Keras深度神經網絡
[印] 喬·穆拉伊爾(Jojo Moolayil)著 敖富江 周雲彥 杜靜 譯
- 出版商: 清華大學
- 出版日期: 2020-05-01
- 定價: $299
- 售價: 7.9 折 $236
- 語言: 簡體中文
- ISBN: 7302551634
- ISBN-13: 9787302551638
-
相關分類:
DeepLearning
立即出貨
買這商品的人也買了...
-
OpenGL Insights (美國原版)$2,500$2,375 -
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作$680$537 -
$454精通 Tableau 商業數據分析與可視化 -
$469TensorFlow 深度學習：數學原理與 Python 實戰進階 -
$469TensorFlow深度學習（原書第2版） -
Kaggle 競賽攻頂秘笈 -- 揭開 Grandmaster 的特徵工程心法，掌握制勝的關鍵技術$1,000$850 -
Deep Learning 3｜用 Python 進行深度學習框架的開發實作$780$616 -
$426深度學習 : 算法入門與 Keras 編程實踐 -
Python 廣告數據挖掘與分析實戰$534$507 -
$422創新工場講AI課：從知識到實踐 -
速查! 數學大百科事典 – 127 個公式、定理、 法則$500$395 -
大數據時代超吸睛視覺化工具與技術：Excel + Tableau 成功晉升資料分析師, 2/e$600$468 -
$458Python 電腦視覺和自然語言處理 開發機器人應用系統 (Artificial Vision and Language Processing for Robotics) -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
超大流量系統解決方案 : 大型網站架構師的經驗分享$690$538 -
資料科學家的實用統計學 : 運用 R 和 Python 學習 50+個必學統計概念, 2/e (Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2/e)$680$537 -
深度學習 -- 最佳入門邁向 AI 專題實戰$1,200$900 -
7天學會大數據資料處理 — NoSQL：MongoDB 入門與活用, 4/e$600$468 -
$602自然語言處理：基於預訓練模型的方法 -
深度學習的 16 堂課：CNN + RNN + GAN + DQN + DRL, 看得懂、學得會、做得出！ (Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence)$620$490 -
Python 金融市場賺大錢聖經：寫出你的專屬指標$780$616 -
30天與 Docker 做好朋友：跟鯨魚先生一同探索開發者的大平台（iT邦幫忙鐵人賽系列書）$600$468 -
內行人才知道的系統設計面試指南$580$458 -
跟著 Docker 隊長，修練 22天就精通 - 搭配 20小時作者線上教學，無縫接軌 Microservices、Cloud-native、Serverless、DevOps 開發架構$880$695
相關主題
商品描述
目錄大綱
目 錄
第1章 深度學習和Keras簡介 1
1.1 深度學習簡介 1
1.1.1 揭開流行術語的神秘面紗 1
1.1.2 深度學習可求解當今世界中的哪些經典問題 4
1.1.3 深度學習模型分解 4
1.2 探索流行的深度學習框架 6
1.2.1 低級深度學習框架 7
1.2.2 高級深度學習框架 9
1.3 初步瞭解Keras框架 10
1.3.1 準備數據 11
1.3.2 定義模型結構 12
1.3.3 訓練模型和預測 12
1.4 本章小結 12
第2章 上手Keras 13
2.1 設置環境 13
2.1.1 選擇Python版本 13
2.1.2 在Windows、Linux或macOS中安裝Python 14
2.1.3 安裝Keras和TensorFlow後端 14
2.2 Keras深度學習入門 16
2.2.1 輸入數據 17
2.2.2 神經元 18
2.2.3 激活函數 19
2.2.4 sigmoid激活函數 19
2.2.5 模型 21
2.2.6 層 22
2.2.7 損失函數 24
2.2.8 優化器 26
2.2.9 評價指標 29
2.2.10 配置模型 30
2.2.11 訓練模型 30
2.2.12 模型評估 33
2.3 組合所有基本模塊 34
2.4 本章小結 39
第3章 基於深度神經網絡的監督學習：回歸 41
3.1 引言 41
3.2 問題表述 43
3.2.1 為什麼利用一種設計原則來表示問題表述很重要 43
3.2.2 設計SCQ 44
3.2.3 設計解決方案 45
3.3 探索數據 46
3.3.1 查看數據字典 48
3.3.2 查找數據類型 50
3.3.3 處理時間 51
3.3.4 預測銷售額 53
3.3.5 探索數值列 54
3.3.6 瞭解分類特徵 56
3.4 數據工程 60
3.5 定義模型的基準性能 64
3.6 設計深度神經網絡 65
3.6.1 測試模型性能 68
3.6.2 改進模型 68
3.6.3 增加神經元數量 71
3.6.4 繪制跨歷元的損失指標曲線 73
3.6.5 人工測試模型 74
3.7 本章小結 75
第4章 基於深度神經網絡的監督學習：分類 77
4.1 引言 77
4.2 問題表述 78
4.2.1 設計SCQ 78
4.2.2 設計解決方案 79
4.3 探索數據 80
4.4 數據工程 84
4.5 定義模型的準確率基準 89
4.6 設計分類深度神經網絡 90
4.7 重訪數據 94
4.7.1 標準化、歸一化和縮放數據 94
4.7.2 轉換輸入數據 95
4.8 基於改進數據的分類深度神經網絡 96
4.9 本章小結 101
第5章 深度神經網絡調優與部署 103
5.1 過擬合問題 103
5.2 什麼是正則化 104
5.2.1 L1正則化 105
5.2.2 L2正則化 106
5.2.3 丟棄正則化 106
5.3 超參數調優 107
5.3.1 深度學習中的超參數 108
5.3.2 超參數調優方法 111
5.4 模型部署 114
5.4.1 定製測試數據 114
5.4.2 將模型保存到內存 116
5.4.3 用新數據重新訓練模型 117
5.4.4 在線模型 117
5.4.5 以API形式交付模型 118
5.4.6 組件集成 118
5.5 本章小結 119
第6章 未來的學習方向 121
6.1 下一步需掌握的深度學習專業知識 121
6.1.1 CNN 122
6.1.2 RNN 125
6.1.3 CNN+RNN 127
6.2 為什麼深度學習需要GPU 128
6.3 深度學習的其他熱門領域 130
6.4 結束寄語 131
