Keras快速上手：基于Python的深度學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥79.00

作　者：	謝梁，魯穎，勞虹嵐著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)?網(wǎng)絡(luò) 人工智能

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121318726	出版時(shí)間：	2017-08-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	272	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《Keras快速上手：基于Python的深度學(xué)習(xí)實(shí)戰(zhàn)》系統(tǒng)地講解了深度學(xué)習(xí)的基本知識(shí)、建模過(guò)程和應(yīng)用，并以深度學(xué)習(xí)在推薦系統(tǒng)、圖像識(shí)別、自然語(yǔ)言處理、文字生成和時(shí)間序列中的具體應(yīng)用為案例，詳細(xì)介紹了從工具準(zhǔn)備、數(shù)據(jù)獲取和處理到針對(duì)問(wèn)題進(jìn)行建模的整個(gè)過(guò)程和實(shí)踐經(jīng)驗(yàn)，是一本非常好的深度學(xué)習(xí)入門(mén)書(shū)。　不同于許多講解深度學(xué)習(xí)的書(shū)籍，《Keras快速上手：基于Python的深度學(xué)習(xí)實(shí)戰(zhàn)》以實(shí)用為導(dǎo)向，選擇了 Keras 作為編程框架，強(qiáng)調(diào)簡(jiǎn)單、快速地設(shè)計(jì)模型，而不去糾纏底層代碼，使得內(nèi)容相當(dāng)易于理解，讀者可以在 CNTK、 TensorFlow 和 Theano 的后臺(tái)之間隨意切換，非常靈活。并且本書(shū)能幫助讀者從高度抽象的角度去審視業(yè)務(wù)問(wèn)題，達(dá)到事半功倍的效果。

作者簡(jiǎn)介

　　謝梁　現(xiàn)任微軟云計(jì)算核心存儲(chǔ)部門(mén)首席數(shù)據(jù)科學(xué)家，主持運(yùn)用機(jī)器學(xué)習(xí)和人工智能方法優(yōu)化大規(guī)模高可用性并行存儲(chǔ)系統(tǒng)的運(yùn)行效率和改進(jìn)其運(yùn)維方式。具有十余年機(jī)器學(xué)習(xí)應(yīng)用經(jīng)驗(yàn)，熟悉各種業(yè)務(wù)場(chǎng)景下機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘產(chǎn)品的需求分析、架構(gòu)設(shè)計(jì)、算法開(kāi)發(fā)和集成部署，涉及金融、能源和高科技等領(lǐng)域。曾經(jīng)擔(dān)任美國(guó)道瓊斯工業(yè)平均指數(shù)獨(dú)有保險(xiǎn)業(yè)成分股的旅行家保險(xiǎn)公司分析部門(mén)總監(jiān)，負(fù)責(zé)運(yùn)用現(xiàn)代統(tǒng)計(jì)學(xué)習(xí)方法優(yōu)化精算定價(jià)業(yè)務(wù)和保險(xiǎn)運(yùn)營(yíng)管理，推動(dòng)精準(zhǔn)個(gè)性化定價(jià)解決方案。在包括JournalofStatisticalSoftware等專(zhuān)業(yè)期刊上發(fā)表過(guò)多篇論文，擔(dān)任JournalofStatisticalComputationandSimulation期刊以及DataMiningApplicationswithR一書(shū)的審稿人。本科畢業(yè)于西南財(cái)經(jīng)大學(xué)經(jīng)濟(jì)學(xué)專(zhuān)業(yè)，博士畢業(yè)于紐約州立大學(xué)計(jì)量經(jīng)濟(jì)學(xué)專(zhuān)業(yè)。魯穎　現(xiàn)任谷歌硅谷總部數(shù)據(jù)科學(xué)家，為谷歌應(yīng)用商城提供核心數(shù)據(jù)決策分析，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)建立用戶(hù)行為預(yù)測(cè)模型，為產(chǎn)品優(yōu)化提供核心數(shù)據(jù)支持。曾在亞ma遜、微軟和迪士尼美國(guó)總部擔(dān)任機(jī)器學(xué)習(xí)研究科學(xué)家，有著多年使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法研發(fā)為業(yè)務(wù)提供解決方案的經(jīng)驗(yàn)。熱衷于幫助中國(guó)社區(qū)的人工智能方面的研究和落地，活躍于各個(gè)大型會(huì)議并發(fā)表主題演講。本科畢業(yè)于復(fù)旦大學(xué)數(shù)學(xué)專(zhuān)業(yè)，博士畢業(yè)于明尼蘇達(dá)大學(xué)統(tǒng)計(jì)專(zhuān)業(yè)。勞虹嵐　現(xiàn)任微軟研究院研究工程師，是早期智能硬件項(xiàng)目上視覺(jué)和語(yǔ)音研發(fā)的核心團(tuán)隊(duì)成員，對(duì)企業(yè)用戶(hù)和消費(fèi)者需求體驗(yàn)與AI技術(shù)的結(jié)合有深刻的理解和豐富的經(jīng)驗(yàn)。曾在Azure和Office365負(fù)責(zé)處理大流量高并發(fā)的后臺(tái)云端研究和開(kāi)發(fā)，精通一系列系統(tǒng)架構(gòu)設(shè)計(jì)和性能優(yōu)化方面的解決方案。擁有從前端到后端的豐富經(jīng)驗(yàn)：包括客戶(hù)需求判斷、產(chǎn)品開(kāi)發(fā)以及最終在云端架構(gòu)設(shè)計(jì)和部署。本科畢業(yè)于浙江大學(xué)電子系，碩士畢業(yè)于美國(guó)南加州大學(xué)（USC）電子和計(jì)算機(jī)系。

圖書(shū)目錄

1 準(zhǔn)備深度學(xué)習(xí)的環(huán)境 1
1.1 硬件環(huán)境的搭建和配置選擇 1
1.1.1 通用圖形處理單元 3
1.1.2 你需要什么樣的 GPU 加速卡 6
1.1.3 你的 GPU 需要多少內(nèi)存 6
1.1.4 是否應(yīng)該用多個(gè) GPU 10
1.2 安裝軟件環(huán)境 12
1.2.1 所需軟件列表 12
1.2.2 CUDA 的安裝 13
1.2.3 Python 計(jì)算環(huán)境的安裝 13
1.2.4 深度學(xué)習(xí)建模環(huán)境介紹 15
1.2.5 安裝 CNTK 及對(duì)應(yīng)的 Keras 17
1.2.6 安裝 Theano 計(jì)算環(huán)境 23
1.2.7 安裝 TensorFlow 計(jì)算環(huán)境 25
1.2.8 安裝 cuDNN 和 CNMeM 27
2 數(shù)據(jù)收集與處理 28
2.1 網(wǎng)絡(luò)爬蟲(chóng) 28
2.1.1 網(wǎng)絡(luò)爬蟲(chóng)技術(shù) 29
2.1.2 構(gòu)造自己的 Scrapy 爬蟲(chóng) 30
2.1.3 構(gòu)造可接受參數(shù)的 Scrapy 爬蟲(chóng) 35
2.1.4 運(yùn)行 Scrapy 爬蟲(chóng) 36
2.1.5 運(yùn)行 Scrapy 爬蟲(chóng)的一些要點(diǎn) 38
2.2 大規(guī)模非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)和分析 40
2.2.1 ElasticSearch 介紹 42
2.2.2 ElasticSearch 應(yīng)用實(shí)例 44
3 深度學(xué)習(xí)簡(jiǎn)介 57
3.1 概述 57
3.2 深度學(xué)習(xí)的統(tǒng)計(jì)學(xué)入門(mén) 58
3.3 一些基本概念的解釋 61
3.3.1 深度學(xué)習(xí)中的函數(shù)類(lèi)型 62
3.3.2 深度學(xué)習(xí)中的其他常見(jiàn)概念 65
3.4 梯度遞減算法 67
3.5 后向傳播算法 70
4 Keras 入門(mén) 72
4.1 Keras 簡(jiǎn)介 72
4.2 Keras 中的數(shù)據(jù)處理 73
4.2.1 文字預(yù)處理 74
4.2.2 序列數(shù)據(jù)預(yù)處理 82
4.2.3 圖片數(shù)據(jù)輸入 83
4.3 Keras 中的模型 83
4.4 Keras 中的重要對(duì)象 86
4.5 Keras 中的網(wǎng)絡(luò)層構(gòu)造 90
4.6 使用 Keras 進(jìn)行奇異值矩陣分解 102
5 推薦系統(tǒng) 105
5.1 推薦系統(tǒng)簡(jiǎn)介 105
5.2 矩陣分解模型 108
5.3 深度神經(jīng)網(wǎng)絡(luò)模型 114
5.4 其他常用算法 117
5.5 評(píng)判模型指標(biāo) 119
6 圖像識(shí)別 121
6.1 圖像識(shí)別入門(mén) 121
6.2 卷積神經(jīng)網(wǎng)絡(luò)的介紹 122
6.3 端到端的 MNIST 訓(xùn)練數(shù)字識(shí)別 127
6.4 利用 VGG16 網(wǎng)絡(luò)進(jìn)行字體識(shí)別 131
6.5 總結(jié) 135
7 自然語(yǔ)言情感分析 136
7.1 自然語(yǔ)言情感分析簡(jiǎn)介 136
7.2 文字情感分析建模 139
7.2.1 詞嵌入技術(shù) 139
7.2.2 多層全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練情感分析 140
7.2.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練情感分析 143
7.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練情感分析 144
7.3 總結(jié) 146
8 文字生成 147
8.1 文字生成和聊天機(jī)器人 147
8.2 基于檢索的對(duì)話(huà)系統(tǒng) 148
8.3 基于深度學(xué)習(xí)的檢索式對(duì)話(huà)系統(tǒng) 159
8.3.1 對(duì)話(huà)數(shù)據(jù)的構(gòu)造 159
8.3.2 構(gòu)造深度學(xué)習(xí)索引模型 162
8.4 基于文字生成的對(duì)話(huà)系統(tǒng) 166
8.5 總結(jié) 172
9 時(shí)間序列 173
9.1 時(shí)間序列簡(jiǎn)介 173
9.2 基本概念 174
9.3 時(shí)間序列模型預(yù)測(cè)準(zhǔn)確度的衡量 178
9.4 時(shí)間序列數(shù)據(jù)示例 179
9.5 簡(jiǎn)要回顧 ARIMA 時(shí)間序列模型 181
9.6 循環(huán)神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型 186
9.7 應(yīng)用案例 188
9.7.1 長(zhǎng)江漢口月度流量時(shí)間序列模型 190
9.7.2 國(guó)際航空月度乘客數(shù)時(shí)間序列模型 203
9.8 總結(jié) 209
10 智能物聯(lián)網(wǎng) 210
10.1 Azure 和 IoT 210
10.2 Azure IoT Hub 服務(wù) 213
10.3 使用 IoT Hub 管理設(shè)備概述 215
10.4 使用.NET 將模擬設(shè)備連接到 IoT 中心 218
10.5 機(jī)器學(xué)習(xí)應(yīng)用實(shí)例 237