Python深度学习：逻辑、算法与编程实战

作品简介

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。

本书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。

本书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。

何福贵编著

作品目录

• 前言
• 第1章 Python语言基础
• 1.1 Python简介
• 1.2 Python开发环境
• 1.3 Python基本语法
• 1.4 Python序列
• 1.5 Python操作文件
• 1.6 Python模块
• 1.7 Python类
• 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
• 2.2 Web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
• 3.4 深度学习的一些常备库
• 3.5 机器学习通用库Sklearn
• 3.6 机器学习深度库TensorFlow
• 3.7 机器学习深度库Keras
• 3.8 自然语言处理
• 3.9 视觉OpenCV
• 3.10 其他深度学习框架
• 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
• 4.4 神经网络
• 4.5 卷积神经网络（CNN）
• 4.6 循环神经网络（RNN）
• 4.7 递归神经网络（RNN）
• 4.8 生成对抗网络（GAN）
• 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
• 5.2 数据爬取
• 5.3 数据清洗
• 5.4 数据显示
• 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
• 6.3 OpenCV识别
• 6.4 VGGNet花朵识别
• 6.5 车牌识别
• 6.6 Inception图像分类处理
• 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
• 7.2 Jieba实现关键词抽取
• 7.3 Gensim查找相似词
• 7.4 TextBlob
• 7.5 CountVectorizer与TfidfVectorize
• 7.6 语法分析和语义分析
• 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
• 8.2 情感分析过程
• 8.3 典型情感数据库
• 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
• 9.5 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
• 10.4 YOLO模型目标检测
• 10.5 SSD模型目标检测
• 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
• 11.3 语音识别实例
• 11.4 树莓派语音应用
• 11.5 本章小结