Python 深度學習應用 (Applied Deep Learning with Python: Use scikit-learn, TensorFlow, and Keras to create intelligent systems and machine learning solutions)

本書介紹Jupyter、數據清洗、高級機器學習、網頁爬蟲、交互式可視化、
神經網絡、深度學習、模型構建、模型評估與優化、產品化處理等有關深度學習應用方面的內容。
本書理論與實踐並重、體系完整、內容新穎、條理清晰、組織合理、強調實踐，
包括使用scikitlearn、TensorFlow和Keras創建智能係統和機器學習解決方案，
並將論述的重點放在實現和實踐上，以便讓讀者更好地瞭解Python深度學習應用的實現細節。
本書適合所有對Python深度學習感興趣的人士閱讀。

高凱

漢族，教授，博士畢業於上海交通大學計算機應用技術專業，
河北省省級重點學科“計算機軟件與理論”中“信息檢索與雲計算”方向學術帶頭人，
研究生導師，中國計算機學會高級會員，中國計算機學會CCF計算機應用專委常委，
中國計算機學會CCF中文信息技術專委委員，河北省科技諮詢業協會第六屆理事會常務理事，
英國學術期刊International Journal of Computer Applications in Technology副主編，
國際學術會議International Conference on Modelling, Identification and Control程序委員會委員；
主要研究方向為人工智能、大數據搜索與挖掘、網絡信息檢索、自然語言處理、社會計算等；
多年主講研究生課程《人工智能》、本科生課程《數據庫原理與應用》，系河北科技大學教學名師；
近年出版了《信息檢索與智能處理》、《大數據搜索與挖掘》、《網絡信息檢索技術及搜索引擎系統開發》、
《大數據搜索與挖掘及可視化管理方案》等學術專著；
在電子工業出版社、清華大學出版社、國防工業出版社等出版了高等學校計算機規劃教材《數據庫原理與應用》、高等院校信息技

目錄
第1章Jupyter基礎/ 1
1.1基本功能與特徵/ 2
1.1.1Jupyter Notebook是什麼，為什麼它如此有用/ 2
1.1.2Jupyter Notebook概覽/ 4
1.1.3Jupyter特色/ 8
1.1.4Python庫/ 14
1.2第一個數據分析實例——基於波士頓住房數據集/ 17
1.2.1使用Pandas DataFrame載入數據集/ 17
1.2.2數據集/ 22
1.2.3基於Jupyter Notebook的預測分析簡介/ 26
1.2.4實踐:構建一個基於三階多項式的模型/ 30
1.2.5使用分類特徵完成對數據集的分段分析/ 35
1.3本章小結/ 41第2章數據清洗和高級機器學習/ 42

2.1準備訓練預測模型/ 43
2.1. 1確定預測分析計劃/ 43
2.1.2機器學習的數據預處理/ 45
2.1.3實踐:準備訓練“員工去留問題”的預測模型/ 55
2.2訓練分類模型/ 64
2.2.1分類算法簡介/ 64
2.2.2使用k折交叉驗證和驗證曲線評估模型/ 79
2.2.3降維技術/ 84
2.2.4訓練員工去留問題的預測模型/ 85
2.3本章小結/ 93第3章網頁信息採集和交互式可視化/ 94
3.1採集網頁信息/ 95
3.1.1HTTP請求簡介/ 95
3.1.2在Jupyter Notebook中實現HTTP請求/ 96
3.1.3在Jupyter Notebook中解析HTML/ 101
3.1.4實踐:在Jupyter Notebook中實現網頁信息採集/ 107
3.2交互可視化/ 111
3.2.1構建DataFrame以存儲和組織數據/ 111
3.2.2Bokeh簡介/ 117
3.2.3實例:使用交互式可視化探索數據/ 121
3.3本章小結/ 130第4章神經網絡與深度學習概述/ 132

4.1什麼是神經網絡/ 132
4.1.1成功的應用案例/ 133
4.1.2為什麼神經網絡能夠表現得如此出色/ 134
4.1 .3深度學習的局限性/ 136
4.1.4神經網絡的一般構成和操作/ 137
4.2配置深度學習環境/ 139
4.2.1用於深度學習的軟件組件/ 139
4.2.2實例:驗證軟件組件/ 141
4.2.3探索一個訓練好的神經網絡/ 143
4.2.4實例:探索一個訓練好的神經網絡/ 148
4.3本章小結/ 150第5章模型體系結構/ 151

5.1選擇合適的模型體系結構/ 151
5.1.1常見的體系結構/ 151
5.1.2數據標準化/ 156
5.1.3構建您的問題/ 157
5.1.4實例:探索比特幣數據集，為模型準備數據/ 159
5.2使用Keras作為TensorFlow接口/ 165
5.2.1模型組件/ 165
5.2.2實例:使用Keras創建TensorFlow模型/ 167
5.2.3從數據準備到建模/ 168
5.2.4訓練神經網絡/ 169
5.2.5調整時間序列數據維度/ 169
5.2.6預測數據/ 172
5.2.7實例:組建深度學習系統/ 173
5.3本章小結/ 176第6章模型評估和優化/ 177

6.1模型評估/ 177
6.1.1問題類別/ 177
6.1.2損失函數、準確率和錯誤率/ 178
6.1.3使用TensorBoard進行可視化/ 180
6.1.4實現模型評估的測度/ 182
6.1.5實踐:創建一個訓練環境/ 187
6.2超參數優化/ 192
6.2.1針對神經層和神經元——添加更多的神經層/ 192
6.2.2迭代步數/ 194
6.2.3激活函數/ 195
6.2.4激活函數的實現/ 197
6.2.5正則化策略/ 198
6.2.6結果優化/ 199
6.2.7實踐:優化神經網絡模型/ 200
6.3本章小結/ 202第7章產品化/ 203

7.1處理新數據/ 203
7.1.1分離數據和模型/ 203
7.1.2處理新數據/ 205
7.1.3實例:處理新數據/ 208
7.2將模型部署為Web應用程序/ 210
7.2.1應用架構和技術/ 210
7.2 .2部署和使用cryptonic/ 211
7.2.3實例:部署深度學習應用程序/ 214
7.3本章小結/ 216