本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
电子书
内容简介
机器学习是人工智能领域一个极其重要的研究方向，而深度学习则是机器学习中一个非常接近AI的分支，其思路在于建立进行分析学习的神经网络，模仿人脑感知与组织的方式，根据输入数据做出决策。深度学习在快速的发展过程中，不断有与其相关的产品推向市场，显然，深度学习的应用将会日趋广泛。 《Python深度学习：逻辑、算法与编程实战》是关于深度学习的理论、算法、应用的实战教程，内容涵盖深度学习的语言、学习环境、典型结构、数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等知识，通过各种实例，读者能了解、掌握深度学习的整个流程和典型应用。 《Python深度学习：逻辑、算法与编程实战》可作为深度学习相关从业人员的参考指南，也可作为大中专院校人工智能相关专业的教材，还可作为广大人工智能爱好者的拓展学习手册。
章节目录
- 封面
- 书名页
- 版权页
- 前言
- 目录
- 第1章 Python语言基础
- 1.1 Python简介
- 1.2 Python开发环境
- 1.2.1 PyCharm的下载和安装
- 1.2.2 PyCharm的使用
- 1.2.3 树莓派Python IDLE的使用
- 1.3 Python基本语法
- 1.3.1 保留字和标识符
- 1.3.2 变量和数据类型
- 1.3.3 基本控制结构
- 1.3.4 运算符
- 1.3.5 函数
- 1.3.6 with语句
- 1.3.7 字符串操作
- 1.3.8 异常处理
- 1.4 Python序列
- 1.4.1 列表
- 1.4.2 元组
- 1.4.3 字典
- 1.4.4 集合
- 1.4.5 列表、元组、字典和集合的区别
- 1.5 Python操作文件
- 1.5.1 操作文本文件
- 1.5.2 操作目录
- 1.5.3 操作Excel文件
- 1.5.4 操作CSV文件
- 1.6 Python模块
- 1.6.1 模块分类
- 1.6.2 自定义模块
- 1.6.3 第三方模块的安装
- 1.7 Python类
- 1.7.1 面向对象概述
- 1.7.2 类和对象
- 1.7.3 面向对象程序设计方法
- 1.7.4 类的定义和使用
- 1.7.5 多线程
- 1.8 本章小结
- 第2章 Python操作数据库及Web框架
- 2.1 操作数据库
- 2.1.1 操作SQLite
- 2.1.2 操作MySQL
- 2.2 Web框架
- 2.2.1 主流Web框架
- 2.2.2 Django框架
- 2.2.3 Flask框架
- 2.3 本章小结
- 第3章 Python深度学习环境
- 3.1 Anaconda介绍
- 3.2 Anaconda环境搭建
- 3.3 Anaconda使用方法
- 3.3.1 管理工具Navigator
- 3.3.2 Anaconda的Python开发环境Spyder
- 3.4 深度学习的一些常备库
- 3.4.1 NumPy——基础科学计算库
- 3.4.2 SciPy——科学计算工具集
- 3.4.3 Pandas——数据分析的利器
- 3.4.4 Matplotlib——画出优美的图形
- 3.4.5 Tqdm——Python进度条库
- 3.5 机器学习通用库Sklearn
- 3.5.1 Sklearn的安装
- 3.5.2 Sklearn的数据集
- 3.5.3 Sklearn的机器学习方式
- 3.6 机器学习深度库TensorFlow
- 3.6.1 TensorFlow的安装
- 3.6.2 TensorFlow的深度学习方式
- 3.6.3 TensorLayer
- 3.6.4 可视化工具TensorBoard
- 3.7 机器学习深度库Keras
- 3.7.1 Keras的安装
- 3.7.2 Keras的深度学习方式
- 3.8 自然语言处理
- 3.8.1 NLTK
- 3.8.2 SpaCy
- 3.8.3 Gensim
- 3.9 视觉OpenCV
- 3.9.1 OpenCV的安装
- 3.9.2 OpenCV的使用
- 3.10 其他深度学习框架
- 3.10.1 PyTorch
- 3.10.2 TFLearn
- 3.10.3 Chainer
- 3.10.4 Theano
- 3.11 本章小结
- 第4章 深度学习典型结构
- 4.1 人工智能、机器学习、神经网络和深度学习的关系
- 4.2 深度学习的发展历程
- 4.3 深度学习的应用
- 4.3.1 计算机视觉
