快速了解地球45亿年的历史。
电子书
编辑推荐
21天实战，21个典型的人工智能应用场景。
内容简介
本书基于TensorFlow、Keras 和scikit-learn，介绍了21个典型的人工智能应用场景。全书共3篇，分别是预测类项目实战篇、识别类项目实战篇和生成类项目实战篇。其中预测类项目包括房价预测、泰坦尼克号生还预测、共享单车使用情况预测、福彩3D中奖预测、股票走势预测等8个项目；识别类项目包括数字识别、人脸识别、表情识别、人体姿态识别等7个项目；生成类项目包括看图写话、生成电视剧剧本、风格迁移、生成人脸等6个项目。
章节目录
- 封面
- 扉页
- 版权信息
- 内容提要
- 前言
- 第一篇 预测类项目实战
- 第1章 房价预测
- 1.1 数据准备
- 1.1.1 环境准备
- 1.1.2 预处理数据
- 1.1.3 数据可视化分析
- 1.2 基于scikit-learn实现房价预测
- 1.2.1 衡量R2值
- 1.2.2 模型性能对比
- 1.2.3 网格搜索模型
- 1.2.4 波士顿房价预测
- 1.2.5 北京房价预测
- 1.3 基于Keras实现房价预测
- 1.3.1 数据准备
- 1.3.2 创建神经网络模型
- 1.3.3 训练网络模型
- 1.3.4 可视化模型的结果
- 1.3.5 评估和预测模型
- 1.3.6 预测可视化显示
- 1.4 小结
- 第2章 泰坦尼克号生还预测
- 2.1 数据准备
- 2.1.1 环境准备
- 2.1.2 预处理数据
- 2.1.3 缺失值处理
- 2.1.4 数据清洗与分割
- 2.2 基于决策树模型预测
- 2.2.1 训练
- 2.2.2 预测
- 2.3 基于逻辑回归模型预测
- 2.3.1 训练
- 2.3.2 预测
- 2.4 基于梯度提升分类器模型预测
- 2.4.1 训练
- 2.4.2 预测
- 2.5 基于神经网络模型预测
- 2.5.1 训练
- 2.5.2 预测
- 2.5.3 绘制曲线图
- 2.6 基于Keras的神经网络模型预测
- 2.6.1 训练
- 2.6.2 预测
- 2.7 小结
- 第3章 共享单车使用情况预测
- 3.1 数据准备
- 3.1.1 环境准备
- 3.1.2 数据可视化
- 3.1.3 预处理数据
- 3.1.4 数据清洗与分割
- 3.2 基于TensorFlow的长短期记忆网络模型预测
- 3.2.1 处理序列
- 3.2.2 参数准备
- 3.2.3 创建LSTM模型
- 3.2.4 训练模型
- 3.2.5 模型预览与测试
- 3.2.6 对比预测值模型预览
- 3.3 小结
- 第4章 福彩3D中奖预测
- 4.1 数据准备
- 4.1.1 环境准备
- 4.1.2 数据准备
- 4.1.3 数据预处理
- 4.1.4 数据可视化
- 4.2 基于神经网络模型预测
- 4.2.1 决策树
- 4.2.2 多层感知器
- 4.2.3 时间序列基础
- 4.2.4 时间序列预测
- 4.2.5 根据中奖号码单变量单个位数预测
- 4.3 小结
- 第5章 股票走势预测
- 5.1 数据准备
- 5.1.1 环境准备
- 5.1.2 数据集说明
- 5.2 百度股票预测
- 5.2.1 数据准备
- 5.2.2 数据可视化
- 5.2.3 计算购买的股票收益
- 5.2.4 训练和评估模型
- 5.2.5 股票预测
- 5.2.6 股票买入策略
- 5.3 微软股票预测
- 5.3.1 数据准备
- 5.3.2 数据可视化
- 5.3.3 计算购买的股票收益
- 5.3.4 训练和评估模型
- 5.3.5 股票预测
- 5.3.6 股票买入策略
- 5.4 小结
- 第6章 垃圾邮件预测
- 6.1 数据准备
- 6.1.1 环境准备
- 6.1.2 数据准备
- 6.1.3 数据预处理
- 6.2 基于多项式朴素贝叶斯分类器的邮件分类
- 6.2.1 数据处理
- 6.2.2 创建和训练模型
- 6.2.3 测试模型
