本书由浅入深地讲解了算法交易的相关知识。
电子书
编辑推荐
本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。
内容简介
本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。本书包含了6个神经网络相关的项目，分别是糖尿病预测、出租车费用预测、图像分类、图像降噪、情感分析和人脸识别，这6个项目均是从头开始实现，且使用了不同的神经网络。在每个项目中，本书首先会提出问题，然后介绍解决该问题需要用到的神经网络架构，并给出选择该神经网络模型的原因，最后会使用Python语言从头实现该模型。此外，本书还介绍了机器学习和神经网络的基础知识，以及人工智能未来的发展。
章节目录
- 扉页
- 版权
- 内容提要
- 致我的夫人阿格尼丝·利姆（Agnes Lim） ——我的伙伴、灵魂伴侣和拉拉队长。没有她，这本书是不可能完成的。詹姆斯·洛伊（James Loy）
- 作者简介
- ·
- 审校者简介
- ·
- 前言
- 本书的目标读者
- 本书内容
- 如何最大限度地利用本书
- 下载示例代码
- 下载本书的彩图
- 资源与支持
- 配套资源
- 提交勘误
- 扫码关注本书
- 与我们联系
- 关于异步社区和异步图书
- 目录
- 第1章 机器学习和神经网络导论
- 1.1 什么是机器学习
- 1.1.1 机器学习算法
- 1.1.2 机器学习工作流
- 1.2 在你的计算机上配置机器学习环境
- 1.3 神经网络
- 1.3.1 为什么要使用神经网络
- 1.3.2 神经网络基础结构
- 1.3.4 综合应用
- 1.3.3 使用 Python 从头开始训练一个神经网络
- 1.3.4 综合应用
- 1.3.5 深度学习和神经网络
- 1.4 pandas——强大的 Python 数据分析工具
- 1.4.1 pandas DataFrame
- 1.4.2 pandas 中的数据可视化
- 1.4.3 使用pandas 进行数据预处理
- 1.4.4 在神经网络项目中使用pandas
- 1.5 TensorFlow 和 Keras——开源深度学习库
- 1.5.1 Keras 中的基础构建单元
- 1.5.2 用Keras 创建神经网络
- 1.6 其他 Python 函数库
- 1.7 小结
- 第2章 基于多层感知器预测糖尿病
- 2.1 技术需求
- 2.2 糖尿病——理解问题
- 2.3 医疗中的人工智能
- 自动诊断
- 2.4 糖尿病数据集
- 2.5 探索性数据分析
- 2.6 数据预处理
- 2.6.1 处理缺失数据
- 2.6.2 数据标准化
- 2.6.3 将数据集分割为训练数据集、测试数据集和验证数据集
- 2.7 MLP
- 模型结构
- 2.8 使用 Keras 构建模型
- 2.8.1 建模
- 2.8.2 模型编译
- 2.8.3 模型训练
- 2.9 结果分析
- 2.9.1 测试模型准确率
- 2.9.2 混淆矩阵
- 2.9.3 ROC曲线
- 2.9.4 进一步优化
- 2.10 小结
- 2.11 问题
- 第3章 基于深度前馈网络预测出租车费用
- 3.1 技术需求
- 3.2 预测纽约市出租车打车费用
- 3.3 纽约市出租车打车费用数据集
- 3.4 探索性数据分析
- 3.4.1 地理位置数据可视化
- 3.4.2 全天及小时客流量
- 3.5 数据预处理
- 处理缺失值和数据异常
- 3.6 特征工程
- 3.6.1 时空特征
- 3.6.2 地理位置特征
- 3.7 特征缩放
- 3.8 深度前馈网络
- 3.8.1 模型结构
- 3.8.2 回归问题的损失函数
- 3.9 使用 Keras 构建模型
- 3.10 结果分析
- 3.11 综合应用
- 3.12 小结
- 3.13 习题
- 第4章 是猫还是狗——使用卷积神经网络进行图像分类
- 4.1 技术需求
- 4.2 计算机视觉和目标识别
- 4.3 目标识别的问题类型
- 4.4 数字图像作为神经网络输入
- 4.5 卷积神经网络的基础结构
- 4.5.1 滤波和卷积
- 4.5.2 最大池化
- 4.6 卷积神经网络基本结构
- 4.7 现代卷积神经网络回顾
- 4.7.1 LeNet（1998)
- 4.7.2 AlexNet（2012)
- 4.7.3 VGG16（2014)
- 4.7.4 Inception（2014)
- 4.7.5 ResNet（2015)
- 4.7.6 最新趋势
- 4.8 猫狗数据集
- 4.9 在 Keras 中处理图像数据
- 4.10 图像增强
- 4.11 建模
- 4.11.1 构建简单的卷积神经网络
- 4.11.2 通过迁移学习利用预训练模型
- 4.12 结果分析
- 4.13 小结
- 4.14 习题
- 第5章 使用自动编码器进行图像降噪
