Python神經(jīng)網(wǎng)絡項目實戰(zhàn)

第 1章 機器學習和神經(jīng)網(wǎng)絡導論 1
1.1 什么是機器學習 2
1.1.1 機器學習算法 2
1.1.2 機器學習工作流 5
1.2 在你的計算機上配置機器學習環(huán)境 7
1.3 神經(jīng)網(wǎng)絡 8
1.3.1 為什么要使用神經(jīng)網(wǎng)絡 9
1.3.2 神經(jīng)網(wǎng)絡基礎(chǔ)結(jié)構(gòu) 10
1.3.3 使用Python從頭開始訓練一個神經(jīng)網(wǎng)絡 10
1.3.4 綜合應用 15
1.3.5 深度學習和神經(jīng)網(wǎng)絡 16
1.4 pandas—強大的Python數(shù)據(jù)分析工具 17
1.4.1 pandas DataFrame 17
1.4.2 pandas中的數(shù)據(jù)可視化 20
1.4.3 使用pandas進行數(shù)據(jù)預處理 23
1.4.4 在神經(jīng)網(wǎng)絡項目中使用pandas 26
1.5 TensorFlow和Keras——開源深度學習庫 26
1.5.1 Keras中的基礎(chǔ)構(gòu)建單元 27
1.5.2 用Keras創(chuàng)建神經(jīng)網(wǎng)絡 29
1.6 其他Python函數(shù)庫 31
1.7 小結(jié) 32
第 2章 基于多層感知器預測糖尿病 33
2.1 技術(shù)需求 33
2.2 糖尿病——理解問題 35
2.3 醫(yī)療中的人工智能 36
2.4 糖尿病數(shù)據(jù)集 37
2.5 探索性數(shù)據(jù)分析 38
2.6 數(shù)據(jù)預處理 43
2.6.1 處理缺失數(shù)據(jù) 43
2.6.2 數(shù)據(jù)標準化 46
2.6.3 將數(shù)據(jù)集分割為訓練數(shù)據(jù)集、測試數(shù)據(jù)集和驗證數(shù)據(jù)集 47
2.7 MLP 49
2.8 使用Keras構(gòu)建模型 51
2.8.1 建模 51
2.8.2 模型編譯 53
2.8.3 模型訓練 53
2.9 結(jié)果分析 54
2.9.1 測試模型準確率 54
2.9.2 混淆矩陣 55
2.9.3 ROC曲線 57
2.9.4 進一步優(yōu)化 59
2.10 小結(jié) 59
2.11 習題 60
第3章 基于深度前饋網(wǎng)絡預測出租車費用 62
3.1 技術(shù)需求 62
3.2 預測紐約市出租車打車費用 64
3.3 紐約市出租車打車費用數(shù)據(jù)集 64
3.4 探索性數(shù)據(jù)分析 64
3.4.1 地理位置數(shù)據(jù)可視化 66
3.4.2 全天及小時客流量 69
3.5 數(shù)據(jù)預處理 71
3.6 特征工程 77
3.6.1 時空特征 77
3.6.2 地理位置特征 79
3.7 特征縮放 82
3.8 深度前饋網(wǎng)絡 83
3.8.1 模型結(jié)構(gòu) 83
3.8.2 回歸問題的損失函數(shù) 84
3.9 使用Keras構(gòu)建模型 85
3.10 結(jié)果分析 87
3.11 綜合應用 91
3.12 小結(jié) 93
3.13 習題 94
第4章 是貓還是狗——使用卷積神經(jīng)網(wǎng)絡進行圖像分類 96
4.1 技術(shù)需求 97
4.2 計算機視覺和目標識別 98
4.3 目標識別的問題類型 99
4.4 數(shù)字圖像作為神經(jīng)網(wǎng)絡輸入 101
4.5 卷積神經(jīng)網(wǎng)絡的基礎(chǔ)結(jié)構(gòu) 102
4.5.1 濾波和卷積 102
4.5.2 最大池化 106
4.6 卷積神經(jīng)網(wǎng)絡基本結(jié)構(gòu) 107
4.7 現(xiàn)代卷積神經(jīng)網(wǎng)絡回顧 108
4.7.1 LeNet（1998) 108
4.7.2 AlexNet（2012) 108
4.7.3 VGG16（2014) 109
4.7.4 Inception（2014) 109
4.7.5 ResNet（2015) 109
4.7.6 最新趨勢 109
4.8 貓狗數(shù)據(jù)集 110
4.9 在Keras中處理圖像數(shù)據(jù) 112
4.10 圖像增強 113
4.11 建模 116
4.11.1 構(gòu)建簡單的卷積神經(jīng)網(wǎng)絡 116
4.11.2 通過遷移學習利用預訓練模型 121
