书籍详情
Python深度学习从零开始学
作者：宋立桓 著
出版社：清华大学出版社
出版时间：2022-05-01
ISBN：9787302603368
定价：¥79.00
购买这本书可以去
内容简介
本书立足实践，以通俗易懂的方式详细介绍深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式来引导读者入门人工智能深度学习。本书的读者只需具备Python语言基础知识，不需要有数学基础或者AI基础，按照本书的内容循序渐进地学习，即可快速上手深度学习。本书配套示例源码、PPT课件、数据集、开发环境与答疑服务。本书共分13章，主要内容包括人工智能、机器学习和深度学习之间的关系、深度学习的环境搭建、深度学习的原理、深度学习框架TensorFlow和Keras、卷积神经网络相关知识、图像识别、情感分析、迁移学习、人脸识别、图像风格迁移、生成对抗网络等内容。本书从最简单的常识出发来切入AI领域，打造平滑和兴奋的学习体验。本书作为零基础入门书，既适合希望了解深度学习、使用深度学习框架快速上手的初学者和技术人员阅读，也适合作为高等院校和培训学校人工智能及相关专业的师生的实训教材。
作者简介
宋立桓，IT资深技术专家、布道师，主要负责为企业客户提供顾问咨询、培训和方案设计服务。目前是腾讯云架构师专注于云计算、大数据和人工智能，对区块链的相关技术也有深入的研究。著有图书《Cloudera Hadoop大数据平台实战指南》和《AI制胜：机器学习极简入门》。
目录
第1章 人工智能、机器学习与深度学习简介
1.1 什么是人工智能
1.2 人工智能的本质
1.3 人工智能相关专业人才的就业前景
1.4 机器学习和深度学习
1.4.1 什么是机器学习
1.4.2 深度学习独领风骚
1.4.3 机器学习和深度学习的关系和对比
1.5 小白如何学深度学习
1.5.1 关于两个“放弃”
1.5.2 关于三个“必须”
第2章 深度学习开发环境搭建
2.1 Jupyter Notebook极速入门
2.1.1 什么是Jupyter Notebook
2.1.2 如何安装和启动Jupyter Notebook
2.1.3 Jupyter Notebook的基本使用
2.2 深度学习常用框架介绍
2.3 Windows环境下安装TensorFlow（CPU版本）和Keras
2.4 Windows环境下安装TensorFlow（GPU版本）和Keras
2.4.1 确认显卡是否支持CUDA
2.4.2 安装CUDA
2.4.3 安装cuDNN
2.4.4 安装TensorFlow（GPU版本）和Keras
2.5 Windows环境下安装PyTorch
2.5.1 安装PyTorch（CPU版本）
2.5.2 安装PyTorch（GPU版本）
第3章 Python数据科学库
3.1 张量、矩阵和向量
3.2 数组和矩阵运算库——NumPy
3.2.1 列表和数组的区别
3.2.2 创建数组的方法
3.2.3 NumPy的算术运算
3.2.4 数组变形
3.3 数据分析处理库——Pandas
3.3.1 Pandas数据结构Series
3.3.2 Pandas数据结构DataFrame
3.3.3 Pandas处理CSV文件
3.3.4 Pandas数据清洗
3.4 数据可视化库——Matplotlib
第4章 深度学习基础
4.1 神经网络原理阐述
4.1.1 神经元和感知器
4.1.2 激活函数
4.1.3 损失函数
4.1.4 梯度下降和学习率
4.1.5 过拟合和Dropout
4.1.6 神经网络反向传播法
4.1.7 TensorFlow游乐场带你玩转神经网络
4.2 卷积神经网络
4.2.1 什么是卷积神经网络
4.2.2 卷积神经网络详解
4.2.3 卷积神经网络是如何训练的
4.3 卷积神经网络经典模型架构
4.3.1 LeNet
4.3.2 AlexNet
4.3.3 VGGNet
4.3.4 GoogLeNet
4.3.5 ResNet
第5章 深度学习框架TensorFlow入门
