内容提要

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。

本书代码丰富，注释详尽，适合有一定Python基础的读者，包括计算机相关专业的学生、程序员和人工智能神经网络的技术爱好者。

前言

当下我们的生活和工作已经被人工智能和深度学习的技术所包围，例如人机对话、人脸识别过闸机或付款、各种语言间的自动翻译、自动驾驶汽车、淘宝的个性化推荐等，各大科技公司都在努力发展的“千人千面”精细化产品也离不开人工智能（它背后的技术就是深度学习）。

坦白来讲，深度学习就是对深度神经网络架构的学习，基于神经网络设计出各种架构的模型，如卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）等。每一种神经网络在不同的领域起着不同的作用，例如在图像识别领域的人脸识别一般使用CNN；语言翻译或一些需要有记忆状态的领域一般用RNN或者LSTM；需要使用神经网络模型生成各种图像和视频的领域就可以用GAN。

自从Google公司开源了TensorFlow深度学习框架后，深度学习这门技术成为广大开发者、科研人员和企业最实用的技术；之后不久，基于TensorFlow深度学习框架编写而成的Keras深度学习框架就诞生了，Keras使得编写神经网络模型更简单、更易理解、更高效，只需几行代码就可以完成一个CNN模型。Keras有着快速编写神经网络模型的原型的称号，其后端之一就是TensorFlow。对这两个框架的掌握，现在基本已成为各大公司对深度学习工程师的招聘要求的标配。

本书特色

本书内容以实践、应用为导向，以实际编写代码和运行通过为准则，无须求解方程，无须理解复杂的公式。本书以项目编码实践为主，无方程公式的理论知识，只求读者能又快又准地运行代码并看到模型最终效果，在仅配置普通CPU的计算机上也能训练模型和完成所有的项目实践。

本书介绍的21个项目选取了目前比较流行的应用案例，为读者呈现生动有趣的实践应用。当初学者掌握了一定的统计学知识后，亟需的就是神经网络模型的项目编写练习，此时学习本书再适合不过了。

本书内容分为三大类，分别是预测类、识别类和生成类，各部分内容中均有从浅入深的项目案例。每个项目的每一行代码，都是笔者实际运行通过的。有的地方代码过多，我已将之写到了Python脚本文件中，读者需要下载相关脚本文件，引入后再运行。每个神经网络模型的每一层都有激活函数和损失函数，在隐藏层时用以调节权重和误差，在输出层时用以计算概率。

本书内容及体系结构

第1章 房价预测

本章通过对波士顿和北京的房价进行分析和预测，讲解如何使用scikit-learn（sklearn）进行网格搜索来训练和预测，以及如何使用Keras构建神经网络模型来训练、评估和预测。

第2章 泰坦尼克号生还预测

本章通过对泰坦尼克号的船上乘员的人数情况进行数据清洗与分割，讲解如何使用决策树、逻辑回归、梯度提升分类器、神经网络模型来构建、训练、评估和预测模型。

第3章 共享单车使用情况预测

本章将根据Capital Bikeshare共享单车公司的用户骑行数据绘制多种图表来进行呈现、分析和总结，最终编写一个基于TensorFlow的长短期记忆网络模型来讲解如何进行预测。