-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
防疫期間 門市僅限取書, 不開放參觀
並提早到6點打烊, 星期日公休
7/27 新書到! 7/20 新書到! 7/14 新書到! 7/6 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

TensorFlow+Keras深度學習算法原理與編程實戰

( 簡體 字)
作者:鄭敦莊,胡承志類別:1. -> 程式設計 -> 機器學習
譯者:
出版社:電子工業出版社TensorFlow+Keras深度學習算法原理與編程實戰 3dWoo書號: 52972
詢問書籍請說出此書號!

缺書
NT定價: 390
折扣價: 367

出版日:5/1/2020
頁數:260
光碟數:0
站長推薦:
印刷:語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121383786
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

據統計,在如今的各個行業中,互聯網與軟件工程行業的薪資名列前茅,大幅領先于傳統行業,其中人工智能與大數據更是在互聯網領域大放異彩。除此之外,人工智能領域的薪資漲幅也遠超傳統行業。隨著大數據時代的來臨,各行各業逐步深入實踐和應用人工智能領域的相關技術,導致具有實踐經驗的頂尖AI人才缺口逐步增大。由此可見,人工智能技術將成為第四次工業革命的發動機,成為不可或缺的力量源泉。
在人工智能領域,深度學習方向涌現出了大量的框架來提高開發效率,而Keras成為其中的佼佼者,它具備三大優勢:
???Keras?能夠在多種不同的底層張量庫上作為前端運行,使Keras無縫銜接各類底層應用,從而具備良好的可擴展性。
???Keras?具有良好的模塊化設計方案,使用它設計自己的網絡層往往能夠節約大量時間。
???Keras提供了對底層設備差異的封裝,極大地減少了人工的工作量。
本書結合大量的實際案例,從Python入門級別的大數據實踐出發,逐步深入到對Keras深度學習技術的探討,并通過圖文結合及項目實戰的代碼講解,來提高讀者的理論能力及代碼的實踐能力。
本書特色
1.入門門檻低,學習曲線平滑
本書從搭建環境開始,分別介紹了Windows和Linux兩種環境的安裝,然后介紹了與Python數據編程相關的基礎知識和工具包,如Jupyter Notebook、Numpy、Matplotlib、Pandas、Scipy等,又介紹了深度學習的基礎理論,最后介紹了通過Keras實現深度學習的各類經典應用。整個學習曲線平滑,適合深度學習和機器學習零基礎的讀者。
2.注重新手友好性,理論結合實踐
對于一個新知識點的出現,本書會通過對比的方式給出概念或原理,讓讀者能舉一反三,拓寬知識面。關于深度學習的一些理論概念,本書都會給出簡短的示例,讓讀者能邊學習邊實踐,縮短新手與老手之間的差距。
3.技術面廣泛,實踐技巧豐富
本書所選的案例廣泛且豐富,既有以神經網絡為基礎的感知器和線性單元的經典案例,又有基于LSTM神經網絡的實戰。在代碼示例中,不僅包含了模型構建和設計的核心思想,也展示了新手容易犯錯的一些細節。本書還包含了在工程實踐中常用的設計與實現技巧,用來提高本書的實用性,加強案例與實際系統設計和實現過程的聯系。
本書內容及知識體系
第1章介紹了深度學習的基礎知識,通過梳理人工智能的歷史,來了解人工智能、機器學習與深度學習的概念,并認識與理解三者之間的關系。
第2章介紹了深度學習中很重要的數據的前期處理工作,包括數據抓取與存儲。另外,詳細介紹了在各個平臺中環境的安裝與配置及爬蟲的基礎知識。本章的最后以抓取雙色球的開獎數據為例來鞏固和復習前面的知識要點。
第3章介紹了概率論的基礎知識,將彩票套用在離散隨機變量的數學概念中進行分析。本章的最后以雙色球一等獎的開獎分布論證了雙色球開獎是否隨機、是否有過多人工干預的假設。
第4章介紹了時間序列的基礎知識。上一章論證彩票的離散性,而這一章將彩票歸入時間序列的數學模型中,論證彩票的時序性。本章的最后以經典的馬爾可夫鏈模型來進行福彩3D的開獎預測。
第5章介紹了深度學習環境的搭建,詳細介紹了TensorFlow+Keras環境的安裝與配置,并重點介紹了GPU版本的TensorFlow+Keras環境的安裝與配置。
第6章介紹了深度學習的原理,包括深度學習數學基礎、神經網絡基礎、循環神經網絡、LSTM神經網絡等,其中分別以邏輯與(and)的實例和房價預測來講解感知器和線性單元的相關概念。
第7章介紹了深度學習框架Keras的基礎知識,包括優化器、損失函數、評價函數、模型訓練、訓練歷史可視化、模型預測等,同時介紹了搭建一個基礎的LSTM神經網絡所涉及的相關知識點,最后以LSTM神經網絡預測福彩3D為例,綜合應用了本章的相關知識點。
第8章介紹了福彩3D預測平臺的搭建過程,將第2章中的數據抓取和第7章中的LSTM神經網絡預測的代碼進行整合,完成了對福彩3D預測平臺的搭建。
適合閱讀本書的讀者
? 深度學習愛好者。
???Keras入門讀者。
???Python數據分析人員。
? 算法工程設計實現工程師。
? 渴望入門深度學習相關領域的學生。
? 模型與架構設計等相關領域工程師。
? 深度學習應用研究人員。
? 人工智能產業從業人員。
本書由鄭敦莊、胡承志編寫,讀者有什么疑問可以加入“知識星球”一起討論:深度學習實戰答疑討論。
內容簡介:

