Python深度学习：逻辑 算法与编程实战

感谢您选择本书，为了帮助您更好地学习本书的知识，请阅读下面的内容。
深度学习是机器学习研究中的一个新的领域，其思路在于建立进行分析学习的神经网络，模仿人脑的机制来解释数据。
深度学习是无监督学习的一种，其概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层，表示属性类别或特征，以发现数据的分布式特征。
深度学习和人脑相似，人脑和深度学习模型都拥有大量的神经元，这些神经元在独立的情况下并不太智能，但当其相互作用时，就会变得相当智能。深度学习主要由神经网络构成，当数据穿过这个神经网络时，每一层都会处理这些数据，对数据进行过滤、聚合、辨别、分类及识别等操作，并产生*终输出。
本书是关于深度学习的实战教程，全书共11章，从深度学习整个流程出发，有序介绍了深度学习的语言基础、理论基础、各个典型应用等内容，具体内容如下。
第1章Python语言基础，介绍了Python典型的开发环境、基本语法、数据结构、文件操作、函数以及类等知识。
第2章Python操作数据库及Web框架，介绍了SQLite、MySQL的操作方法，以及典型Web的框架等知识。
第3章Python深度学习环境，介绍了Anaconda环境的搭建及操作方法、机器学习通用库Sklearn、机器学习深度库TensorFlow和Keras、视觉库OpenCV的安装和使用方法、自然语言处理的多种工具，以及其他典型的深度学习框架等知识。
第4章深度学习典型结构，介绍了深度学习的发展历程和应用领域，神经网络的结构、算法、训练和参数设置，以及卷积神经网络、循环神经网络、递归神经网络、生成对抗网络的结构和应用等知识。
第5章深度学习数据准备—数据爬取和清洗，介绍了典型的爬虫框架和数据爬取过程，数据清洗的内容和方法，以及数据显示等知识。
第6章图像识别分类，介绍了经典的图片数据集，以及识别人眼、性别、花朵、动物、车牌及相似图片等知识。
第7章自然语言处理，介绍了多种典型的自然语言处理工具，以及使用Jieba库提取关键词，使用Gensim查找相似词，使用TextBlob进行情感分析，使用CountVectorizer和TfidfVectorize提取文本特征等知识，并演示了语法分析和语义分析的相关应用实例。
第8章情感分析，介绍了情感分析的过程，典型的情感数据库，基于LSTM的情感分析，基于SnowNLP的新闻评论的数据分析，以及基于Dlib实现人脸颜值预测等知识。
第9章机器翻译，介绍了机器翻译的模型Encoder-Decoder，机器翻译平台PaddlePaddle的安装和使用等知识，并演示了看图说话的相关应用实例。
第10章目标检测，介绍了目标检测的过程、典型的目标检测算法，以及利用Faster R-CNN模型、YOLO模型和SSD模型实现目标检测的方法等知识。
第11章语音处理，介绍了语音识别过程及声学模型和语言模型，并演示了语音识别的相关应用实例。
本书具有下列特点。
（1）内容全面：涵盖深度学习的各个方面，包括语言基础、环境使用、典型深度库、理论基础、典型实践等，构建了深度学习的完整知识体系。
（2）贴近实战：应用内容涵盖数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等。
（3）循序渐进：从简单到复杂、从理论到实践，辅以大量实例帮读者所学即所用。
由于编者水平有限，书中不足之处在所难免，望广大专家、读者提出宝贵意见，以便修订时加以改正。

机器学习是人工智能领域一个极其重要的研究方向，而深度学习则是机器学习中一个非常接近AI的分支，其思路在于建立进行分析学习的神经网络，模仿人脑感知与组织的方式，根据输入数据做出决策。深度学习在快速的发展过程中，不断有与其相关的产品推向市场，显然，深度学习的应用将会日趋广泛。
《Python深度学习：逻辑、算法与编程实战》是关于深度学习的理论、算法、应用的实战教程，内容涵盖深度学习的语言、学习环境、典型结构、数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等知识，通过各种实例，读者能了解、掌握深度学习的整个流程和典型应用。
《Python深度学习：逻辑、算法与编程实战》可作为深度学习相关从业人员的参考指南，也可作为大中专院校人工智能相关专业的教材，还可作为广大人工智能爱好者的拓展学习手册。

本书是关于深度学习的理论、算法、应用的实战教程，通过各种典型实例，展示了深度学习的整个流程和精髓。