- 6.3 基于TensorFlow的神经网络模型的邮件分类
- 6.3.1 构建N-Gram向量化数据
- 6.3.2 创建模型
- 6.3.3 训练模型
- 6.3.4 可视化训练结果
- 6.4 小结
- 第7章 影评的情感分析
- 7.1 数据准备
- 7.1.1 环境准备
- 7.1.2 预处理数据
- 7.1.3 数据集编码
- 7.1.4 数据集分割
- 7.2 基于TensorFlow的长短期记忆网络实现影评的情感分析
- 7.2.1 参数准备
- 7.2.2 创建LSTM模型
- 7.2.3 训练模型
- 7.2.4 模型测试
- 7.3 基于Keras的长短期记忆网络实现影评的情感分析
- 7.3.1 数据预处理
- 7.3.2 创建模型
- 7.3.3 预览模型架构
- 7.3.4 训练模型
- 7.3.5 模型评估
- 7.4 小结
- 第8章 语言翻译
- 8.1 数据准备
- 8.1.1 环境准备
- 8.1.2 数据准备
- 8.1.3 数据预处理
- 8.2 基于Keras的长短期记忆网络实现语言翻译
- 8.2.1 Tokenize文本数据
- 8.2.2 数据编码和填充
- 8.2.3 创建模型
- 8.2.4 训练模型
- 8.2.5 测试模型
- 8.3 小结
- 第二篇 识别类项目实战
- 第9章 MNIST手写数字识别
- 9.1 MNIST数据集
- 9.1.1 简介
- 9.1.2 数据下载
- 9.1.3 可视化数据
- 9.2 基于多层感知器的TensorFlow实现MNIST识别
- 9.2.1 参数准备
- 9.2.2 创建模型
- 9.2.3 训练模型
- 9.2.4 模型预测
- 9.3 基于多层感知器的Keras实现MNIST识别
- 9.3.1 数据准备
- 9.3.2 创建模型
- 9.3.3 训练模型
- 9.3.4 模型预测
- 9.3.5 单个图像预测
- 9.4 基于卷积神经网络的TensorFlow实现MNIST识别
- 9.4.1 参数准备
- 9.4.2 创建模型
- 9.4.3 训练模型
- 9.4.4 模型预测
- 9.5 基于卷积神经网络的Keras实现MNIST识别
- 9.5.1 数据准备
- 9.5.2 创建模型
- 9.5.3 训练模型
- 9.5.4 模型预测
- 9.5.5 单个图像预测
- 9.6 小结
- 第10章 狗的品种识别
- 10.1 数据准备
- 10.1.1 环境准备
- 10.1.2 数据可视化
- 10.1.3 预处理数据
- 10.2 基于Keras的卷积神经网络模型预测
- 10.2.1 创建模型
- 10.2.2 训练模型
- 10.2.3 模型评估
- 10.3 基于Keras的InceptionV3预训练模型实现预测
- 10.3.1 模型函数声明
- 10.3.2 预测单张图片
- 10.4 基于TFHUB的Keras的迁移学习实现预测
- 10.4.1 数据集下载和准备
- 10.4.2 预训练模型下载
- 10.4.3 创建模型
- 10.4.4 训练模型
- 10.4.5 测试模型
- 10.4.6 模型预测单张图片
- 10.5 小结
- 第11章 人脸识别
- 11.1 数据准备
- 11.1.1 环境准备
- 11.1.2 数据下载和分析
- 11.1.3 人脸图片数据预览
- 11.2 基于FaceNet的人脸对齐和验证
- 11.2.1 下载和对齐图片
- 11.2.2 在LFW上验证
- 11.3 训练自己的人脸识别模型
- 11.3.1 图片数据准备和对齐
- 11.3.2 训练模型
- 11.3.3 验证模型
- 11.3.4 再训练模型
- 11.3.5 再评估模型
- 11.3.6 将模型CheckPoints文件转换成pb文件
- 11.4 基于FaceRecognition的人脸识别
- 11.4.1 配置环境
- 11.4.2 人脸检测
- 11.4.3 实时人脸识别
- 11.5 小结
- 第12章 人脸面部表情识别
