Keras快速上手：基于Python的深度學習實戰(zhàn)

定　價：￥79.00

作　者：	謝梁，魯穎，勞虹嵐著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機?網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787121318726	出版時間：	2017-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	272	字數(shù)：

內(nèi)容簡介

　　《Keras快速上手：基于Python的深度學習實戰(zhàn)》系統(tǒng)地講解了深度學習的基本知識、建模過程和應(yīng)用，并以深度學習在推薦系統(tǒng)、圖像識別、自然語言處理、文字生成和時間序列中的具體應(yīng)用為案例，詳細介紹了從工具準備、數(shù)據(jù)獲取和處理到針對問題進行建模的整個過程和實踐經(jīng)驗，是一本非常好的深度學習入門書。　不同于許多講解深度學習的書籍，《Keras快速上手：基于Python的深度學習實戰(zhàn)》以實用為導向，選擇了 Keras 作為編程框架，強調(diào)簡單、快速地設(shè)計模型，而不去糾纏底層代碼，使得內(nèi)容相當易于理解，讀者可以在 CNTK、 TensorFlow 和 Theano 的后臺之間隨意切換，非常靈活。并且本書能幫助讀者從高度抽象的角度去審視業(yè)務(wù)問題，達到事半功倍的效果。

作者簡介

　　謝梁　現(xiàn)任微軟云計算核心存儲部門首席數(shù)據(jù)科學家，主持運用機器學習和人工智能方法優(yōu)化大規(guī)模高可用性并行存儲系統(tǒng)的運行效率和改進其運維方式。具有十余年機器學習應(yīng)用經(jīng)驗，熟悉各種業(yè)務(wù)場景下機器學習和數(shù)據(jù)挖掘產(chǎn)品的需求分析、架構(gòu)設(shè)計、算法開發(fā)和集成部署，涉及金融、能源和高科技等領(lǐng)域。曾經(jīng)擔任美國道瓊斯工業(yè)平均指數(shù)獨有保險業(yè)成分股的旅行家保險公司分析部門總監(jiān)，負責運用現(xiàn)代統(tǒng)計學習方法優(yōu)化精算定價業(yè)務(wù)和保險運營管理，推動精準個性化定價解決方案。在包括JournalofStatisticalSoftware等專業(yè)期刊上發(fā)表過多篇論文，擔任JournalofStatisticalComputationandSimulation期刊以及DataMiningApplicationswithR一書的審稿人。本科畢業(yè)于西南財經(jīng)大學經(jīng)濟學專業(yè)，博士畢業(yè)于紐約州立大學計量經(jīng)濟學專業(yè)。魯穎　現(xiàn)任谷歌硅谷總部數(shù)據(jù)科學家，為谷歌應(yīng)用商城提供核心數(shù)據(jù)決策分析，利用機器學習和深度學習技術(shù)建立用戶行為預(yù)測模型，為產(chǎn)品優(yōu)化提供核心數(shù)據(jù)支持。曾在亞ma遜、微軟和迪士尼美國總部擔任機器學習研究科學家，有著多年使用機器學習和深度學習算法研發(fā)為業(yè)務(wù)提供解決方案的經(jīng)驗。熱衷于幫助中國社區(qū)的人工智能方面的研究和落地，活躍于各個大型會議并發(fā)表主題演講。本科畢業(yè)于復旦大學數(shù)學專業(yè)，博士畢業(yè)于明尼蘇達大學統(tǒng)計專業(yè)。勞虹嵐　現(xiàn)任微軟研究院研究工程師，是早期智能硬件項目上視覺和語音研發(fā)的核心團隊成員，對企業(yè)用戶和消費者需求體驗與AI技術(shù)的結(jié)合有深刻的理解和豐富的經(jīng)驗。曾在Azure和Office365負責處理大流量高并發(fā)的后臺云端研究和開發(fā)，精通一系列系統(tǒng)架構(gòu)設(shè)計和性能優(yōu)化方面的解決方案。擁有從前端到后端的豐富經(jīng)驗：包括客戶需求判斷、產(chǎn)品開發(fā)以及最終在云端架構(gòu)設(shè)計和部署。本科畢業(yè)于浙江大學電子系，碩士畢業(yè)于美國南加州大學（USC）電子和計算機系。

