Python深度学习应用

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