- 5.1 技术需求
- 5.2 自动编码器的概念
- 5.3 隐式表示
- 5.4 用于数据压缩的自动编码器
- 5.5 MNIST 手写数字数据集
- 5.6 构建简单的自动编码器
- 5.6.1 在Keras 中构建自动编码器
- 5.6.2 隐藏层尺寸对自动编码器性能的影响
- 5.7 用于降噪的自动编码器
- 深度卷积去噪编码器
- 5.8 基于自动编码器的文件去噪
- 5.8.1 基本的卷积自动编码器
- 5.8.2 深度卷积自动编码器
- 5.9 小结
- 5.10 习题
- 第6章 使用长短期记忆网络进行情感分析
- 6.1 技术需求
- 6.2 机器学习中的顺序问题
- 6.3 自然语言处理和情感分析
- 为什么情感分析很困难
- 6.4 RNN
- 6.4.1 RNN的内部结构
- 6.4.2 RNN中的长短期依赖
- 6.4.3 梯度消失问题
- 6.5 LSTM 网络
- 6.5.1 LSTM——直观感受
- 6.5.2 LSTM网络内部结构
- 6.6 IMDb 影评数据集
- 6.7 用向量表示词语
- 6.7.1 独热编码
- 6.7.2 词嵌入
- 6.8 模型结构
- 6.8.1 输入
- 6.8.2 词嵌入层
- 6.8.3 LSTM层
- 6.8.4 全连接层
- 6.8.5 输出
- 6.9 在 Keras 中创建模型
- 6.9.1 导入数据
- 6.9.2 零填充
- 6.9.3 词嵌入层和LSTM层
- 6.9.4 编译和训练模型
- 6.10 结果分析
- 混淆矩阵
- 6.11 代码整合
- 6.12 小结
- 6.13 习题
- 第7章 基于神经网络实现人脸识别系统
- 7.1 技术需求
- 7.2 人脸识别系统
- 7.3 分解人脸识别问题
- 7.3.1 人脸检测
- 7.3.2 人脸识别
- 7.4 人脸识别系统需求
- 7.4.1 速度
- 7.4.2 可扩展性
- 7.4.3 基于小数据集来实现高准确率
- 7.5 一次学习
- 朴素一次预测——两个向量的欧氏距离
- 7.6 孪生神经网络
- 7.7 对比损失函数
- 7.8 人脸数据集
- 7.9 在 Keras 中创建孪生神经网络
- 7.10 在 Keras 中训练模型
- 7.11 结果分析
- 7.12 重构代码
- 7.13 创建一个实时人脸识别程序
- 7.13.1 人脸录入过程
- 7.13.2 人脸识别过程
- 7.13.3 工作展望
- 7.14 小结
- 7.15 习题
- 第8章 未来是什么样的
- 8.1 项目总结
- 8.1.1 机器学习和神经网络导论
- 8.1.2 基于多层感知机预测糖尿病
- 8.1.3 基于深度前馈网络预测出租车费用
- 8.1.4 猫还是狗——使用卷积神经网络进行图像分类
- 8.1.5 使用自动编码器进行图像降噪
- 8.1.6 使用LSTM对影评进行情感分析
- 8.1.7 基于神经网络实现人脸识别系统
- 8.2 神经网络的最新进展
- 8.2.1 生成对抗网络
- 8.2.2 深度强化学习
- 8.3 神经网络的局限性
- 8.4 人工智能和机器学习的未来
- 8.4.1 强人工智能
- 8.4.2 自动机器学习
- 8.5 持续获取机器学习的相关信息
- 8.5.1 图书
- 8.5.2 学术期刊
- 8.5.3 基于真实数据集进行练习
- 8.6 推荐的机器学习数据集
- 8.7 总结
展开全部
Python神经网络项目实战是2022年由人民邮电出版社出版,作者[美] 詹姆斯·洛伊。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python神经网络项目实战》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。
电子书
本书由浅入深地讲解了算法交易的相关知识。
电子书
16个有趣的编程项目，提升Python编程技能，培养解决现实问题的思维。
电子书
9部分全面学编程：基础知识、对象类型、高级概念、现成代码库。
电子书
一本关于Spring Boot应用程序开发和测试的入门图书。
电子书
一本经典而实用的Spring学习指南。
电子书
本书宗旨 提高读者学习Java EE的效率，增强其项目实战能力。本书摒弃了软件公司中不常用或不实用的技术，而是采用近200个开发案例，为读者讲解了开发商业软件的知识，帮助读者进行“精要”式的学习，汲取Java EE的思想，正确地进行项目实战。 本书特色 不留遗漏——覆盖主流Java EE轻量级框架 直击要害——实战化案例精准定位开发细节 学以致用——精要式项目确保开发/ 学习不脱节 潜移默化——研磨式知识讲解参透技术要点 提升效率——垂直式技术精解不绕弯路 循序提升——渐进式知识点统排确保连贯 以点概面——解决方案式项目，知识独立却又体系完整 成功案例——全面经过项目过程锤炼，提升学习/ 开发效率