圖書目錄

1 準備深度學習的環(huán)境 1
1.1 硬件環(huán)境的搭建和配置選擇 1
1.1.1 通用圖形處理單元 3
1.1.2 你需要什么樣的 GPU 加速卡 6
1.1.3 你的 GPU 需要多少內(nèi)存 6
1.1.4 是否應(yīng)該用多個 GPU 10
1.2 安裝軟件環(huán)境 12
1.2.1 所需軟件列表 12
1.2.2 CUDA 的安裝 13
1.2.3 Python 計算環(huán)境的安裝 13
1.2.4 深度學習建模環(huán)境介紹 15
1.2.5 安裝 CNTK 及對應(yīng)的 Keras 17
1.2.6 安裝 Theano 計算環(huán)境 23
1.2.7 安裝 TensorFlow 計算環(huán)境 25
1.2.8 安裝 cuDNN 和 CNMeM 27
2 數(shù)據(jù)收集與處理 28
2.1 網(wǎng)絡(luò)爬蟲 28
2.1.1 網(wǎng)絡(luò)爬蟲技術(shù) 29
2.1.2 構(gòu)造自己的 Scrapy 爬蟲 30
2.1.3 構(gòu)造可接受參數(shù)的 Scrapy 爬蟲 35
2.1.4 運行 Scrapy 爬蟲 36
2.1.5 運行 Scrapy 爬蟲的一些要點 38
2.2 大規(guī)模非結(jié)構(gòu)化數(shù)據(jù)的存儲和分析 40
2.2.1 ElasticSearch 介紹 42
2.2.2 ElasticSearch 應(yīng)用實例 44
3 深度學習簡介 57
3.1 概述 57
3.2 深度學習的統(tǒng)計學入門 58
3.3 一些基本概念的解釋 61
3.3.1 深度學習中的函數(shù)類型 62
3.3.2 深度學習中的其他常見概念 65
3.4 梯度遞減算法 67
3.5 后向傳播算法 70
4 Keras 入門 72
4.1 Keras 簡介 72
4.2 Keras 中的數(shù)據(jù)處理 73
4.2.1 文字預(yù)處理 74
4.2.2 序列數(shù)據(jù)預(yù)處理 82
4.2.3 圖片數(shù)據(jù)輸入 83
4.3 Keras 中的模型 83
4.4 Keras 中的重要對象 86
4.5 Keras 中的網(wǎng)絡(luò)層構(gòu)造 90
4.6 使用 Keras 進行奇異值矩陣分解 102
5 推薦系統(tǒng) 105
5.1 推薦系統(tǒng)簡介 105
5.2 矩陣分解模型 108
5.3 深度神經(jīng)網(wǎng)絡(luò)模型 114
5.4 其他常用算法 117
5.5 評判模型指標 119
6 圖像識別 121
6.1 圖像識別入門 121
6.2 卷積神經(jīng)網(wǎng)絡(luò)的介紹 122
6.3 端到端的 MNIST 訓練數(shù)字識別 127
6.4 利用 VGG16 網(wǎng)絡(luò)進行字體識別 131
6.5 總結(jié) 135
7 自然語言情感分析 136
7.1 自然語言情感分析簡介 136
7.2 文字情感分析建模 139
7.2.1 詞嵌入技術(shù) 139
7.2.2 多層全連接神經(jīng)網(wǎng)絡(luò)訓練情感分析 140
7.2.3 卷積神經(jīng)網(wǎng)絡(luò)訓練情感分析 143
7.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)訓練情感分析 144
7.3 總結(jié) 146
8 文字生成 147
8.1 文字生成和聊天機器人 147
8.2 基于檢索的對話系統(tǒng) 148
8.3 基于深度學習的檢索式對話系統(tǒng) 159
8.3.1 對話數(shù)據(jù)的構(gòu)造 159
8.3.2 構(gòu)造深度學習索引模型 162
8.4 基于文字生成的對話系統(tǒng) 166
8.5 總結(jié) 172
9 時間序列 173
9.1 時間序列簡介 173
9.2 基本概念 174
9.3 時間序列模型預(yù)測準確度的衡量 178
9.4 時間序列數(shù)據(jù)示例 179
9.5 簡要回顧 ARIMA 時間序列模型 181
9.6 循環(huán)神經(jīng)網(wǎng)絡(luò)與時間序列模型 186
9.7 應(yīng)用案例 188
9.7.1 長江漢口月度流量時間序列模型 190
9.7.2 國際航空月度乘客數(shù)時間序列模型 203
9.8 總結(jié) 209
10 智能物聯(lián)網(wǎng) 210
10.1 Azure 和 IoT 210
10.2 Azure IoT Hub 服務(wù) 213
10.3 使用 IoT Hub 管理設(shè)備概述 215
10.4 使用.NET 將模擬設(shè)備連接到 IoT 中心 218
10.5 機器學習應(yīng)用實例 237