Python深度学习应用
正版现货,品相完整,套书只发一本,多版面书籍只对书名
¥
42.69
7.2折
¥
59
九品
仅1件
作者 [加拿大]亚历克斯·盖利(Alex Galea);[古]路易斯·卡佩罗;高凯;吴林芳;李娇娥;朱玉
出版社 清华大学出版社
出版时间 2020-07
版次 1
装帧 其他
上书时间 2024-06-15
商品详情
品相描述:九品
图书标准信息
作者
[加拿大]亚历克斯·盖利(Alex Galea);[古]路易斯·卡佩罗;高凯;吴林芳;李娇娥;朱玉
出版社
清华大学出版社
出版时间
2020-07
版次
1
ISBN
9787302541967
定价
59.00元
装帧
其他
开本
16开
纸张
胶版纸
【内容简介】
本书介绍Jupyter、数据清洗、高级机器学习、网页爬虫、交互式可视化、神经网络、深度学习、模型构建、模型评估与优化、产品化处理等有关深度学习应用方面的内容。本书理论与实践并重、体系完整、内容新颖、条理清晰、组织合理、强调实践,包括使用scikitlearn、TensorFlow和Keras创建智能系统和机器学习解决方案,并将论述的重点放在实现和实践上,以便让读者更好地了解Python深度学习应用的实现细节。 本书适合所有对Python深度学习感兴趣的人士阅读。
【作者简介】
高凯 汉族,教授,博士毕业于上海交通大学计算机应用技术专业,河北省省级重点学科“计算机软件与理论”中“信息检索与云计算”方向学术带头人,研究生导师,中国计算机学会高级会员,中国计算机学会CCF计算机应用专委常委,中国计算机学会CCF中文信息技术专委委员,河北省科技咨询业协会第六届理事会常务理事,英国学术期刊International Journal of Computer Applications in Technology副主编,国际学术会议International Conference on Modelling, Identification and Control程序委员会委员;主要研究方向为人工智能、大数据搜索与挖掘、网络信息检索、自然语言处理、社会计算等;多年主讲研究生课程《人工智能》、本科生课程《数据库原理与应用》,系河北科技大学教学名师;近年出版了《信息检索与智能处理》、《大数据搜索与挖掘》、《网络信息检索技术及搜索引擎系统开发》、《大数据搜索与挖掘及可视化管理方案》等学术专著;在电子工业出版社、清华大学出版社、国防工业出版社等出版了高等学校计算机规划教材《数据库原理与应用》、高等院校信息技
【目录】
第1章 Jupyter基础/ 1 1.1 基本功能与特征/ 2 1.1.1 Jupyter Notebook是什么,为什么它如此有用/ 2 1.1.2 Jupyter Notebook概览/ 4 1.1.3 Jupyter特色/ 8 1.1.4 Python库/ 14 1.2 第一个数据分析实例——基于波士顿住房数据集/ 17 1.2.1 使用Pandas DataFrame载入数据集/ 17 1.2.2 数据集/ 22 1.2.3 基于Jupyter Notebook的预测分析简介/ 26 1.2.4 实践: 构建一个基于三阶多项式的模型/ 30 1.2.5 使用分类特征完成对数据集的分段分析/ 35 1.3 本章小结/ 41第2章 数据清洗和高级机器学习/ 42 2.1 准备训练预测模型/ 43 2.1.1 确定预测分析计划/ 43 2.1.2 机器学习的数据预处理/ 45 2.1.3 实践: 准备训练“员工去留问题”的预测模型/ 55 2.2 训练分类模型/ 64 2.2.1 分类算法简介/ 64 2.2.2 使用k折交叉验证和验证曲线评估模型/ 79 2.2.3 降维技术/ 84 2.2.4 训练员工去留问题的预测模型/ 85 2.3 本章小结/ 93第3章 网页信息采集和交互式可视化/ 94 3.1 采集网页信息/ 95 3.1.1 HTTP请求简介/ 95 3.1.2 在Jupyter Notebook中实现HTTP请求/ 96 3.1.3 在Jupyter Notebook中解析HTML/ 101 3.1.4 实践: 在Jupyter Notebook中实现网页信息采集/ 107 3.2 交互可视化/ 111 3.2.1 构建DataFrame以存储和组织数据/ 111 3.2.2 Bokeh简介/ 117 3.2.3 实例: 使用交互式可视化探索数据/ 121 3.3 本章小结/ 130第4章 神经网络与深度学习概述/ 132 4.1 什么是神经网络/ 132 4.1.1 成功的应用案例/ 133 4.1.2 为什么神经网络能够表现得如此出色/ 134 4.1.3 深度学习的局限性/ 136 4.1.4 神经网络的一般构成和操作/ 137 4.2 配置深度学习环境/ 139 4.2.1 用于深度学习的软件组件/ 139 4.2.2 实例: 验证软件组件/ 141 4.2.3 探索一个训练好的神经网络/ 143 4.2.4 实例: 探索一个训练好的神经网络/ 148 4.3 本章小结/ 150第5章 模型体系结构/ 151 5.1 选择合适的模型体系结构/ 151 5.1.1 常见的体系结构/ 151 5.1.2 数据标准化/ 156 5.1.3 构建您的问题/ 157 5.1.4 实例: 探索比特币数据集,为模型准备数据/ 159 5.2 使用Keras作为TensorFlow接口/ 165 5.2.1 模型组件/ 165 5.2.2 实例: 使用Keras创建TensorFlow模型/ 167 5.2.3 从数据准备到建模/ 168 5.2.4 训练神经网络/ 169 5.2.5 调整时间序列数据维度/ 169 5.2.6 预测数据/ 172 5.2.7 实例: 组建深度学习系统/ 173 5.3 本章小结/ 176第6章 模型评估和优化/ 177 6.1 模型评估/ 177 6.1.1 问题类别/ 177 6.1.2 损失函数、准确率和错误率/ 178 6.1.3 使用TensorBoard进行可视化/ 180 6.1.4 实现模型评估的测度/ 182 6.1.5 实践: 创建一个训练环境/ 187 6.2 超参数优化/ 192 6.2.1 针对神经层和神经元——添加更多的神经层/ 192 6.2.2 迭代步数/ 194 6.2.3 激活函数/ 195 6.2.4 激活函数的实现/ 197 6.2.5 正则化策略/ 198 6.2.6 结果优化/ 199 6.2.7 实践: 优化神经网络模型/ 200 6.3 本章小结/ 202第7章 产品化/ 203 7.1 处理新数据/ 203 7.1.1 分离数据和模型/ 203 7.1.2 处理新数据/ 205 7.1.3 实例: 处理新数据/ 208 7.2 将模型部署为Web应用程序/ 210 7.2.1 应用架构和技术/ 210 7.2.2 部署和使用cryptonic/ 211 7.2.3 实例: 部署深度学习应用程序/ 214 7.3 本章小结/ 216
点击展开
点击收起
— 没有更多了 —
以下为对购买帮助不大的评价