- 12.1 基于Keras的卷积神经网络实现人脸面部表情识别
- 12.1.1 环境准备
- 12.1.2 数据准备
- 12.1.3 数据集分割
- 12.1.4 数据集预处理
- 12.1.5 构建CNN模型
- 12.1.6 图片增强与训练模型
- 12.1.7 评估模型
- 12.1.8 保存与读取模型
- 12.1.9 单张图片测试模型
- 12.2 视频中的人脸面部表情识别
- 12.2.1 读取模型
- 12.2.2 模型参数定义
- 12.2.3 视频的帧处理函数定义
- 12.2.4 识别与转换视频
- 12.3 实时人脸面部表情识别
- 12.3.1 模型参数定义
- 12.3.2 启动摄像头和识别处理
- 12.4 小结
- 第13章 人体姿态识别
- 13.1 基于TensorFlow实现人体姿态识别
- 13.1.1 环境准备
- 13.1.2 下载与安装
- 13.1.3 单张图片识别
- 13.1.4 视频中的人体姿态识别
- 13.1.5 实时摄像识别
- 13.2 基于Keras实现人体姿态识别
- 13.2.1 环境准备
- 13.2.2 下载仓库
- 13.2.3 单张图片识别
- 13.2.4 视频中的人体姿态识别
- 13.2.5 实时摄像识别
- 13.3 小结
- 第14章 皮肤癌分类
- 14.1 数据准备
- 14.1.1 环境准备
- 14.1.2 数据下载
- 14.1.3 数据可视化
- 14.2 基于Keras的卷积神经网络实现分类
- 14.2.1 数据预处理
- 14.2.2 创建CNN模型
- 14.2.3 编译模型
- 14.2.4 训练模型
- 14.2.5 评估模型和图像测试
- 14.3 基于TensorFlow的迁移学习实现分类
- 14.3.1 数据准备
- 14.3.2 训练模型
- 14.3.3 验证模型
- 14.3.4 Tensorboard可视化
- 14.4 小结
- 第15章 对象检测
- 15.1 对象检测的应用领域
- 15.1.1 无人机应用领域
- 15.1.2 自动驾驶汽车应用领域
- 15.1.3 无人超市应用领域
- 15.2 原理分析
- 15.2.1 R-CNN的介绍与分析
- 15.2.2 Faster R-CNN的介绍与分析
- 15.2.3 Mask R-CNN的介绍与分析
- 15.3 基于Mask R-CNN Inception COCO的图片对象检测
- 15.3.1 环境准备
- 15.3.2 导入Packages
- 15.3.3 下载Mask R-CNN Inception2018预训练模型
- 15.3.4 加载模型到内存中
- 15.3.5 加载类别映射
- 15.3.6 定义函数将图片转为NumPy数组
- 15.3.7 定义图片对象检测函数
- 15.3.8 检测图片中的对象
- 15.3.9 效果预览
- 15.4 基于Faster R-CNN Inception COCO的视频实时对象检测
- 15.4.1 环境准备
- 15.4.2 导入Packages
- 15.4.3 下载Faster R-CNN Inception2018预训练模型
- 15.4.4 加载模型到内存中
- 15.4.5 加载类别映射
- 15.4.6 定义视频中的图像对象检测函数
- 15.4.7 定义视频中的图像处理函数
- 15.4.8 视频中的图像对象检测
- 15.4.9 效果预览
- 15.5 基于SSD MobileNet COCO的实时对象检测
- 15.5.1 环境准备
- 15.5.2 导入Packages
- 15.5.3 下载SSD MobileNet2018预训练模型
- 15.5.4 加载模型
- 15.5.5 加载类别映射
- 15.5.6 开启实时对象检测
- 15.5.7 效果预览
- 15.6 小结
- 第三篇 生成类项目实战
- 第16章 看图写话
- 16.1 数据准备
- 16.1.1 环境准备
- 16.1.2 数据下载
