Python深度学习应用
全新正版现货
￥ 44.5 7.5折 ￥ 59 全新
仅1件
四川成都
认证卖家担保交易快速发货售后保障
作者（加）亚历克斯·盖利（Alex Galea）、（古）路易斯·卡佩罗（Luis Capelo）、高凯、吴林芳、李娇娥、朱玉
出版社清华大学出版社
ISBN9787302541967
出版时间2020-07
装帧平装
开本16开
纸张胶版纸
定价59元
货号28975029
上书时间2024-07-27
商品详情
- 品相描述：全新
- 正版全新
- 商品描述
-
【编辑推荐】:
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。它涵盖了使用Scikit-learn、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了实现和实践上，以便让读者更好地了解到基于Python的应用深度学习实现细节。
【内容简介】:
本书介绍Jupyter、数据清洗、高机器学习、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 *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
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价