编辑推荐
本书是针对Python3.11.0平台的实用案例深度学习教程。
内容简介
本书以Python3.11.0为平台，以实际应用为背景，通过“概念+公式+经典应用”相结合的形式，深入浅出地介绍Python深度学习实用案例。
全书共10章，主要内容包括掀开深度学习的面纱、神经网络的数学基础、机器学习的基础、神经网络分析与应用、计算视觉分析与应用、文本和序列分析与应用、目标检测分析与应用、生成式深度学习分析与应用、人脸检测分析与应用、强化学习分析与应用等内容。
通过本书的学习，读者可领略到Python的简单、易学、易读、易维护等特点，同时感受到利用Python进行深度学习的简单、便捷，以及其应用性强等功能特点。本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关专业科研人员、学者、工程技术人员的参考用书。
章节目录
版权信息
内容简介
前言
第1章 掀开深度学习的面纱
1.1 深度学习是什么
1.1.1 深度学习的基本思想
1.1.2 深度学习和浅层学习
1.1.3 深度学习与神经网络
1.1.4 深度学习的训练过程
1.2 机器学习与深度学习
1.2.1 机器学习的算法流程
1.2.2 机器学习算法建模
1.2.3 机器学习任务
1.2.4 深度学习算法流程
1.3 深度学习的应用领域与架构
1.3.1 深度学习的应用领域
1.3.2 深度学习相关框架
1.3.3 深度学习实际应用
第2章 神经网络的数学基础
2.1 认识神经网络
2.2 神经网络的数据表示
2.2.1 标量
2.2.2 向量
2.2.3 矩阵
2.2.4 3D张量与更高维张量
2.2.5 关键属性
2.2.6 操作张量
2.2.7 数据批量
2.2.8 现实数据张量
2.3 张量运算
2.3.1 张量的创建
2.3.2 索引和切片访问张量中的数据
2.3.3 逐元素运算
2.3.4 张量变形
2.3.5 广播
2.3.6 张量运算的几何解释
2.4 梯度优化
2.4.1 导数
2.4.2 梯度
2.4.3 反向传播算法
2.5 神经网络剖析
2.5.1 层
2.5.2 模型
2.5.3 损失函数与优化器
2.6 Keras介绍
2.6.1 Keras的工作方式
2.6.2 Keras的设计原则
2.6.3 Keras深度学习链接库特色
2.6.4 使用Keras创建神经网络
2.6.5 使用Keras实现二分类问题
2.6.6 使用Keras处理多分类问题
2.6.7 使用Keras实现预测房价问题
第3章 机器学习的基础
3.1 机器学习概述
3.1.1 机器学习的历程
3.1.2 机器学习的4个分支
3.1.3 机器学习的步骤
3.2 过拟合和欠拟合
3.2.1 减小模型大小
3.2.2 添加权重正则化
3.2.3 添加dropout正则化
3.3 监督学习
3.3.1 线性模型
3.3.2 逻辑回归
3.3.3 支持向量机
3.3.4 Adaboost算法
3.3.5 决策树
3.3.6 随机森林
3.4 数据预处理
3.4.1 数据预处理概述
3.4.2 数据清理
3.4.3 数据集成
3.4.4 数据变换
3.4.5 数据归约
3.4.6 Python的数据预处理函数
第4章 神经网络分析与应用
4.1 单层感知器
4.1.1 分类特征表示
4.1.2 单层感知器概述
4.1.3 多层神经网络
4.2 激活函数
4.2.1 sigmoid激活函数
4.2.2 tanh激活函数
4.2.3 ReLU激活函数
4.2.4 ReLU6激活函数
4.2.5 Leaky ReLU激活函数
4.2.6 softmax激活函数
4.2.7 ELU激活函数
4.2.8 Swish激活函数
4.2.9 Mish激活函数
4.2.10 Maxout激活函数
4.3 解决XOR问题
4.4 优化算法
4.4.1 梯度下降法
4.4.2 AdaGrad算法
4.4.3 RMSProp算法
4.4.4 AdaDelta算法