- 16.1.3 数据预处理
- 16.2 基于TensorFlow的Show and Tell实现看图写话
- 16.2.1 介绍
- 16.2.2 数据统计
- 16.2.3 构建TFRecords格式数据
- 16.2.4 训练模型
- 16.2.5 评估模型
- 16.2.6 测试模型
- 16.3 小结
- 第17章 生成电视剧剧本
- 17.1 数据准备
- 17.1.1 环境准备
- 17.1.2 数据预处理
- 17.1.3 数据可视化分析
- 17.2 基于TensorFlow的循环神经网络实现电视剧剧本生成
- 17.2.1 创建检查表
- 17.2.2 数据token化预处理
- 17.2.3 创建Tensor占位符和学习率
- 17.2.4 初始化RNN Cell
- 17.2.5 创建Embedding
- 17.2.6 创建神经网络
- 17.2.7 创建超参数和优化器
- 17.2.8 训练神经网络模型
- 17.2.9 生成电视剧剧本
- 17.3 基于textgenrnn来实现电视剧剧本生成
- 17.3.1 介绍
- 17.3.2 训练模型
- 17.3.3 生成剧本文本
- 17.4 小结
- 第18章 风格迁移
- 18.1 基于TensorFlow实现神经风格迁移
- 18.1.1 环境准备
- 18.1.2 图像预览
- 18.1.3 处理图像
- 18.1.4 模型获取
- 18.1.5 损失函数计算
- 18.1.6 训练模型与图像生成
- 18.2 基于Keras实现神经风格迁移
- 18.2.1 图像预览
- 18.2.2 图像处理
- 18.2.3 获取模型
- 18.2.4 损失函数计算
- 18.2.5 迭代与生成风格图像
- 18.3 小结
- 第19章 生成人脸
- 19.1 基于TensorFlow的GAN实现MNIST数字图像生成
- 19.1.1 环境准备
- 19.1.2 MNIST数字图像数据准备
- 19.1.3 随机查看25张图片
- 19.1.4 构建模型输入
- 19.1.5 构建鉴别器
- 19.1.6 构建生成器
- 19.1.7 计算模型损失
- 19.1.8 构建优化器
- 19.1.9 构建训练模型时的图像输出
- 19.1.10 构建训练模型函数
- 19.1.11 训练MNIST数据集的GAN模型
- 19.2 基于TensorFlow的GAN实现LFW人脸图像生成
- 19.2.1 人脸图像数据准备
- 19.2.2 训练LFW数据集的GAN模型
- 19.3 小结
- 第20章 图像超分辨率
- 20.1 效果预览与数据准备
- 20.1.1 效果预览
- 20.1.2 环境准备
- 20.1.3 数据准备
- 20.2 基于TensorFlow的DCGAN实现超分辨率
- 20.2.1 下载srez代码库
- 20.2.2 训练模型根据模糊图像生成清晰图像
- 20.2.3 输出效果预览
- 20.2.4 生成效果图视频
- 20.2.5 图片放大高清化
- 20.3 srez库的代码分析
- 20.3.1 主入口函数代码分析
- 20.3.2 创建模型代码分析
- 20.3.3 训练模型代码分析
- 20.4 小结
- 第21章 移花接木
- 21.1 基本信息
- 21.1.1 3种模型效果预览
- 21.1.2 环境准备
- 21.1.3 图片数据集准备
- 21.1.4 CycleGAN网络模型架构
- 21.2 基于CycleGAN根据苹果生成橘子
- 21.2.1 下载代码库
- 21.2.2 图片数据处理
- 21.2.3 训练模型
- 21.2.4 导出模型
- 21.2.5 测试图片
- 21.3 基于CycleGAN根据马生成斑马
- 21.3.1 图片数据处理
- 21.3.2 训练模型
- 21.3.3 导出模型
- 21.3.4 测试图片
- 21.4 男性和女性的人脸面貌互换
- 21.4.1 环境准备
- 21.4.2 计算和生成模型