本書以一個彩票預測的實戰項目開發為主線,詳細介紹了爬蟲基礎、概率論、時間序列、深度學習等熱門的人工智能技術及TensorFlow+Keras這種主流的深度學習框架的使用方法。 本書分為8章,涵蓋的主要內容有深度學習基礎、數據抓取與存儲、概率論基礎、時間序列、深度學習框架簡介及環境安裝、深度學習原理、Keras入門、福彩3D預測平臺工程搭建等。


目錄:

第1章 深度學習基礎 1
1.1 人工智能、機器學習與深度學習 1
1.1.1 人工智能的誕生 1
1.1.2 人工智能、機器學習和深度學習的關系 3
1.1.3 深度學習的發展 3
1.2 深度學習的應用領域 4
1.2.1 語音搜索和語音助手 4
1.2.2 圖像識別 4
1.2.3 自動駕駛 5
1.2.4 金融領域 5
1.3 深度學習的主要框架 5
1.3.1 Theano 6
1.3.2 TensorFlow 6
1.3.3 Keras 7
1.3.4 PyTorch 8
1.3.5 Microsoft CNTK 8
1.3.6 MXNet 9
第2章 數據抓取與存儲 10
2.1 Windows系統下Python開發環境的安裝 10
2.1.1 Windows系統下安裝Anaconda 11
2.1.2 下載并安裝Python 3安裝包 11
2.1.3 檢查環境安裝是否成功 13