- 4.3.2 语音识别
- 4.3.3 自然语言处理
- 4.3.4 人机博弈
- 4.4 神经网络
- 4.4.1 神经网络的结构
- 4.4.2 神经网络的算法
- 4.4.3 神经网络的训练
- 4.4.4 神经网络的参数
- 4.4.5 深度学习与深层神经网络
- 4.5 卷积神经网络（CNN）
- 4.5.1 卷积神经网络结构
- 4.5.2 经典卷积网络模型
- 4.5.3 卷积神经网络应用
- 4.6 循环神经网络（RNN）
- 4.6.1 循环神经网络结构
- 4.6.2 长短期记忆网络（LSTM）
- 4.6.3 循环神经网络改进
- 4.6.4 循环神经网络应用
- 4.7 递归神经网络（RNN）
- 4.7.1 递归神经网络结构
- 4.7.2 递归神经网络应用
- 4.8 生成对抗网络（GAN）
- 4.8.1 生成对抗网络原理
- 4.8.2 生成对抗网络架构
- 4.8.3 生成对抗网络应用
- 4.8.4 生成对抗网络变种
- 4.9 本章小结
- 第5章 深度学习数据准备——数据爬取和清洗
- 5.1 爬虫框架
- 5.1.1 Crawley爬虫框架
- 5.1.2 Scrapy爬虫框架
- 5.1.3 PySpider爬虫框架
- 5.1.4 Beautiful Soup爬虫框架
- 5.2 数据爬取
- 5.2.1 Urllib3爬取
- 5.2.2 Requests爬取
- 5.2.3 Scrapy框架爬取
- 5.2.4 实例——爬取招聘网站职位信息
- 5.2.5 实例——爬取网站指定的图片集合
- 5.2.6 实例——爬取二手车市场数据
- 5.3 数据清洗
- 5.3.1 数据清洗库Pandas
- 5.3.2 缺失值处理
- 5.3.3 去重处理
- 5.3.4 异常值处理
- 5.3.5 实例——清洗CSV文件
- 5.3.6 噪声数据处理
- 5.3.7 实例——天气数据分析与处理
- 5.4 数据显示
- 5.4.1 Pandas统计分析
- 5.4.2 Matplotlib绘图
- 5.4.3 Bokeh绘图
- 5.4.4 Pyecharts绘图
- 5.5 实例——爬取并保存图片
- 5.6 本章小结
- 第6章 图像识别分类
- 6.1 图像识别分类简介
- 6.2 经典图片数据集
- 6.2.1 MNIST数据集
- 6.2.2 CIFAR-10数据集
- 6.2.3 ImageNet数据集
- 6.2.4 LFW人脸数据库
- 6.2.5 Flowers-17数据集
- 6.2.6 Pascal VOC数据集
- 6.2.7 MS COCO数据集
- 6.3 OpenCV识别
- 6.3.1 实例——人眼识别
- 6.3.2 实例——两张相似图片识别
- 6.3.3 实例——性别识别
- 6.4 VGGNet花朵识别
- 6.4.1 VGGNet介绍
- 6.4.2 花朵数据库
- 6.4.3 实例——花朵识别
- 6.5 车牌识别
- 6.5.1 利用OpenCV实现车牌识别
- 6.5.2 实例——EasyPR车牌识别
- 6.6 Inception图像分类处理
- 6.6.1 Inception模型简介
- 6.6.2 实例——花朵和动物识别
- 6.6.3 实例——自定义图像分类
- 6.7 本章小结
- 第7章 自然语言处理
- 7.1 自然语言处理的典型工具
- 7.1.1 NLTK
- 7.1.2 TextBlob
- 7.1.3 Gensim
- 7.1.4 Polyglot
- 7.2 Jieba实现关键词抽取
- 7.2.1 Jieba实现词性标注
- 7.2.2 基于TF-IDF算法的关键词抽取
- 7.2.3 基于TextRank算法的关键词抽取
- 7.3 Gensim查找相似词
- 7.3.1 Gensim的使用
- 7.3.2 实例——Gensim查找相似词
- 7.4 TextBlob
- 7.4.1 词性标注
- 7.4.2 情感分析
- 7.4.3 分句提取
- 7.4.4 中文情感分析
- 7.5 CountVectorizer与TfidfVectorize
- 7.5.1 CountVectorizer文本特征提取
- 7.5.2 TfidfVectorizer文本特征提取
- 7.5.3 实例——新闻分类
- 7.6 语法分析和语义分析
- 7.6.1 SpaCy介绍及安装
- 7.6.2 SpaCy流水线和属性
- 7.6.3 Bosonnlp介绍及安装
- 7.6.4 Bosonnlp语义分析
- 7.7 实例——小说文学数据挖掘
- 7.8 本章小结
- 第8章 情感分析
- 8.1 情感分析简介