4.4.5 Adam算法
4.4.6 各优化方法实现
4.4.7 无约束多维极值
第5章 计算视觉分析与应用
5.1 从全连接到卷积
5.2 卷积神经网络
5.2.1 卷积计算过程
5.2.2 感受野
5.2.3 输出特征尺寸计算
5.2.4 全零填充
5.2.5 批标准化
5.2.6 池化
5.2.7 舍弃
5.3 现代经典网络
5.3.1 LeNet网络
5.3.2 AlexNet网络
5.3.3 VGGNet网络
5.3.4 NiN
5.3.5 Google Inception Net网络
5.3.6 ResNet网络
5.3.7 DenseNet网络
5.4 卷积神经网络CIFAR10数据集分类
第6章 文本和序列分析与应用
6.1 处理文本数据
6.1.1 单词和字符的one-hot编码
6.1.2 使用词嵌入
6.2 循环神经网络
6.2.1 循环神经网络概述
6.2.2 Keras中的循环层
6.2.3 RNN的改进算法
6.3 ACF和PACF
6.3.1 截尾与拖尾
6.3.2 自回归过程
6.3.3 移动平均过程
6.4 循环神经网络的应用
6.4.1 温度预测
6.4.2 数据准备
6.4.3 基准方法
6.4.4 基本的机器学习方法
6.4.5 第一个循环网络基准
6.4.6 使用dropout降低过拟合
6.4.7 循环层堆叠
6.4.8 使用双向RNN
第7章 目标检测的分析与应用
7.1 目标检测概述
7.1.1 传统目标检测
7.1.2 基于深度学习的目标检测
7.1.3 目标检测的未来
7.1.4 目标检测面临的挑战
7.2 目标检测法
7.2.1 选择性搜索算法
7.2.2 保持多样性的策略
7.2.3 锚框实现
7.2.4 多尺度目标检测
7.3 典型的目标检测算法
7.3.1 R-CNN算法
7.3.2 Fast R-CNN算法
7.3.3 Faster R-CNN算法
7.3.4 RPN算法
7.3.5 YOLO算法
7.3.6 SSD算法
第8章 生成式深度学习分析与应用
8.1 使用LSTM生成文本
8.1.1 如何生成序列数据
8.1.2 采样策略
8.2 DeepDream算法
8.2.1 DeepDream算法原理
8.2.2 DeepDream算法流程
8.2.3 DeepDream算法实现
8.3 风格迁移
8.3.1 风格迁移定义
8.3.2 风格迁移方法
8.3.3 风格迁移实例
8.4 深入理解自编码器
8.4.1 自编码器
8.4.2 欠完备自编码器
8.4.3 正则自编码
8.5 生成对抗网络
8.5.1 GAN原理
8.5.2 GAN实现
第9章 人脸检测分析与应用
9.1 KLT
9.1.1 光流
9.1.2 KLT算法
9.2 CAMShift跟踪目标
9.2.1 MeanShift算法
9.2.2 CAMShift算法
9.3 OpenCV实现人脸识别
9.3.1 Haar级联实现人脸检测
9.3.2 级联实现实时人脸检测与人脸身份识别
9.4 HOG识别微笑
9.4.1 HOG原理
9.4.2 HOG实例应用
9.5 卷积神经网络实现人脸识别微笑检测
9.6 MTCNN算法实现人脸检测
第10章 强化学习分析与应用
10.1 强化学习的特点与要素
10.2 Q学习
10.2.1 Q学习的原理
10.2.2 Q学习经典应用
10.3 深度Q学习
10.3.1 经验回放
10.3.2 回合函数的近似法
10.3.3 半梯度下降法
10.3.4 目标网络
10.3.5 相关算法
10.3.6 训练算法
10.3.7 深度Q学习的应用
10.4 双重深度Q网络
10.5 对偶深度Q网络
10.6 深度Q网络经典应用
参考文献
Python深度学习实用案例是2024年由清华大学出版社出版,作者丁伟雄 编著。
得书感谢您对《Python深度学习实用案例》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。
