中文字日产乱码六区中国有限公司 ,久久99精品久久久久久hb无码

內(nèi)容簡介

　　本書介紹Jupyter、數(shù)據(jù)清洗、高級機器學習、網(wǎng)頁爬蟲、交互式可視化、神經(jīng)網(wǎng)絡(luò)、深度學習、模型構(gòu)建、模型評估與優(yōu)化、產(chǎn)品化處理等有關(guān)深度學習應(yīng)用方面的內(nèi)容。本書理論與實踐并重、體系完整、內(nèi)容新穎、條理清晰、組織合理、強調(diào)實踐，包括使用scikitlearn、TensorFlow和Keras創(chuàng)建智能系統(tǒng)和機器學習解決方案，并將論述的重點放在實現(xiàn)和實踐上，以便讓讀者更好地了解Python深度學習應(yīng)用的實現(xiàn)細節(jié)。本書適合所有對Python深度學習感興趣的人士閱讀。

作者簡介

　　高凱漢族，教授，博士畢業(yè)于上海交通大學計算機應(yīng)用技術(shù)專業(yè)，河北省省級重點學科“計算機軟件與理論”中“信息檢索與云計算”方向?qū)W術(shù)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(yīng)用專委常委，中國計算機學會CCF中文信息技術(shù)專委委員，河北省科技咨詢業(yè)協(xié)會第六屆理事會常務(wù)理事，英國學術(shù)期刊International Journal of Computer Applications in Technology副主編，國際學術(shù)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(shù)據(jù)搜索與挖掘、網(wǎng)絡(luò)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(shù)據(jù)庫原理與應(yīng)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(shù)據(jù)搜索與挖掘》、《網(wǎng)絡(luò)信息檢索技術(shù)及搜索引擎系統(tǒng)開發(fā)》、《大數(shù)據(jù)搜索與挖掘及可視化管理方案》等學術(shù)專著；在電子工業(yè)出版社、清華大學出版社、國防工業(yè)出版社等出版了高等學校計算機規(guī)劃教材《數(shù)據(jù)庫原理與應(yīng)用》、高等院校信息技

圖書目錄

目錄
第1章Jupyter基礎(chǔ)/ 1
1.1基本功能與特征/ 2
1.1.1Jupyter Notebook是什么，為什么它如此有用/ 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(shù)據(jù)分析實例——基于波士頓住房數(shù)據(jù)集/ 17
1.2.1使用Pandas DataFrame載入數(shù)據(jù)集/ 17
1.2.2數(shù)據(jù)集/ 22
1.2.3基于Jupyter Notebook的預測分析簡介/ 26
1.2.4實踐: 構(gòu)建一個基于三階多項式的模型/ 30
1.2.5使用分類特征完成對數(shù)據(jù)集的分段分析/ 35
1.3本章小結(jié)/ 41第2章數(shù)據(jù)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(shù)據(jù)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(shù)/ 84
2.2.4訓練員工去留問題的預測模型/ 85
2.3本章小結(jié)/ 93第3章網(wǎng)頁信息采集和交互式可視化/ 94
3.1采集網(wǎng)頁信息/ 95
3.1.1HTTP請求簡介/ 95
3.1.2在Jupyter Notebook中實現(xiàn)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(xiàn)網(wǎng)頁信息采集/ 107
3.2交互可視化/ 111
3.2.1構(gòu)建DataFrame以存儲和組織數(shù)據(jù)/ 111
3.2.2Bokeh簡介/ 117
3.2.3實例: 使用交互式可視化探索數(shù)據(jù)/ 121
3.3本章小結(jié)/ 130第4章神經(jīng)網(wǎng)絡(luò)與深度學習概述/ 132
4.1什么是神經(jīng)網(wǎng)絡(luò)/ 132
4.1.1成功的應(yīng)用案例/ 133
4.1.2為什么神經(jīng)網(wǎng)絡(luò)能夠表現(xiàn)得如此出色/ 134
4.1.3深度學習的局限性/ 136
4.1.4神經(jīng)網(wǎng)絡(luò)的一般構(gòu)成和操作/ 137
4.2配置深度學習環(huán)境/ 139
4.2.1用于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(jīng)網(wǎng)絡(luò)/ 143
4.2.4實例: 探索一個訓練好的神經(jīng)網(wǎng)絡(luò)/ 148
4.3本章小結(jié)/ 150第5章模型體系結(jié)構(gòu)/ 151
5.1選擇合適的模型體系結(jié)構(gòu)/ 151
5.1.1常見的體系結(jié)構(gòu)/ 151
5.1.2數(shù)據(jù)標準化/ 156
5.1.3構(gòu)建您的問題/ 157
5.1.4實例: 探索比特幣數(shù)據(jù)集，為模型準備數(shù)據(jù)/ 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(chuàng)建TensorFlow模型/ 167
5.2.3從數(shù)據(jù)準備到建模/ 168
5.2.4訓練神經(jīng)網(wǎng)絡(luò)/ 169
5.2.5調(diào)整時間序列數(shù)據(jù)維度/ 169
5.2.6預測數(shù)據(jù)/ 172
5.2.7實例: 組建深度學習系統(tǒng)/ 173
5.3本章小結(jié)/ 176第6章模型評估和優(yōu)化/ 177
6.1模型評估/ 177
6.1.1問題類別/ 177
6.1.2損失函數(shù)、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(xiàn)模型評估的測度/ 182
6.1.5實踐: 創(chuàng)建一個訓練環(huán)境/ 187
6.2超參數(shù)優(yōu)化/ 192
6.2.1針對神經(jīng)層和神經(jīng)元——添加更多的神經(jīng)層/ 192
6.2.2迭代步數(shù)/ 194
6.2.3激活函數(shù)/ 195
6.2.4激活函數(shù)的實現(xiàn)/ 197
6.2.5正則化策略/ 198
6.2.6結(jié)果優(yōu)化/ 199
6.2.7實踐: 優(yōu)化神經(jīng)網(wǎng)絡(luò)模型/ 200
6.3本章小結(jié)/ 202第7章產(chǎn)品化/ 203
7.1處理新數(shù)據(jù)/ 203
7.1.1分離數(shù)據(jù)和模型/ 203
7.1.2處理新數(shù)據(jù)/ 205
7.1.3實例: 處理新數(shù)據(jù)/ 208
7.2將模型部署為Web應(yīng)用程序/ 210
7.2.1應(yīng)用架構(gòu)和技術(shù)/ 210
7.2.2部署和使用cryptonic/ 211
7.2.3實例: 部署深度學習應(yīng)用程序/ 214
7.3本章小結(jié)/ 216