5.1 第一个TensorFlow的“Hello world”
5.2 TensorFlow程序结构
5.3 TensorFlow常量、变量、占位符
5.3.1 常量
5.3.2 变量
5.3.3 占位符
5.4 TensorFlow案例实战
5.4.1 MNIST数字识别问题
5.4.2 TensorFlow多层感知器识别手写数字
5.4.3 TensorFlow卷积神经网络识别手写数字
5.5 可视化工具TensorBoard的使用
第6章 深度学习框架Keras入门
6.1 Keras架构简介
6.2 Keras常用概念
6.3 Keras创建神经网络基本流程
6.4 Keras创建神经网络进行泰坦尼克号生还预测
6.4.1 案例项目背景和数据集介绍
6.4.2 数据预处理
6.4.3 建立模型
6.4.4 编译模型并进行训练
6.4.5 模型评估
6.4.6 预测和模型的保存
6.5 Keras创建神经网络预测银行客户流失率
6.5.1 案例项目背景和数据集介绍
6.5.2 数据预处理
6.5.3 建立模型
6.5.4 编译模型并进行训练
6.5.5 模型评估
6.5.6 模型优化——使用深度神经网络辅以Dropout正则化
第7章 数据预处理和模型评估指标
7.1 数据预处理的重要性和原则
7.2 数据预处理方法介绍
7.2.1 数据预处理案例——标准化、归一化、二值化
7.2.2 数据预处理案例——缺失值补全、标签化
7.2.3 数据预处理案例——独热编码
7.2.4 通过数据预处理提高模型准确率
7.3 常用的模型评估指标
第8章 图像分类识别
8.1 图像识别的基础知识
8.1.1 计算机是如何表示图像
8.1.2 卷积神经网络为什么能称霸计算机图像识别领域
8.2 实例一：手写数字识别
8.2.1 MNIST手写数字识别数据集介绍
8.2.2 数据预处理
8.2.3 建立模型
8.2.4 进行训练
8.2.5 模型保存和评估
8.2.6 进行预测
8.3 实例二：CIFAR-10图像识别
8.3.1 CIFAR-10图像数据集介绍
8.3.2 数据预处理
8.3.3 建立模型
8.3.4 进行训练
8.3.5 模型评估
8.3.6 进行预测
8.4 实例三：猫狗识别
8.4.1 猫狗数据集介绍
8.4.2 建立模型
8.4.3 数据预处理
8.4.4 进行训练
8.4.5 模型保存和评估
8.4.6 进行预测
8.4.7 模型的改进优化
第9章 IMDB电影评论情感分析
9.1 IMDB电影数据集和影评文字处理介绍
9.2 基于多层感知器模型的电影评论情感分析
9.2.1 加入嵌入层
9.2.2 建立多层感知器模型
9.2.3 模型训练和评估
9.2.4 预测
9.3 基于RNN模型的电影评论情感分析
9.3.1 为什么要使用RNN模型
9.3.2 RNN模型原理
9.3.3 使用R
1.1 什么是人工智能
1.2 人工智能的本质
1.3 人工智能相关专业人才的就业前景
1.4 机器学习和深度学习
1.4.1 什么是机器学习
1.4.2 深度学习独领风骚
1.4.3 机器学习和深度学习的关系和对比
1.5 小白如何学深度学习
1.5.1 关于两个“放弃”
1.5.2 关于三个“必须”
第2章 深度学习开发环境搭建
2.1 Jupyter Notebook极速入门
2.1.1 什么是Jupyter Notebook
2.1.2 如何安装和启动Jupyter Notebook
2.1.3 Jupyter Notebook的基本使用
2.2 深度学习常用框架介绍
2.3 Windows环境下安装TensorFlow（CPU版本）和Keras
2.4 Windows环境下安装TensorFlow（GPU版本）和Keras
2.4.1 确认显卡是否支持CUDA
2.4.2 安装CUDA
2.4.3 安装cuDNN
2.4.4 安装TensorFlow（GPU版本）和Keras
2.5 Windows环境下安装PyTorch
2.5.1 安装PyTorch（CPU版本）
2.5.2 安装PyTorch（GPU版本）
第3章 Python数据科学库
