Spark 深度學(xué)習(xí)指南

定　價(jià)：￥109.00

作　者：	（美）Ahmed Sherif,Amrith Ravindra
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥109.00)

ISBN：	9787121378829	出版時(shí)間：	2019-12-01	包裝：
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	372	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)開(kāi)頭部分講了如何按照深度學(xué)習(xí)的需求來(lái)配置Apache Spark，以實(shí)現(xiàn)不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)，接下來(lái)講述了在分布式環(huán)境中實(shí)現(xiàn)深度學(xué)習(xí)涉及的常見(jiàn)和不那么常見(jiàn)的需求。另外，你還將學(xué)到Spark中的深度學(xué)習(xí)代碼，這些代碼可以復(fù)用到其他類(lèi)似的問(wèn)題中，或者稍作改動(dòng)用于略有不同的問(wèn)題。將帶你一起用Spark對(duì)數(shù)據(jù)進(jìn)行分流和聚類(lèi)用TensorFlow、deeplearning4j和 Caffe在Spark中實(shí)現(xiàn)和部署深度學(xué)習(xí)模型，例如CNN、RNN和 LSTM。學(xué)完本書(shū)的內(nèi)容，你將能夠在Spark上訓(xùn)練和部署有效的深度學(xué)習(xí)模型。

作者簡(jiǎn)介

　　Ahmed Sherif是一名數(shù)據(jù)科學(xué)家，自2005年以來(lái)一直從事各種角色的數(shù)據(jù)研究。他從2013年開(kāi)始使用BI解決方案并慢慢轉(zhuǎn)向數(shù)據(jù)科學(xué)。2016年，他從西北大學(xué)獲得了預(yù)測(cè)分析碩士學(xué)位，在那里他研究深度學(xué)習(xí)的科學(xué)與應(yīng)用和同時(shí)使用Python和R語(yǔ)言的預(yù)測(cè)建模。*近，他一直在使用Azure在云端開(kāi)發(fā)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)解決方案。2016年，他出版了他的第一本書(shū)《實(shí)用商業(yè)智能》。他目前是微軟的數(shù)據(jù)和人工智能技術(shù)解決方案專(zhuān)業(yè)人員。Amrith Ravindra博士是一位機(jī)器學(xué)習(xí)愛(ài)好者，擁有電氣與工業(yè)工程學(xué)位。在攻讀碩士學(xué)位的過(guò)程中，他更深入地研究機(jī)器學(xué)習(xí)世界，并培養(yǎng)了對(duì)數(shù)據(jù)科學(xué)的熱愛(ài)。工程專(zhuān)業(yè)的研究生課程給他提供了數(shù)學(xué)背景，使他進(jìn)入深度學(xué)習(xí)的職業(yè)生涯。他在坦帕市舉行的當(dāng)?shù)財(cái)?shù)據(jù)科學(xué)聚會(huì)上會(huì)見(jiàn)了Ahmed Sherif。他們決定合作寫(xiě)一本關(guān)于他們*喜歡的機(jī)器學(xué)習(xí)算法的書(shū)。他希望這本書(shū)能夠幫助他實(shí)現(xiàn)成為數(shù)據(jù)科學(xué)家并積極為機(jī)器學(xué)習(xí)做出貢獻(xiàn)的*終目標(biāo)。黃友良，計(jì)算機(jī)應(yīng)用技術(shù)專(zhuān)業(yè)博士，畢業(yè)于北京師范大學(xué)，2009年7月-至今就職于北京中醫(yī)藥大學(xué)管理學(xué)院，中華醫(yī)學(xué)會(huì)教育技術(shù)分會(huì)第八、九屆委員會(huì)青年委員，中國(guó)中醫(yī)藥信息研究會(huì)人工智能分會(huì)理事，Adobe中國(guó)認(rèn)證講師。

