 機器學習的四個分支
4-2 評估機器學習模型
4-3 資料預處理 (preprocessing)、特徵工程 (feature engineering) 和特徵學習 (feature learning)
4-4 過度配適 (overfitting) 和低度配適 (underfitting)
4-5 機器學習的通用工作流程

Ch05 深度學習實務電腦視覺的深度學習
5-1 卷積神經網路 CNN
5-2 以少量資料集從頭訓練一個卷積神經網路
5-3 使用預先訓練的卷積神經網路
5-4 視覺化呈現卷積神經網路學習的內容

Ch06 應用於文字資料與序列資料的深度學習 
6-1 文字資料處理
6-2 了解循環神經網路
6-3 循環神經網路的進階使用方法
6-4 使用卷積神經網路進行序列資料處理

Ch07 進階深度學習的最佳實作方式
7-1 超越序列式 (Sequential) 模型:Keras 函數式 API
7-2 使用 Keras 回呼 (callbacks) 和 TensorBoard 檢查和監控深度學習模型
7-3 模型成效最大化

Ch08 生成式深度學習
8-1 使用 LSTM 產生文字資料
8-2 DeepDream
8-3 神經風格轉換 
8-4 使用變分自編碼器 Variational Autoencoders 生成圖像
8-5 生成對抗神經網路簡介 Generative Adversarial Network

Ch09 結語
9-1 回顧關鍵概念
9-2 深度學習的侷限性
9-3 深度學習的未來
9-4 在快速發展的領域保持最新狀態 
9-5 後語

附錄 A 在 Ubuntu 上安裝 Keras 及相關套件
附錄 B 在 EC2 GPU 虛擬主機上使用 Jupyter Notebook 開發機器學習專案