3.1 张量、矩阵和向量
3.2 数组和矩阵运算库——NumPy
3.2.1 列表和数组的区别
3.2.2 创建数组的方法
3.2.3 NumPy的算术运算
3.2.4 数组变形
3.3 数据分析处理库——Pandas
3.3.1 Pandas数据结构Series
3.3.2 Pandas数据结构DataFrame
3.3.3 Pandas处理CSV文件
3.3.4 Pandas数据清洗
3.4 数据可视化库——Matplotlib
第4章 深度学习基础
4.1 神经网络原理阐述
4.1.1 神经元和感知器
4.1.2 激活函数
4.1.3 损失函数
4.1.4 梯度下降和学习率
4.1.5 过拟合和Dropout
4.1.6 神经网络反向传播法
4.1.7 TensorFlow游乐场带你玩转神经网络
4.2 卷积神经网络
4.2.1 什么是卷积神经网络
4.2.2 卷积神经网络详解
4.2.3 卷积神经网络是如何训练的
4.3 卷积神经网络经典模型架构
4.3.1 LeNet
4.3.2 AlexNet
4.3.3 VGGNet
4.3.4 GoogLeNet
4.3.5 ResNet
第5章 深度学习框架TensorFlow入门
5.1 第一个TensorFlow的“Hello world”
5.2 TensorFlow程序结构
5.3 TensorFlow常量、变量、占位符
5.3.1 常量
5.3.2 变量
5.3.3 占位符
5.4 TensorFlow案例实战
5.4.1 MNIST数字识别问题
5.4.2 TensorFlow多层感知器识别手写数字
5.4.3 TensorFlow卷积神经网络识别手写数字
5.5 可视化工具TensorBoard的使用
第6章 深度学习框架Keras入门
6.1 Keras架构简介
6.2 Keras常用概念
6.3 Keras创建神经网络基本流程
6.4 Keras创建神经网络进行泰坦尼克号生还预测
6.4.1 案例项目背景和数据集介绍
6.4.2 数据预处理
6.4.3 建立模型
6.4.4 编译模型并进行训练
6.4.5 模型评估
6.4.6 预测和模型的保存
6.5 Keras创建神经网络预测银行客户流失率
6.5.1 案例项目背景和数据集介绍
6.5.2 数据预处理
6.5.3 建立模型
6.5.4 编译模型并进行训练
6.5.5 模型评估
6.5.6 模型优化——使用深度神经网络辅以Dropout正则化
第7章 数据预处理和模型评估指标
7.1 数据预处理的重要性和原则
7.2 数据预处理方法介绍
7.2.1 数据预处理案例——标准化、归一化、二值化
7.2.2 数据预处理案例——缺失值补全、标签化
7.2.3 数据预处理案例——独热编码
7.2.4 通过数据预处理提高模型准确率
7.3 常用的模型评估指标
第8章 图像分类识别
8.1 图像识别的基础知识
8.1.1 计算机是如何表示图像
8.1.2 卷积神经网络为什么能称霸计算机图像识别领域
8.2 实例一：手写数字识别
8.2.1 MNIST手写数字识别数据集介绍
8.2.2 数据预处理
8.2.3 建立模型
8.2.4 进行训练
8.2.5 模型保存和评估
8.2.6 进行预测
8.3 实例二：CIFAR-10图像识别
8.3.1 CIFAR-10图像数据集介绍
8.3.2 数据预处理
8.3.3 建立模型
8.3.4 进行训练
8.3.5 模型评估
8.3.6 进行预测
8.4 实例三：猫狗识别
8.4.1 猫狗数据集介绍
8.4.2 建立模型
8.4.3 数据预处理
8.4.4 进行训练
8.4.5 模型保存和评估
8.4.6 进行预测
8.4.7 模型的改进优化
第9章 IMDB电影评论情感分析
9.1 IMDB电影数据集和影评文字处理介绍
9.2 基于多层感知器模型的电影评论情感分析
9.2.1 加入嵌入层
9.2.2 建立多层感知器模型
9.2.3 模型训练和评估
9.2.4 预测
9.3 基于RNN模型的电影评论情感分析
9.3.1 为什么要使用RNN模型
9.3.2 RNN模型原理
9.3.3 使用R
猜您喜欢
