Keras深度学习开发实战/人工智能科学与技术丛书
全新正版 极速发货
￥ 30.89 3.9折 ￥ 79 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者(英)马修·穆卡姆//玛拉·阿伯杜拉乃德//瑞提什·巴格瓦特|责编:刘星|译者:邹伟//张良谋//刘亚明
出版社清华大学
ISBN9787302627647
出版时间2023-05
装帧平装
开本其他
定价79元
货号31741254
上书时间2024-06-18
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
邹伟，博士，睿客邦创始人，研究方向为机器学习、数据挖掘、计算几何，致力于机器学习和深度学习在实际中的应用；主持研发50多个人工智能领域工业级项目，并受邀在中国移动、花旗银行、中信集团、中航信、烽火科技、京东方、完美世界等公司进行了上百场讲座和内部培训。创立的睿客邦与国内十多所高校建立了AI联合实验室或实训基地；兼任天津大学创业导师、山东交通学院客座教授等。曾在多个在线平台讲授“机器学习”“深度学习”等课程，广受网友好评，累计学习人数超过百万。
目录
第1章 Keras机器学习简介
1.1 机器学习简介
1.2 数据展示
1.2.1 数据表格
1.2.2 加载数据
训练1.01 从UCI机器学习代码库加载一个数据集
1.3 数据处理
训练1.02 清理数据
训练1.03 数据的正确表示
1.4 模型创建的生命周期
1.5 scikit-learn简介
1.6 Keras简介
1.6.1 Keras的优点
1.6.2 Keras的缺点
1.6.3 Keras在其他方面的应用
1.7 模型训练
1.7.1 分类器和回归模型
1.7.2 分类任务
1.7.3 回归任务
1.7.4 训练和测试数据集
1.7.5 模型评估矩阵
训练1.04 创建一个简单的模型
1.8 模型微调
1.8.1 基线模型
训练1.05 设计一个基线模型
1.8.2 正则化
1.8.3 交叉验证
实践1.01 向模型添加正则化
1.9 总结
第2章 机器学习与深度学习
2.1 简介
2.1.1 ANN的优势
2.1.2 传统机器学习算法的优势
2.1.3 分层数据的表示
2.2 线性变换
2.2.1 标量、向量、矩阵和张量
2.2.2 张量相加
训练2.01 使用向量、矩阵和张量执行各种操作
2.2.3 重塑
2.2.4 矩阵转置
训练2.02 矩阵重塑和转置
2.2.5 矩阵乘法
训练2.03 将矩阵相乘
训练2.04 将矩阵乘法应用于高阶张量
2.3 Keras实现
2.3.1 层的类型
2.3.2 激活函数
2.3.3 模型拟合
实践2.01 使用Keras创建逻辑回归模型
2.4 总结
第3章 Keras深度学习
3.1 简介
3.2 搭建第一个神经网络
3.2.1 从逻辑回归到深度神经网络
3.2.2 激活函数
3.2.3 用于预测的前向传播
3.2.4 损失函数
3.2.5 反向传播计算损失函数的导数
3.2.6 通过梯度下降法学习参数
训练3.01 使用Keras实现神经网络
实践3.01 构建单层神经网络进行二进制分类
3.3 模型评估
3.3.1 用Keras进行模型评估
3.3.2 将数据集拆分为训练集和测试集
3.3.3 过拟合和欠拟合
3.3.4 早停
实践3.02 神经网络与高级纤维化诊断
3.4 总结
第4章 基于Keras包装器的交叉验证评价模型
4.1 简介
4.2 交叉验证
4.2.1 只分割一次数据集的弊端
4.2.2 k-fold交叉验证
4.2.3 留一法交叉验证
4.2.4 k-fold交叉验证和LOO交叉验证的比较
4.3 深度学习模型的交叉验证方法
4.3.1 带有scikit-learn的Keras包
训练4.01 在回归问题中使用scikit-learn构建Keras包装器
4.3.2 使用scikit-learn进行交叉验证
4.3.3 scikit-learn中的交叉验证迭代器
训练4.02 使用交叉验证评估深度神经网络