- 8.1.1 词集、词袋、TF-IDF和词汇表
- 8.1.2 深度学习的情感分析
- 8.2 情感分析过程
- 8.2.1 获取情感数据
- 8.2.2 将单词转换为特征向量
- 8.2.3 TF-IDF计算单词关联度
- 8.2.4 构建模型
- 8.2.5 情感分析
- 8.3 典型情感数据库
- 8.3.1 Bosonnlp情感平台
- 8.3.2 CASIA汉语情感语料库
- 8.3.3 Pickle读取存储的情感词典数据
- 8.4 基于LSTM的情感分析
- 8.5 基于SnowNLP的新闻评论数据分析
- 8.6 Dlib实现人脸颜值预测
- 8.7 实例——表情识别
- 8.8 本章小结
- 第9章 机器翻译
- 9.1 机器翻译简介
- 9.2 Encoder-Decoder模型
- 9.3 TensorFlow机器翻译
- 9.4 看图说话
- 9.4.1 实例——Google的im2txt模型实现看图说话
- 9.4.2 实例——Show-Attend-And-Tell实现看图说话
- 9.5 PaddlePaddle机器翻译
- 9.6 本章小结
- 第10章 目标检测
- 10.1 目标检测的过程
- 10.2 典型的目标检测算法
- 10.3 Faster R-CNN模型目标检测
- 10.3.1 Faster R-CNN模型简介
- 10.3.2 实例——Faster R-CNN实现目标检测
- 10.4 YOLO模型目标检测
- 10.4.1 YOLO模型简介
- 10.4.2 实例——静态目标检测和动态目标检测
- 10.5 SSD模型目标检测
- 10.5.1 SSD模型简介
- 10.5.2 实例——SSD实现目标检测
- 10.6 本章小结
- 第11章 语音处理
- 11.1 语音处理概述
- 11.2 语音识别过程
- 11.2.1 声学模型
- 11.2.2 语言模型
- 11.2.3 语音数据集
- 11.3 语音识别实例
- 11.4 树莓派语音应用
- 11.4.1 文字转语音
- 11.4.2 语音转文字
- 11.4.3 实例——天气预报
- 11.4.4 智能对话图灵机
- 11.4.5 实例——聊天机器人
- 11.5 本章小结
- 封底
展开全部
Python深度学习：逻辑、算法与编程实战是2020年由机械工业出版社出版,作者何福贵 编著。
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《Python深度学习：逻辑、算法与编程实战》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。
电子书
电子书
本书共8章，内容包括Python概述、NumPy数值计算、pandas基础、pandas进阶、Matplotlib绘图、scikit-learn、餐饮企业综合分析与预测、通信运营商客户流失分析与预测。前6章设置了选择题、填空题和操作题，后两章设置了操作题，希望通过练习和操作实践，读者可以巩固所学的内容。
电子书
本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。??本书适合Pyth
电子书
本书旨在为读者建立完整的深度学习知识体系。全书内容包含3个部分，第一部分为与深度学习相关的数学基础；第二部分为深度学习的算法基础以及相关实现；第三部分为深度学习的实际应用。
电子书
《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
电子书
Python简单易学，是一种非常适合零基础编程人员学习算法与编程的高级程序设计语言。本书是中国电子学会全国青少年软件编程等级考试Python编程一至四级的指定用书，基于Python自带的集成开发工具IDLE3.5.2版本，对应每级考试要求讲解知识要点。对于广大青少年学习者，本书能够指导他们了解并掌握Python语言编程技巧，培养他们用Python语言编程解决生活中实际问题的能力。
电子书
本书主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现—TensorFlow、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行；第2章为机器学习概述，讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本；第3章介绍从生物神经元到
电子书
本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内