- 21.4.3 代码分析
- 21.5 小结
展开全部
深度学习训练营21天实战TensorFlow+Keras+scikit-learn是2020年由人民邮电出版社出版,作者张强 主编。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习训练营21天实战TensorFlow+Keras+scikit-learn》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。
电子书
电子书
深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。
电子书
本书是与同济大学数学系编写的《高等数学》（ISBN 978-7-115-42640-6，人民邮电出版社出版）配套的学习辅导书．全书按照教育部大学数学教学指导委员会的基本要求，充分吸取当前高等数学教材辅导书的精华，并结合数年来的教学实践经验，针对当今学生的知识结构和习惯特点编写．全书分为上下两册．本书为下册，是多元函数微积分部分，一共有四章，主要内容包括向量与空间解析几何，多元函数微分学，多元函数积
电子书
本书具有如下特点：
1．准确性。理论的结果必须用实验来检验，而天线参数的测量正好可以作为检验天线设计好坏的基础。在新型天线的研制中，实验起着重要的作用，它既是检验理论阶段的手段，又是独立的研究方法。本书是在大量实验的基础上成 的，书中的测量方法都是由实际天线测量工作者经过长期实践得来的，解决了许多理论上还不够成熟的课题。
2．广泛性。全面介绍天线的测量。从频率上讲， 低频率从几十兆赫兹，到毫米波（40GHz）；从类型来讲，天线的类型包括面天线、线天线等各种形式的天线；从测量方法上讲，既有较原始的测量方法也有目前的计算机控制自动测量。目前我国移动通信基站数已经超过60万个，特别是随着3G时代的到来，我国5亿个手机用户数还将增大，基站天线的市场空间相当广阔，已引起三大运营商的高度重视。本书用大量的篇幅介绍了移动通信基站天线的测量。
3．实用性。各章节内容都有具体的操作方法，典型测量案例分析，贴近工程实际，工程技术人员可以通过本书内容的学习，参照具体操作方法，完成工程实际任务。
4．先进性。本书介绍的天线测量系统、仪器都是国内外知名产品。这些产品的技术先进性、可拓展性等代表着天线测量的发展方向。
5．规范性。书中内容撰写规范，涉及的标准、协议、接口等符合国内国际标准。
电子书
本书根据高等学校非数学类专业“概率论与数理统计”课程的教学要求和教学大纲，将新工科理念与国际化深度融合，借鉴国内外优秀教材的特点，结合山东大学数学团队多年的教学经验编写完成.本书共8章，包括随机事件与概率、随机变量及其分布、多维随机变量及其分布、数字特征与极限定理、统计量及其分布、参数估计、假设检验、概率论与数理统计在MATLAB中的实现.本书秉承“新工科”建设理念，侧重数学实用性，除第8章外，每
电子书
本书是根据高等学校非数学类专业“线性代数”课程的教学要求和教学大纲，将新工科理念与国际化深度融合，结合山东大学数学团队多年的教学经验，并借鉴国内外优秀教材的特点编写完成.全书共6章，主要内容包括行列式、矩阵、向量与向量空间、线性方程组、矩阵的特征值与特征向量、二次型.每章最后有对应知识的MATLAB实例和核心知识点的思维导图.本书秉承“新工科”建设理念，侧重数学实用性并配套完备的数字化教学资源.每
电子书
本书根据高等学校文科专业数学课程的教学要求编写。在本书编写过程中，不仅借鉴了国内外优秀教材的精华，而且结合了山东大学数学团队多年的教学经验。全书共5章，主要内容为函数、极限与连续，导数与微分，不定积分、定积分及其应用，线性代数初步，概率论初步。每章后均有核心知识点的思维导图，并配有课程思政内容。本书还以附录形式呈现各章典型习题的Python编程求解。本书秉承“新文科”建设理念，侧重数学的实用性，并
电子书
收集整理曾经收治的、会诊的超声心动图疑难或典型病例，收集汇总100余例。
