總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 計算技術、計算機技術
 
 
 
 
Python深度學習
 叢書名稱: 圖靈程序設計叢書
 作  者: (美)弗朗索瓦•肖萊
 出版單位: 人民郵電
 出版日期: 2018.01
 進貨日期: 2018/10/11
 ISBN: 9787115488763
 開  本: 16 開    
 定  價: 893
 售  價: 714
  會 員 價 : 655
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

《Python深度學習》由Keras之父、現任Google人工智慧研究員的Franc?ois Chollet執筆,詳盡展示了用Python、Keras、TensorFlow進行深度學習的探索實踐,涉及電腦視覺、自然語言處理、生成式模型等應用。在學習完本書後,讀者將瞭解深度學習、機器學習和神經網路的關鍵概念,具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力,學會解決現實世界中的深度學習問題。除此之外,本書還深刻剖析了當前的"人工智慧熱",從理性的視角展望了深度學習在未來的可能性。 ● 30多個代碼示例,帶你全面掌握如何用深度學習解決實際問題 ● Keras框架速成的明智之選 ● 夯實深度學習基礎,在實踐中培養對深度神經網路的良好直覺 ● 無須機器學習經驗和高等數學背景 "本書在當前的‘人工智慧熱‘和深度學習的本來面目之間架起了一座橋樑。"-Peter Rabinovitch,雲平臺Akamai高級性能工程師 "本書是助你進階為Keras及深度學習高手的秘笈。"-Claudio Rodriguez,IT服務公司Candid Partners高級DevOps工程師 "本書是我為華盛頓大學設計的一門深度學習課程所選的教材,非常實用。能夠直接得到Keras之父的建議真是一樁幸事。"-Amazon.com用戶Eric Nichols


內容簡介:

本書由Keras之父、現任Google人工智慧研究員的弗朗索瓦?肖萊(Franc?ois Chollet)執筆,詳盡介紹了用Python和Keras進行深度學習的探索實踐,包括電腦視覺、自然語言處理、產生式模型等應用。書中包含30多個代碼示例,步驟講解詳細透徹。由於本書立足於人工智慧的可達性和大眾化,讀者無須具備機器學習相關背景知識即可展開閱讀。在學習完本書後,讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。


作者簡介:

弗朗索瓦·肖萊(Francois Chollet) Keras之父,TensorFlow機器學習框架貢獻者,Kaggle競賽教練,個人Kaggle競賽全球排名曾獲得第 17名。目前任職於Google,從事人工智慧研究,尤其關注電腦視覺與機器學習在形式推理方面的應用。 譯者:張亮(hysic) 畢業於北京大學物理學院,愛好機器學習和數據分析的核安全工程師,譯有《Python數據處理》《Python機器學習基礎教程》等。


圖書目錄:

