Python神经网络项目实战

图书标准信息

• 作者 詹姆斯·洛伊（James Loy）
• 出版社 人民邮电出版社
• 出版时间 2022-09
• 版次 1
• ISBN 9787115549204
• 定价 79.80元
• 装帧 平装
• 开本 16开
• 页数 254页
• 字数 275千字

【内容简介】

本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。本书包含了6个神经网络相关的项目，分别是糖尿病预测、出租车费用预测、图像分类、图像降噪、情感分析和人脸识别，这6个项目均是从头开始实现，且使用了不同的神经网络。在每个项目中，本书首先会提出问题，然后介绍解决该问题需要用到的神经网络架构，并给出选择该神经网络模型的原因，最后会使用Python语言从头实现该模型。此外，本书还介绍了机器学习和神经网络的基础知识，以及人工智能未来的发展。

【作者简介】

詹姆斯·洛伊是一名数据科学家，他在金融和医疗行业有5年以上的工作经验。他曾在新加坡的银行工作，通过预测性分析驱动创新，同时帮助银行提高客户的忠诚度。他也在医疗部门工作过，在那里他通过数据分析来改善医院做出的决断。他在乔治亚理工大学获得了计算机科学硕士学位，研究方向为机器学习。

他关注的研究领域有深度学习和应用机器学习，还包括为工业自动化系统开发基于计算机视觉的人工智能。他经常在Towards Data Science上发表文章，这是一个很有名的机器学习网站，每个月的访问量在300万人次以上。