2.2 Linux系統下Python開發環境的安裝 13
2.2.1 CentOS 7系統下安裝Python 3.6 14
2.2.2 Ubuntu 18.04系統下安裝Python 3.6.6 15
2.2.3 Linux系統下安裝Anaconda 15
2.3 第三方庫的安裝 16
2.3.1 數據收集與處理流程 16
2.3.2 請求庫的安裝 17
2.3.3 解析庫的安裝 17
2.4 數據庫的安裝 19
2.4.1 Windows系統下安裝MySQL 8.0 19
2.4.2 Ubuntu系統下安裝MySQL 8.0 23
2.4.3 存儲庫的安裝 24
2.5 爬蟲基礎 25
2.5.1 URI和URL 25
2.5.2 超文本 25
2.5.3 HTTP協議和HTTPS協議 26
2.5.4 HTTP請求 27
2.5.5 Request請求 29
2.5.6 Reponse響應 33
2.6 實戰案例:抓取雙色球開獎數據 35
2.6.1 項目介紹 35
2.6.2 抓取最新期開獎數據 35
2.6.3 抓取歷史期開獎數據 49
第3章 概率論基礎 57
3.1 樣本空間及隨機變量 57
3.1.1 樣本空間 57
3.1.2 隨機變量 58
3.2 概率分布及分布函數 59
3.2.1 概率分布 59
3.2.2 分布函數 60
3.3 離散隨機變量 61
3.3.1 離散隨機變量概述 61
3.3.2 離散隨機變量的均勻分布 62
3.3.3 伯努利分布(Bernoulli Distribution) 65
3.3.4 二項分布(Binomial Distribution) 65
3.3.5 泊松分布(Poisson Distribution) 66
3.4 實戰案例:分析雙色球一等獎開獎注數是否隨機 68
3.4.1 查詢數據 68
3.4.2 柱形圖顯示 70
第4章 時間序列 77
4.1 時間序列入門 77
4.1.1 什么是時間序列 77
4.1.2 時間序列的基本概念 78
4.1.3 如何進行時間序列分析 79
4.2 彩票的特性模型選擇 80
4.2.1 概率均等性 80
4.2.2 偏態性 80
4.2.3 連貫性 81
4.2.4 時序性 81
4.3 馬爾可夫鏈模型 82
4.3.1 馬爾可夫鏈的基本原理 82
4.3.2 基于加權馬爾可夫鏈的模型福彩3D分析與預測 85
4.4 實戰案例:馬爾可夫鏈模型預測 87
4.4.1 項目介紹 87
4.4.2 抓取福彩3D數據 87
4.4.3 馬爾可夫鏈預測的步驟分析 96
4.4.4 馬爾可夫鏈預測步驟一:馬爾可夫性驗證 96
4.4.5 馬爾可夫鏈預測步驟二:一步轉移概率矩陣 98
4.4.6 馬爾可夫鏈預測步驟三:n步轉移概率矩陣 101
4.4.7 馬爾可夫鏈預測步驟四:計算權重wk 101
4.4.8 馬爾可夫鏈預測步驟五:進行預測 103
第5章 深度學習框架簡介及環境安裝 117
5.1 Tensorflow的發展歷程 117
5.2 Ubuntu系統下安裝TensorFlow+Keras 120
5.2.1 安裝CPU版本的TensorFlow 120
5.2.2 安裝Keras 122
5.3 Windows系統下安裝TensorFlow+Keras 122
5.3.1 安裝GPU版本的TensorFlow 122
5.3.2 安裝Keras 127
第6章 深度學習原理 128
6.1 深度學習數學基礎 128
6.1.1 張量 128
6.1.2 應用中的數據張量 132
6.2 神經網絡基礎 134
6.2.1 感知器 134
6.2.2 線性單元 140
6.2.3 線性模型 141
6.2.4 目標函數 141
6.2.5 梯度下降算法 142
6.2.6 隨機梯度下降算法 148
6.2.7 線性回歸代碼實例 148
6.3 循環神經網絡 152
6.3.1 循環神經網絡的概念 152
6.3.2 實戰RNN 153
6.4 LSTM神經網絡 156
6.4.1 RNN的長期依賴問題 156
6.4.2 LSTM原理簡介 156
6.5 參考文獻 159
第7章 Keras入門 160
7.1 Keras簡介 160
7.1.1 Keras在TensorFlow中的架構圖 161
7.1.2 Keras基礎 161
7.2 Sequential順序模型 162
7.2.1 指定輸入數據的大小 163
7.2.2 模型編譯 163
7.2.3 優化器 164
7.2.4 損失函數 171
7.2.5 損失函數的選擇 173
7.2.6 評價函數 181
7.2.7 模型訓練 182
7.2.8 訓練歷史可視化 184
7.2.9 模型預測 184
7.3 Keras LSTM簡介 185
7.3.1 LSTM參數介紹 185
7.3.2 LSTM序列模型搭建 186
7.4 實戰案例:LSTM神經網絡預測福彩3D 188
7.4.1 項目介紹 188
7.4.2 導入數據和參數 189
7.4.3 構建LotteryLSTM框架類 191
7.4.4 LotteryLSTM初始化 192
7.4.5 訓練數據集和測試數據集分割 192
7.4.6 LSTM網絡的創建與訓練 194
7.4.7 Keras模型的保存 196
7.4.8 LSTM網絡評估 199
7.4.9 LSTM網絡預測結果可視化 200
7.4.10 項目代碼實現 201
7.5 參考文獻 211
第8章 福彩3D預測平臺工程搭建 212
8.1 工程代碼整合 212
8.1.1 LSTM神經網絡模型保存 212
8.1.2 LSTM神經網絡模型調用 218
8.1.3 抓取數據代碼 220
8.1.4 MySQL數據庫導入數據庫文件 223
8.2 工程代碼 224
8.3 結束語 246
序: