Python神經網絡項目實戰 Neural Network Projects with Python

本書主要講述了神經網絡的重要概念和技術，並展示瞭如何使用Python來解決日常生活中常見的神經網絡問題。本書包含了6個神經網絡相關的項目，分別是糖尿病預測、出租車費用預測、圖像分類、圖像降噪、情感分析和人臉識別，這6個項目均是從頭開始實現，且使用了不同的神經網絡。在每個項目中，本書首先會提出問題，然後介紹解決該問題需要用到的神經網絡架構，並給出選擇該神經網絡模型的原因，最後會使用Python語言從頭實現該模型。此外，本書還介紹了機器學習和神經網絡的基礎知識，以及人工智能未來的發展。

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。

第 1章 機器學習和神經網絡導論 1

1.1 什麽是機器學習 2

1.1.1 機器學習算法 2

1.1.2 機器學習工作流 5

1.2 在你的電腦上配置機器學習環境 7

1.3 神經網絡 8

1.3.1 為什麽要使用神經網絡 9

1.3.2 神經網絡基礎結構 10

1.3.3 使用Python從頭開始訓練一個神經網絡 10

1.3.4 綜合應用 15

1.3.5 深度學習和神經網絡 16

1.4 pandas—強大的Python數據分析工具 17

1.4.1 pandas DataFrame 17

1.4.2 pandas中的數據可視化 20

1.4.3 使用pandas進行數據預處理 23

1.4.4 在神經網絡項目中使用pandas 26

1.5 TensorFlow和Keras——開源深度學習庫 26

1.5.1 Keras中的基礎構建單元 27

1.5.2 用Keras創建神經網絡 29

1.6 其他Python函數庫 31

1.7 小結 32

第 2章 基於多層感知器預測糖尿病 33

2.1 技術需求 33

2.2 糖尿病——理解問題 35

2.3 醫療中的人工智能 36

2.4 糖尿病數據集 37

2.5 探索性數據分析 38

2.6 數據預處理 43

2.6.1 處理缺失數據 43

2.6.2 數據標準化 46

2.6.3 將數據集分割為訓練數據集、測試數據集和驗證數據集 47

2.7 MLP 49

2.8 使用Keras構建模型 51

2.8.1 建模 51

2.8.2 模型編譯 53

2.8.3 模型訓練 53

2.9 結果分析 54

2.9.1 測試模型準確率 54

2.9.2 混淆矩陣 55

2.9.3 ROC曲線 57

2.9.4 進一步優化 59

2.10 小結 59

2.11 習題 60

第3章 基於深度前饋網絡預測出租車費用 62

3.1 技術需求 62

3.2 預測紐約市出租車打車費用 64

3.3 紐約市出租車打車費用數據集 64

3.4 探索性數據分析 64

3.4.1 地理位置數據可視化 66

3.4.2 全天及小時客流量 69

3.5 數據預處理 71

3.6 特徵工程 77

3.6.1 時空特徵 77

3.6.2 地理位置特徵 79

3.7 特徵縮放 82

3.8 深度前饋網絡 83

3.8.1 模型結構 83

3.8.2 回歸問題的損失函數 84

3.9 使用Keras構建模型 85

3.10 結果分析 87

3.11 綜合應用 91

3.12 小結 93

3.13 習題 94

第4章 是貓還是狗——使用捲積神經網絡進行圖像分類 96

4.1 技術需求 97

4.2 電腦視覺和目標識別 98

4.3 目標識別的問題類型 99

4.4 數字圖像作為神經網絡輸入 101

4.5 捲積神經網絡的基礎結構 102

4.5.1 濾波和捲積 102

4.5.2 最大池化 106

4.6 捲積神經網絡基本結構 107

4.7 現代捲積神經網絡回顧 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 最新趨勢 109

4.8 貓狗數據集 110

4.9 在Keras中處理圖像數據 112

4.10 圖像增強 113

4.11 建模 116

4.11.1 構建簡單的捲積神經網絡 116

4.11.2 通過遷移學習利用預訓練模型 121

4.12 結果分析 124

4.13 小結 128

4.14 習題 129

第5章 使用自動編碼器進行圖像降噪 130

5.1 技術需求 130

5.2 什麽是自動編碼器 132

5.3 隱式表示 133

5.4 用於數據壓縮的自動編碼器 134

5.5 MNIST手寫數字數據集 134

5.6 構建簡單的自動編碼器 136

5.6.1 在Keras中構建自動編碼器 137

5.6.2 隱藏層尺寸對自動編碼器性能的影響 141

5.7 用於降噪的自動編碼器 143

5.8 基於自動編碼器的文件去噪 151

5.8.1 基本的捲積自動編碼器 155

5.8.2 深度捲積自動編碼器 158

5.9 小結 161

5.10 習題 161

第6章 使用長短期記憶網絡進行情感分析 163

6.1 技術需求 164

6.2 機器學習中的順序問題 165

6.3 自然語言處理和情感分析 166

6.4 RNN 168

6.4.1 RNN的內部結構 169

6.4.2 RNN中的長短期依賴 170

6.4.3 梯度消失問題 172

6.5 LSTM網絡 173

6.5.1 LSTM——直觀感受 173

6.5.2 LSTM網絡內部結構 174

6.6 IMDb影評數據集 178

6.7 用向量表示詞語 180

6.7.1 獨熱編碼 180

6.7.2 詞嵌入 181

6.8 模型結構 182

6.8.1 輸入 182

6.8.2 詞嵌入層 183

6.8.3 LSTM層 183

6.8.4 全連接層 183

6.8.5 輸出 183

6.9 在Keras中創建模型 184

6.9.1 導入數據 184

6.9.2 零填充 185

6.9.3 詞嵌入層和LSTM層 186

6.9.4 編譯和訓練模型 188

6.10 結果分析 189

6.11 代碼整合 195

6.12 小結 197

6.13 習題 198

第7章 基於神經網絡實現人臉識別系統 201

7.1 技術需求 202

7.2 人臉識別系統 203

7.3 分解人臉識別問題 203

7.3.1 人臉檢測 204

7.3.2 人臉識別 209

7.4 人臉識別系統需求 209

7.4.1 速度 210

7.4.2 可擴展性 210

7.4.3 基於小數據集來實現高準確率 211

7.5 一次學習 212

7.6 孿生神經網絡 213

7.7 對比損失函數 215

7.8 人臉數據集 216

7.9 在Keras中創建孿生神經網絡 220

7.10 在Keras中訓練模型 224

7.11 結果分析 227

7.12 重構代碼 230

7.13 創建一個實時人臉識別程序 234

7.13.1 人臉錄入過程 234

7.13.2 人臉識別過程 236

7.13.3 工作展望 239

7.14 小結 240

7.15 習題 241

第8章 未來是什麽樣的 242

8.1 項目總結 242

8.1.1 機器學習和神經網絡導論 243

8.1.2 基於多層感知機預測糖尿病 243

8.1.3 基於深度前饋網絡預測出租車費用 244

8.1.4 貓還是狗——使用捲積神經網絡進行圖像分類 244

8.1.5 使用自動編碼器進行圖像降噪 245

8.1.6 使用LSTM對影評進行情感分析 246

8.1.7 基於神經網絡實現人臉識別系統 246

8.2 神經網絡的最新進展 247

8.2.1 生成對抗網絡 247

8.2.2 深度強化學習 248

8.3 神經網絡的局限性 249

8.4 人工智能和機器學習的未來 250

8.4.1 強人工智能 251

8.4.2 自動機器學習 251

8.5 持續獲取機器學習的相關信息 252

8.5.1 圖書 252

8.5.2 學術期刊 252

8.5.3 基於真實數據集進行練習 253

8.6 推薦的機器學習數據集 253

8.7 總結 253