实践4.01 使用交叉验证对晚期肝纤维化诊断分类器进行模型评估
4.4 利用交叉验证选择模型
训练4.03 编写自定义函数实现含有交叉验证的深度学习模型
实践4.02 用交叉验证为高纤维化诊断分类器选择模型
实践4.03 在TrafficVolume数据集上使用交叉验证进行模型选择
4.5 总结
第5章 模型精度的提高
5.1 简介
5.2 正则化
5.2.1 正则化的需求
5.2.2 用正则化减少过拟合
5.3 L1和L2正则化
5.3.1 L1和L2正则化公式
5.3.2 Keras的L1和L2正则化实现
实践5.01 Avila模式分类器上的权重正则化
5.4 丢弃正则化
5.4.1 丢弃正则化原理
5.4.2 使用丢弃正则化减少过拟合
训练5.01 使用Keras实现丢弃正则化
实践5.02 TrafficVolume数据集的丢弃正则化
5.5 其他正则化方法
5.5.1 在Keras中实现早停
训练5.02 用Keras实现早停
5.5.2 数据增强
5.5.3 添加噪声
5.6 scikit-learn超参数调优
5.6.1 使用scikit-learn进行网格搜索
5.6.2 使用scikit-learn进行随机搜索
实践5.03 对Avila模式分类器进行超参数调优
5.7 总结
第6章 模型评估
6.1 简介
6.2 准确率
训练6.01 计算太平洋飓风数据集的零精度
6.3 不平衡数据集
6.4 混淆矩阵
训练6.02 Scania卡车数据的计算精度和零精度
实践6.01 改变训练/测试比例，计算神经网络的准确率和零精度
训练6.03 基于混淆矩阵推导和计算指标
实践6.02 计算ROC曲线和AUC评分
6.5 总结
第7章 基于卷积神经网络的计算机视觉
7.1 简介
7.2 计算机视觉
7.3 卷积神经网络
7.4 卷积神经网络架构
7.4.1 输入图像
7.4.2 卷积层
7.4.3 池化层
7.4.4 扁平化
7.5 图像增强
训练7.01 创建一个识别图像中汽车和花的卷积神经网络
实践7.01 用多个卷积层和softmax层对模型进行修复
训练7.02 用sigmoid激活函数对模型进行修复
训练7.03 将优化器Adam更改为SGD
训练7.04 对一个新图像进行分类
实践7.02
内容摘要
本书共9章。
第1章：Keras机器学习简介。本章通过scikit-learn包介绍基础的机器学习概念。将介绍如何使用数据，然后用一个真实存在的数据集训练一个逻辑回归模型。
第2章：机器学习与深度学习。本章介绍了传统机器学习算法和深度学习算法的不同。您将学习建立神经网络，并学习用Keras库建立第一个神经网络所需的线性转换。
第3章：Keras深度学习。本章将扩展您对神经网络构建的了解，您将学习如何构建多层神经网络，在训练数据时判断模型是否过拟合或欠拟合。
第4章：基于Keras包装器的交叉验证评价模型。本章将教大家如何将Keras模型整合到scikit-learn工作流
程中。用交叉验证来评估您的模型并使用此技术来选择最佳超参数。
第5章：模型精度的提高。本章介绍了多种正则化方法，用于防止在训练数据时模型过拟合。可通过多种方法获得最优超参数以达到模型最高正确率。
第6章：模型评估。本章演示了模型评估所需要的各种方法。除正确率外，还将介绍更多模型评估指标，如
灵敏度、特异性、精确度、
误报率、ROC曲线和AUC评分，以了解模型的表现。
第7章：基于卷积神经网络的计算机视觉。本章介绍了如何使用卷积神经网络构建图形分类器。介绍卷积神经网络的所有组件，然后构建图像处理程序对图像进行分类。
第8章：迁移学习和预训练模型。本章介绍了迁移学习的基本概念，即如何通过一个模型解决其他问题。您将通过使用不同的预训练模型并将其稍微修改为不同的应用程序来实现这一目标。
第9章：基于循环神经网络的顺序建模。本章将教大家如何为顺序数据集建立模型。介绍了循环神经网络的架构，以及如何训练它们并预测后续数据。您将通过预测各种股票的未来价值来检
测您的学习成果。
— 没有更多了 —
以下为对购买帮助不大的评价