【目录】

第 1章  机器学习和神经网络导论1

1.1  什么是机器学习2

1.1.1  机器学习算法2

1.1.2  机器学习工作流5

1.2  在你的计算机上配置机器学习环境7

1.3  神经网络8

1.3.1  为什么要使用神经网络9

1.3.2  神经网络基础结构10

1.3.3  使用Python从头开始训练一个神经网络10

1.3.4  综合应用15

1.3.5  深度学习和神经网络16

1.4  pandas—强大的Python数据分析工具17

1.4.1  pandas DataFrame17

1.4.2  pandas中的数据可视化20

1.4.3  使用pandas进行数据预处理23

1.4.4  在神经网络项目中使用pandas26

1.5  TensorFlow和Keras——开源深度学习库26

1.5.1  Keras中的基础构建单元27

1.5.2  用Keras创建神经网络29

1.6  其他Python函数库31

1.7  小结32

第 2章  基于多层感知器预测糖尿病33

2.1  技术需求33

2.2  糖尿病——理解问题35

2.3  医疗中的人工智能36

2.4  糖尿病数据集37

2.5  探索性数据分析38

2.6  数据预处理43

2.6.1  处理缺失数据43

2.6.2  数据标准化46

2.6.3  将数据集分割为训练数据集、测试数据集和验证数据集47

2.7  MLP49

2.8  使用Keras构建模型51

2.8.1  建模51

2.8.2  模型编译53

2.8.3  模型训练53

2.9  结果分析54

2.9.1  测试模型准确率54

2.9.2  混淆矩阵55

2.9.3  ROC曲线57

2.9.4  进一步优化59

2.10  小结59

2.11  习题60

第3章  基于深度前馈网络预测出租车费用62

3.1  技术需求62

3.2  预测纽约市出租车打车费用64

3.3  纽约市出租车打车费用数据集64

3.4  探索性数据分析64

3.4.1  地理位置数据可视化66

3.4.2  全天及小时客流量69

3.5  数据预处理71

3.6  特征工程77

3.6.1  时空特征77

3.6.2  地理位置特征79

3.7  特征缩放82

3.8  深度前馈网络83

3.8.1  模型结构83

3.8.2  回归问题的损失函数84

3.9  使用Keras构建模型85

3.10  结果分析87

3.11  综合应用91

3.12  小结93

3.13  习题94

第4章  是猫还是狗——使用卷积神经网络进行图像分类96

4.1  技术需求97

4.2  计算机视觉和目标识别98

4.3  目标识别的问题类型99

4.4  数字图像作为神经网络输入101

4.5  卷积神经网络的基础结构102

4.5.1  滤波和卷积102

4.5.2  最大池化106

4.6  卷积神经网络基本结构107

4.7  现代卷积神经网络回顾108

4.7.1  LeNet（1998)108

4.7.2  AlexNet（2012)108

4.7.3  VGG16（2014)109

4.7.4  Inception（2014)109

4.7.5  ResNet（2015)109

4.7.6  最新趋势109

4.8  猫狗数据集110

4.9  在Keras中处理图像数据112

4.10  图像增强113

4.11  建模116

4.11.1  构建简单的卷积神经网络116

4.11.2  通过迁移学习利用预训练模型121

4.12  结果分析124

4.13  小结128

4.14  习题129

第5章  使用自动编码器进行图像降噪130

5.1  技术需求130

5.2  什么是自动编码器132

5.3  隐式表示133

5.4  用于数据压缩的自动编码器134

5.5  MNIST手写数字数据集134

5.6  构建简单的自动编码器136

5.6.1  在Keras中构建自动编码器137

5.6.2  隐藏层尺寸对自动编码器性能的影响141

5.7  用于降噪的自动编码器143

5.8  基于自动编码器的文件去噪151

5.8.1  基本的卷积自动编码器155

5.8.2  深度卷积自动编码器158

5.9  小结161

5.10  习题161

第6章  使用长短期记忆网络进行情感分析163

6.1  技术需求164

6.2  机器学习中的顺序问题165

6.3  自然语言处理和情感分析166

6.4  RNN168

6.4.1  RNN的内部结构169

6.4.2  RNN中的长短期依赖170

6.4.3  梯度消失问题172

6.5  LSTM网络173

6.5.1  LSTM——直观感受173

6.5.2  LSTM网络内部结构174

6.6  IMDb影评数据集178

6.7  用向量表示词语180

6.7.1  独热编码180

6.7.2  词嵌入181

6.8  模型结构182

6.8.1  输入182

6.8.2  词嵌入层183

6.8.3  LSTM层183

6.8.4  全连接层183

6.8.5  输出183

6.9  在Keras中创建模型184

6.9.1  导入数据184

6.9.2  零填充185

6.9.3  词嵌入层和LSTM层186

6.9.4  编译和训练模型188

6.10  结果分析189

6.11  代码整合195

6.12  小结197

6.13  习题198

第7章  基于神经网络实现人脸识别系统201

7.1  技术需求202

7.2  人脸识别系统203

7.3  分解人脸识别问题203

7.3.1  人脸检测204

7.3.2  人脸识别209

7.4  人脸识别系统需求209

7.4.1  速度210

7.4.2  可扩展性210

7.4.3  基于小数据集来实现高准确率211

7.5  一次学习212

7.6  孪生神经网络213

7.7  对比损失函数215

7.8  人脸数据集216

7.9  在Keras中创建孪生神经网络220

7.10  在Keras中训练模型224

7.11  结果分析227

7.12  重构代码230

7.13  创建一个实时人脸识别程序234

7.13.1  人脸录入过程234

7.13.2  人脸识别过程236

7.13.3  工作展望239

7.14  小结240

7.15  习题241

第8章  未来是什么样的242

8.1  项目总结242

8.1.1  机器学习和神经网络导论243

8.1.2  基于多层感知机预测糖尿病243

8.1.3  基于深度前馈网络预测出租车费用244

8.1.4  猫还是狗——使用卷积神经网络进行图像分类244

8.1.5  使用自动编码器进行图像降噪245

8.1.6  使用LSTM对影评进行情感分析246

8.1.7  基于神经网络实现人脸识别系统246

8.2  神经网络的最新进展247

8.2.1  生成对抗网络247

8.2.2  深度强化学习248

8.3  神经网络的局限性249

8.4  人工智能和机器学习的未来250

8.4.1  强人工智能251

8.4.2  自动机器学习251

8.5  持续获取机器学习的相关信息252

8.5.1  图书252

8.5.2  学术期刊252

8.5.3  基于真实数据集进行练习253

8.6  推荐的机器学习数据集253

8.7  总结253