圖書(shū)目錄

目錄
1　為深度學(xué)習(xí)開(kāi)發(fā)設(shè)置Spark\t1
介紹\t1
下載Ubuntu桌面映像\t2
在macOS中使用VMWare Fusion安裝和配置Ubuntu\t3
在Windows中使用Oracle VirtualBox安裝和配置Ubuntu\t8
為谷歌云平臺(tái)安裝和配置Ubuntu桌面端\t11
在Ubuntu桌面端安裝和配置Spark\t23
集成Jupyter Notebook與Spark\t29
啟動(dòng)和配置Spark集群\t33
停止Spark集群\t34
2　在Spark中創(chuàng)建神經(jīng)網(wǎng)絡(luò)\t36
介紹\t36
在PySpark中創(chuàng)建數(shù)據(jù)幀\t37
在PySpark數(shù)據(jù)幀中操作列\(zhòng)t41
將PySpark數(shù)據(jù)幀轉(zhuǎn)換為數(shù)組\t42
在散點(diǎn)圖中將數(shù)組可視化\t46
設(shè)置輸入神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏差\t49
規(guī)范化神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)\t52
驗(yàn)證數(shù)組以獲得最佳的神經(jīng)網(wǎng)絡(luò)性能\t55
使用sigmoid設(shè)置激活函數(shù)\t57
創(chuàng)建sigmoid導(dǎo)數(shù)\t60
計(jì)算神經(jīng)網(wǎng)絡(luò)中的代價(jià)函數(shù)\t62
根據(jù)身高值和體重值預(yù)測(cè)性別\t66
預(yù)測(cè)分?jǐn)?shù)并進(jìn)行可視化\t69
3　卷積神經(jīng)網(wǎng)絡(luò)的難點(diǎn)\t72
介紹\t72
難點(diǎn)1：導(dǎo)入MNIST圖像\t73
難點(diǎn)2：可視化MNIST圖像\t77
難點(diǎn)3：將MNIST圖像導(dǎo)出為文件\t80
難點(diǎn)4：增加MNIST圖像\t82
難點(diǎn)5：利用備用資源訓(xùn)練圖像\t86
難點(diǎn)6：為卷積神經(jīng)網(wǎng)絡(luò)優(yōu)先考慮高級(jí)庫(kù)\t88
4　循環(huán)神經(jīng)網(wǎng)絡(luò)的難點(diǎn)\t94
介紹\t94
前饋網(wǎng)絡(luò)簡(jiǎn)介\t95
循環(huán)神經(jīng)網(wǎng)絡(luò)的順序工作\t103
難點(diǎn)1：梯度消失問(wèn)題\t108
難點(diǎn)2：梯度爆炸問(wèn)題\t111
長(zhǎng)短期記憶單元的順序工作\t114
5　用Spark機(jī)器學(xué)習(xí)預(yù)測(cè)消防部門(mén)呼叫\(zhòng)t119
介紹\t119
下載舊金山消防局呼叫數(shù)據(jù)集\t119
識(shí)別邏輯回歸模型的目標(biāo)變量\t123
為邏輯回歸模型準(zhǔn)備特征變量\t130
應(yīng)用邏輯回歸模型\t137
評(píng)估邏輯回歸模型的準(zhǔn)確度\t142
6　在生成網(wǎng)絡(luò)中使用LSTM\t145
介紹\t145
下載將用作輸入文本的小說(shuō)/書(shū)籍\t145
準(zhǔn)備和清理數(shù)據(jù)\t151
標(biāo)記句子\t156
訓(xùn)練和保存LSTM模型\t158
使用模型生成類(lèi)似的文本\t163
7　使用TF-IDF進(jìn)行自然語(yǔ)言處理\t171
介紹\t171
下載治療機(jī)器人會(huì)話文本數(shù)據(jù)集\t172
分析治療機(jī)器人會(huì)話數(shù)據(jù)集\t176
數(shù)據(jù)集單詞計(jì)數(shù)可視化\t178
計(jì)算文本的情感分析\t180
從文本中刪除停用詞\t184
訓(xùn)練TF-IDF模型\t188
評(píng)估TF-IDF模型性能\t192
比較模型性能和基線分?jǐn)?shù)\t194
8　使用XGBoost進(jìn)行房地產(chǎn)價(jià)值預(yù)測(cè)\t196
下載金斯縣房屋銷(xiāo)售數(shù)據(jù)集\t196
執(zhí)行探索性分析和可視化\t199
繪制價(jià)格與其他特征之間的相關(guān)性\t210
預(yù)測(cè)房?jī)r(jià)\t223
9　使用長(zhǎng)短期記憶單元預(yù)測(cè)蘋(píng)果公司股票市場(chǎng)價(jià)格\t229
下載蘋(píng)果公司的股票市場(chǎng)數(shù)據(jù)\t229
探索和可視化蘋(píng)果公司的股票市場(chǎng)數(shù)據(jù)\t233
準(zhǔn)備用于提升模型性能的股票市場(chǎng)數(shù)據(jù)\t238
構(gòu)建長(zhǎng)短期記憶單元模型\t246
評(píng)估長(zhǎng)短期記憶單元模型\t249
10　使用深度卷積網(wǎng)絡(luò)進(jìn)行人臉識(shí)別\t252
介紹\t252
下載MIT-CBCL數(shù)據(jù)集并將其加載到內(nèi)存中\(zhòng)t252
繪制并可視化目錄中的圖像\t257
圖像預(yù)處理\t262
模型構(gòu)建、訓(xùn)練和分析\t269
11　使用Word2Vec創(chuàng)建和可視化單詞向量\t277
介紹\t277
獲取數(shù)據(jù)\t277
導(dǎo)入必要的庫(kù)\t281
準(zhǔn)備數(shù)據(jù)\t284
構(gòu)建和訓(xùn)練模型\t288
進(jìn)一步可視化\t293
進(jìn)一步分析\t300
12　使用Keras創(chuàng)建電影推薦引擎\t304
介紹\t304
下載MovieLens數(shù)據(jù)集\t305
操作和合并MovieLens數(shù)據(jù)集\t312
探索MovieLens數(shù)據(jù)集\t318
為深度學(xué)習(xí)流水線準(zhǔn)備數(shù)據(jù)集\t322
應(yīng)用Keras深度學(xué)習(xí)模型\t327
評(píng)估推薦引擎的準(zhǔn)確度\t331
13　使用TensorFlow在Spark中進(jìn)行圖像分類(lèi)\t333
介紹\t333
下載梅西和羅納爾多各30張圖像\t334
使用深度學(xué)習(xí)包安裝PySpark\t339
將圖像加載到PySpark數(shù)據(jù)幀\t341
理解遷移學(xué)習(xí)\t344
創(chuàng)建用于圖像分類(lèi)訓(xùn)練的流水線\t346
評(píng)估模型性能\t348
微調(diào)模型參數(shù)\t350