4.12 結(jié)果分析 124
4.13 小結(jié) 128
4.14 習題 129
第5章 使用自動編碼器進行圖像降噪 130
5.1 技術(shù)需求 130
5.2 什么是自動編碼器 132
5.3 隱式表示 133
5.4 用于數(shù)據(jù)壓縮的自動編碼器 134
5.5 MNIST手寫數(shù)字數(shù)據(jù)集 134
5.6 構(gòu)建簡單的自動編碼器 136
5.6.1 在Keras中構(gòu)建自動編碼器 137
5.6.2 隱藏層尺寸對自動編碼器性能的影響 141
5.7 用于降噪的自動編碼器 143
5.8 基于自動編碼器的文件去噪 151
5.8.1 基本的卷積自動編碼器 155
5.8.2 深度卷積自動編碼器 158
5.9 小結(jié) 161
5.10 習題 161
第6章 使用長短期記憶網(wǎng)絡進行情感分析 163
6.1 技術(shù)需求 164
6.2 機器學習中的順序問題 165
6.3 自然語言處理和情感分析 166
6.4 RNN 168
6.4.1 RNN的內(nèi)部結(jié)構(gòu) 169
6.4.2 RNN中的長短期依賴 170
6.4.3 梯度消失問題 172
6.5 LSTM網(wǎng)絡 173
6.5.1 LSTM——直觀感受 173
6.5.2 LSTM網(wǎng)絡內(nèi)部結(jié)構(gòu) 174
6.6 IMDb影評數(shù)據(jù)集 178
6.7 用向量表示詞語 180
6.7.1 獨熱編碼 180
6.7.2 詞嵌入 181
6.8 模型結(jié)構(gòu) 182
6.8.1 輸入 182
6.8.2 詞嵌入層 183
6.8.3 LSTM層 183
6.8.4 全連接層 183
6.8.5 輸出 183
6.9 在Keras中創(chuàng)建模型 184
6.9.1 導入數(shù)據(jù) 184
6.9.2 零填充 185
6.9.3 詞嵌入層和LSTM層 186
6.9.4 編譯和訓練模型 188
6.10 結(jié)果分析 189
6.11 代碼整合 195
6.12 小結(jié) 197
6.13 習題 198
第7章 基于神經(jīng)網(wǎng)絡實現(xiàn)人臉識別系統(tǒng) 201
7.1 技術(shù)需求 202
7.2 人臉識別系統(tǒng) 203
7.3 分解人臉識別問題 203
7.3.1 人臉檢測 204
7.3.2 人臉識別 209
7.4 人臉識別系統(tǒng)需求 209
7.4.1 速度 210
7.4.2 可擴展性 210
7.4.3 基于小數(shù)據(jù)集來實現(xiàn)高準確率 211
7.5 一次學習 212
7.6 孿生神經(jīng)網(wǎng)絡 213
7.7 對比損失函數(shù) 215
7.8 人臉數(shù)據(jù)集 216
7.9 在Keras中創(chuàng)建孿生神經(jīng)網(wǎng)絡 220
7.10 在Keras中訓練模型 224
7.11 結(jié)果分析 227
7.12 重構(gòu)代碼 230
7.13 創(chuàng)建一個實時人臉識別程序 234
7.13.1 人臉錄入過程 234
7.13.2 人臉識別過程 236
7.13.3 工作展望 239
7.14 小結(jié) 240
7.15 習題 241
第8章 未來是什么樣的 242
8.1 項目總結(jié) 242
8.1.1 機器學習和神經(jīng)網(wǎng)絡導論 243
8.1.2 基于多層感知機預測糖尿病 243
8.1.3 基于深度前饋網(wǎng)絡預測出租車費用 244
8.1.4 貓還是狗——使用卷積神經(jīng)網(wǎng)絡進行圖像分類 244
8.1.5 使用自動編碼器進行圖像降噪 245
8.1.6 使用LSTM對影評進行情感分析 246
8.1.7 基于神經(jīng)網(wǎng)絡實現(xiàn)人臉識別系統(tǒng) 246
8.2 神經(jīng)網(wǎng)絡的最新進展 247
8.2.1 生成對抗網(wǎng)絡 247
8.2.2 深度強化學習 248
8.3 神經(jīng)網(wǎng)絡的局限性 249
8.4 人工智能和機器學習的未來 250
8.4.1 強人工智能 251
8.4.2 自動機器學習 251
8.5 持續(xù)獲取機器學習的相關(guān)信息 252
8.5.1 圖書 252
8.5.2 學術(shù)期刊 252
8.5.3 基于真實數(shù)據(jù)集進行練習 253
8.6 推薦的機器學習數(shù)據(jù)集 253
8.7 總結(jié) 253