第 一部分 深度學習基礎

第 1章 什麼是深度學習 2

1.1 人工智慧、機器學習與深度學習 2

1.1.1 人工智慧 3

1.1.2 機器學習 3

1.1.3 從數據中學習表示 4

1.1.4 深度學習之“深度” 6

1.1.5 用三張圖理解深度學習的工作原理 7

1.1.6 深度學習已經取得的進展 9

1.1.7 不要相信短期炒作 9

1.1.8 人工智慧的未來 10

1.2 深度學習之前:機器學習簡史 11

1.2.1 概率建模 11

1.2.2 早期神經網路 11

1.2.3 核方法 12

1.2.4 決策樹、隨機森林與梯度提升機 13

1.2.5 回到神經網路 14

1.2.6 深度學習有何不同 14

1.2.7 機器學習現狀 15

1.3 為什麼是深度學習,為什麼是現在 15

1.3.1 硬體 16

1.3.2 數據 17

1.3.3 演算法 17

1.3.4 新的投資熱潮 17

1.3.5 深度學習的大眾化 18

1.3.6 這種趨勢會持續嗎 18

第 2章 神經網路的數學基礎 20

2.1 初識神經網路 20

2.2 神經網路的數據表示 23

2.2.1 標量(0D張量) 23

2.2.2 向量(1D張量) 24

2.2.3 矩陣(2D張量) 24

2.2.4 3D張量與更高維張量 24

2.2.5 關鍵屬性 25

2.2.6 在Numpy中操作張量 26

2.2.7 數據批量的概念 27

2.2.8 現實世界中的數據張量 27

2.2.9 向量數據 27

2.2.10 時間序列數據或序列數據 28

2.2.11 圖像數據 28

2.2.12 視頻數據 29

2.3 神經網路的“齒輪”:張量運算 29

2.3.1 逐元素運算 30

2.3.2 廣播 31

2.3.3 張量點積 32

2.3.4 張量變形 34

2.3.5 張量運算的幾何解釋 34

2.3.6 深度學習的幾何解釋 35

2.4 神經網路的“引擎”:基於梯度的優化 36

2.4.1 什麼是導數 37

2.4.2 張量運算的導數:梯度 38

2.4.3 隨機梯度下降 38

2.4.4 鏈式求導:反向傳播演算法 41

2.5 回顧第 一個例子 41

本章小結 42

第3章 神經網路入門 43

3.1 神經網路剖析 43

3.1.1 層:深度學習的基礎組件 44

3.1.2 模型:層構成的網路 45

3.1.3 損失函數與優化器:配置學習過程的關鍵 45

3.2 Keras簡介 46

3.2.1 Keras、TensorFlow、Theano 和CNTK 47

3.2.2 使用Keras 開發:概述 48

3.3 建立深度學習工作站 49

3.3.1 Jupyter筆記本:運行深度學習實驗的首選方法 49

3.3.2 運行Keras:兩種選擇 50

3.3.3 在雲端運行深度學習任務:優點和缺點 50

3.3.4 深度學習的最佳GPU 50

3.4 電影評論分類:二分類問題 51

3.4.1 IMDB 數據集 51

3.4.2 準備數據 52

3.4.3 構建網路 52

3.4.4 驗證你的方法 56

3.4.5 使用訓練好的網路在新數據上生成預測結果 59

3.4.6 進一步的實驗 59

3.4.7 小結 59

3.5 新聞分類:多分類問題 59

3.5.1 路透社數據集 60

3.5.2 準備數據 61

3.5.3 構建網路 61

3.5.4 驗證你的方法 62

3.5.5 在新數據上生成預測結果 65

3.5.6 處理標籤和損失的另一種方法 65

3.5.7 中間層維度足夠大的重要性 65

3.5.8 進一步的實驗 66

3.5.9 小結 66

3.6 預測房價:回歸問題 66

3.6.1 波士頓房價數據集 67

3.6.2 準備數據 67

3.6.3 構建網路 68

3.6.4 利用K折驗證來驗證你的方法 68

3.6.5 小結 72

本章小結 73

第4章 機器學習基礎 74

4.1 機器學習的四個分支 74

4.1.1 監督學習 74

4.1.2 無監督學習 75

4.1.3 自監督學習 75

4.1.4 強化學習 75

4.2 評估機器學習模型 76

4.2.1 訓練集、驗證集和測試集 77

4.2.2 評估模型的注意事項 80

4.3 數據預處理、特徵工程和特徵學習 80

4.3.1 神經網路的數據預處理 80

4.3.2 特徵工程 81

4.4 過擬合與欠擬合 83

4.4.1 減小網路大小 83

4.4.2 添加權重正則化 85

4.4.3 添加dropout正則化 87

4.5 機器學習的通用工作流程 89

4.5.1 定義問題,收集數據集 89

4.5.2 選擇衡量成功的指標 89

4.5.3 確定評估方法 90

4.5.4 準備數據 90

4.5.5 開發比基準更好的模型 90

4.5.6 擴大模型規模:開發過擬合的模型 91

4.5.7 模型正則化與調節超參數 92

本章小結 92

第二部分 深度學習實踐

第5章 深度學習用於電腦視覺 94

5.1 卷積神經網路簡介 94

5.1.1 卷積運算 96

5.1.2 最大池化運算 101

5.2 在小型數據集上從頭開始訓練一個卷積神經網路 102

5.2.1 深度學習與小數據問題的相關性 103

5.2.2 下載數據 103

5.2.3 構建網路 106

5.2.4 數據預處理 107

5.2.5 使用數據增強 111

