类似推荐
编辑推荐
彩票预测实战: 爬虫基础、概率论、时间序列、深度学习技术与TensorFlow+Keras框架。
内容简介
本书以一个彩票预测的实战项目开发为主线，详细介绍了爬虫基础、概率论、时间序列、深度学习等热门的人工智能技术及 TensorFlow+Keras 这种主流的深度学习框架的使用。 本书分为 8 章，涵盖的主要内容有深度学习发展历史、数据收集与处理、概率论基础、时间序列、深度学习框架简介与安装、深度学习原理、Keras 入门、彩票抓取系统工程实战等。
章节目录
封面
前折页
书名页
版权页
前言
目录
第1章 深度学习基础
1.1 人工智能、机器学习与深度学习
1.1.1 人工智能的诞生
1.1.2 人工智能、机器学习和深度学习的关系
1.1.3 深度学习的发展
1.2 深度学习的应用领域
1.2.1 语音搜索和语音助手
1.2.2 图像识别
1.2.3 自动驾驶
1.2.4 金融领域
1.3 深度学习的主要框架
1.3.1 Theano
1.3.2 TensorFlow
1.3.3 Keras
1.3.4 PyTorch
1.3.5 Microsoft CNTK
1.3.6 MXNet
第2章 数据抓取与存储
2.1 Windows系统下 Python开发环境的安装
2.1.1 Windows系统下安装Anaconda
2.1.2 下载并安装Python 3安装包
2.1.3 检查环境安装是否成功
2.2 Linux系统下 Python开发环境的安装
2.2.1 CentOS 7系统下安装Python 3.6
2.2.2 Ubuntu 18.04系统下安装Python 3.6.6
2.2.3 Linux系统下安装Anaconda
2.3 第三方库的安装
2.3.1 数据收集与处理流程
2.3.2 请求库的安装
2.3.3 解析库的安装
2.4 数据库的安装
2.4.1 Windows系统下安装MySQL 8.0
2.4.2 Ubuntu系统下安装MySQL 8.0
2.4.3 存储库的安装
2.5 爬虫基础
2.5.1 URI和URL
2.5.2 超文本
2.5.3 HTTP协议和HTTPS协议
2.5.4 HTTP请求
2.5.5 Request请求
2.5.6 Reponse响应
2.6 实战案例：抓取双色球开奖数据
2.6.1 项目介绍
2.6.2 抓取最新期开奖数据
2.6.3 抓取历史期开奖数据
第3章 概率论基础
3.1 样本空间及随机变量
3.1.1 样本空间
3.1.2 随机变量
3.2 概率分布及分布函数
3.2.1 概率分布
3.2.2 分布函数
3.3 离散随机变量
3.3.1 离散随机变量概述
3.3.2 离散随机变量的均匀分布
3.3.3 伯努利分布（Bernoulli Distribution）
3.3.4 二项分布（Binomial Distribution）
3.3.5 泊松分布（Poisson Distribution）
3.4 实战案例：分析双色球一等奖开奖注数是否随机
3.4.1 查询数据
3.4.2 柱形图显示
第4章 时间序列
4.1 时间序列入门
4.1.1 什么是时间序列
4.1.2 时间序列的基本概念
4.1.3 如何进行时间序列分析
4.2 彩票的特性模型选择
4.2.1 概率均等性
4.2.2 偏态性
4.2.3 连贯性
4.2.4 时序性
4.3 马尔可夫链模型
4.3.1 马尔可夫链的基本原理
4.3.2 基于加权马尔可夫链的模型福彩3D分析与预测
4.4 实战案例：马尔可夫链模型预测
4.4.1 项目介绍
4.4.2 抓取福彩3D数据
4.4.3 马尔可夫链预测的步骤分析
4.4.4 马尔可夫链预测步骤一：马尔可夫性验证
4.4.5 马尔可夫链预测步骤二：一步转移概率矩阵
4.4.6 马尔可夫链预测步骤三：n步转移概率矩阵
4.4.7 马尔可夫链预测步骤四：计算权重wk
4.4.8 马尔可夫链预测步骤五：进行预测
第5章 深度学习框架简介及环境安装
5.1 TensorFlow的发展历程
5.2 Ubuntu系统下安装 TensorFlow+Keras
5.2.1 安装CPU版本的TensorFlow
5.2.2 安装Keras
5.3 Windows系统下安装 TensorFlow+Keras
5.3.1 安装GPU版本的TensorFlow
5.3.2 安装Keras
第6章 深度学习原理
6.1 深度学习数学基础
6.1.1 张量
6.1.2 应用中的数据张量
6.2 神经网络基础
6.2.1 感知器
6.2.2 线性单元
6.2.3 线性模型
6.2.4 目标函数
6.2.5 梯度下降算法
6.2.6 随机梯度下降算法
6.2.7 线性回归代码实例
6.3 循环神经网络
6.3.1 循环神经网络的概念
6.3.2 实战RNN
6.4 LSTM神经网络
6.4.1 RNN的长期依赖问题
6.4.2 LSTM原理简介
6.5 参考文献
第7章 Keras入门
7.1 Keras简介
7.1.1 Keras在TensorFlow中的架构图
7.1.2 Keras基础
7.2 Sequential顺序模型
7.2.1 指定输入数据的大小
7.2.2 模型编译
7.2.3 优化器
7.2.4 损失函数
7.2.5 损失函数的选择
7.2.6 评价函数
7.2.7 模型训练
7.2.8 训练历史可视化
7.2.9 模型预测
7.3 Keras LSTM简介
7.3.1 LSTM参数介绍
7.3.2 LSTM序列模型搭建
7.4 实战案例：LSTM神经网络预测福彩3D
7.4.1 项目介绍
7.4.2 导入数据和参数
7.4.3 构建LotteryLSTM框架类
7.4.4 LotteryLSTM初始化
7.4.5 训练数据集和测试数据集分割
7.4.6 LSTM网络的创建与训练
7.4.7 Keras模型的保存
7.4.8 LSTM网络评估
7.4.9 LSTM网络预测结果可视化
7.4.10 项目代码实现
7.5 参考文献
第8章 福彩3D预测平台工程搭建
8.1 工程代码整合
8.1.1 LSTM神经网络模型保存
8.1.2 LSTM神经网络模型调用
8.1.3 抓取数据代码
8.1.4 MySQL数据库导入数据库文件
8.2 工程代码
8.3 结束语
后折页
封底
TensorFlow+Keras深度学习算法原理与编程实战是2020年由电子工业出版社出版,作者 胡承志。
得书感谢您对《TensorFlow+Keras深度学习算法原理与编程实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
