深度學習處理結構化數(shù)據(jù)實戰(zhàn)

第1章 為何要使用結構化數(shù)據(jù)進行深度學習
1．1 深度學習概述
1．2 深度學習的優(yōu)缺點
1．3 深度學習軟件棧概述
1．4 結構化數(shù)據(jù)與非結構化數(shù)據(jù)
1．5 反對使用結構化數(shù)據(jù)進行深度學習的相關意見
1．6 為何要研究基于結構化數(shù)據(jù)的深度學習問題？
1．7 本書附帶的代碼概述
1．8 你應該知道的內容
1．9 本章小結
第2章 示例問題和Pandas數(shù)據(jù)幀簡介
2．1 深度學習開發(fā)環(huán)境選項
2．2 探索Pandas的代碼
2．3 Python中的Pandas數(shù)據(jù)幀
2．4 將CSV文件提取到Pandas數(shù)據(jù)幀中
2．5 使用Pandas來完成SQL操作
2．6 主示例：預測有軌電車的延誤情況
2．7 為何真實世界的數(shù)據(jù)集對于掌握深度學習至關重要
2．8 輸入數(shù)據(jù)集的格式和范圍
2．9 目的地：端到端的解決方案
2．10 有關解決方案代碼的更多細節(jié)
2．11 開發(fā)環(huán)境：普通環(huán)境與深度學習專用環(huán)境
2．12 深入研究反對深度學習的意見
2．13 深度學習是如何變得更易于使用的
2．14 訓練深度學習模型初試
2．15 本章小結
第3章 準備數(shù)據(jù)1：探索及清理數(shù)據(jù)
3．1 探索及清理數(shù)據(jù)的代碼
3．2 在Python中使用配置文件
3．3 將XLS文件提取到Pandas數(shù)據(jù)幀中
3．4 使用pickle將Pandas數(shù)據(jù)幀從一個會話保存到另一個會話中
3．5 探索數(shù)據(jù)
3．6 將數(shù)據(jù)分為連續(xù)型、分類型以及文本型
3．7 清理數(shù)據(jù)集中存在的問題：數(shù)據(jù)丟失、錯誤以及猜測
3．8 確定深度學習需要多少數(shù)據(jù)
3．9 本章小結
第4章 準備數(shù)據(jù)2：轉換數(shù)據(jù)
4．1 準備及轉換數(shù)據(jù)的代碼
4．2 處理不正確的數(shù)值：路線
4．3 為何只能用單個替代值來換掉所有錯誤的值？
4．4 處理不正確的值：車輛
4．5 處理不一致的值：位置
4．6 去向遠方：位置
4．7 處理類型不匹配問題
4．8 處理依然包含錯誤數(shù)據(jù)的行
4．9 創(chuàng)建派生列
4．10 準備非數(shù)值型數(shù)據(jù)來訓練深度學習模型
……
第5章 準備并構建模型
第6章 模型訓練與實驗
第7章 對已訓練的模型進行更多實驗
第8章 模型部署
第9章 建議的后繼步驟
附錄 使用Google協(xié)作
實驗室（Google Colaboratory）