5.3 使用預訓練的卷積神經網路 115

5.3.1 特徵提取 116

5.3.2 微調模型 124

5.3.3 小結 130

5.4 卷積神經網路的可視化 130

5.4.1 可視化中間啟動 131

5.4.2 可視化卷積神經網路的篩檢程式 136

5.4.3 可視化類啟動的熱力圖 142

本章小結 146

第6章 深度學習用於文本和序列 147

6.1 處理文本數據 147

6.1.1 單詞和字元的one-hot編碼 149

6.1.2 使用詞嵌入 151

6.1.3 整合在一起:從原始文本到詞嵌入 155

6.1.4 小結 162

6.2 理解迴圈神經網路 162

6.2.1 Keras中的迴圈層 164

6.2.2 理解LSTM層和GRU層 168

6.2.3 Keras中一個LSTM的具體例子 170

6.2.4 小結 172

6.3 迴圈神經網路的高級用法 172

6.3.1 溫度預測問題 172

6.3.2 準備數據 175

6.3.3 一種基於常識的、非機器學習的基準方法 177

6.3.4 一種基本的機器學習方法 178

6.3.5 第 一個迴圈網路基準 180

6.3.6 使用迴圈dropout來降低過擬合 181

6.3.7 迴圈層堆疊 182

6.3.8 使用雙向RNN 184

6.3.9 更多嘗試 187

6.3.10 小結 187

6.4 用卷積神經網路處理序列 188

6.4.1 理解序列數據的一維卷積 188

6.4.2 序列數據的一維池化 189

6.4.3 實現一維卷積神經網路 189

6.4.4 結合CNN和RNN來處理長序列 191

6.4.5 小結 195

本章總結 195

第7章 高級的深度學習最佳實踐 196

7.1 不用Sequential模型的解決方案:Keras 函數式API 196

7.1.1 函數式API簡介 199

7.1.2 多輸入模型 200

7.1.3 多輸出模型 202

7.1.4 層組成的有向無環圖 204

7.1.5 共用層權重 208

7.1.6 將模型作為層 208

7.1.7 小結 209

7.2 使用Keras回調函數和TensorBoard來檢查並監控深度學習模型 210

7.2.1 訓練過程中將回調函數作用於模型 210

7.2.2 TensorBoard簡介:TensorFlow的可視化框架 212

7.2.3 小結 219

7.3 讓模型性能發揮到極致 219

7.3.1 高級架構模式 219

7.3.2 超參數優化 222

7.3.3 模型集成 223

7.3.4 小結 224

本章總結 225

第8章 生成式深度學習 226

8.1 使用LSTM生成文本 227

8.1.1 生成式迴圈網路簡史 227

8.1.2 如何生成序列數據 228

8.1.3 採樣策略的重要性 229

8.1.4 實現字元級的LSTM文本生成 230

8.1.5 小結 234

8.2 DeepDream 235

8.2.1 用Keras實現DeepDream 236

8.2.2 小結 241

8.3 神經風格遷移 241

8.3.1 內容損失 242

8.3.2 風格損失 243

8.3.3 用Keras實現神經風格遷移 243

8.3.4 小結 249

8.4 用變分自編碼器生成圖像 249

8.4.1 從圖像的潛在空間中採樣 249

8.4.2 圖像編輯的概念向量 250

8.4.3 變分自編碼器 251

8.4.4 小結 256

8.5 生成式對抗網路簡介 257

8.5.1 GAN 的簡要實現流程 258

8.5.2 大量技巧 259

8.5.3 生成器 260

8.5.4 判別器 261

8.5.5 對抗網路 261

8.5.6 如何訓練DCGAN 262

8.5.7 小結 264

本章總結 264

第9章 總結 265

9.1 重點內容回顧 265

9.1.1 人工智慧的各種方法 265

9.1.2 深度學習在機器學習領域中的特殊之處 266

9.1.3 如何看待深度學習 266

9.1.4 關鍵的推動技術 267

9.1.5 機器學習的通用工作流程 268

9.1.6 關鍵網路架構 268

9.1.7 可能性空間 272

9.2 深度學習的局限性 273

9.2.1 將機器學習模型擬人化的風險 273

9.2.2 局部泛化與極端泛化 275

9.2.3 小結 276

9.3 深度學習的未來 277

9.3.1 模型即程式 277

9.3.2 超越反向傳播和可微層 278

9.3.3 自動化機器學習 279

9.3.4 終身學習與模組化副程式複用 279

9.3.5 長期願景 281

9.4 瞭解一個快速發展領域的最新進展 281

9.4.1 使用Kaggle練習解決現實世界的問題 281

9.4.2 在arXiv閱讀最新進展 282

9.4.3 探索Keras生態系統 282

9.5 結束語 282

附錄A 在Ubuntu上安裝Keras及其依賴 283

附錄B 在EC2 GPU實例上運行Jupyter筆記本 287

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 部分書籍附贈配件(如音頻mp3或dvd等)已無實體光碟提供,需以QR CODE 連結至出版社提供的網站註冊並通過驗證程序,方可下載使用。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。