作品简介

这是一本理论与实践兼顾的深度学习著作,它通过精心的内容组织和丰富的案例讲解,能让读者零基础入门,并迅速晋级为有一定理论基础和项目实战能力的高手。

基础方面,不仅介绍了Keras等各种深度学习框架的使用和开发环境的搭建,还对深度学习的基础知识做了全面讲解;

理论方面,详细讲解了全连接神经网络、卷积神经网络、循环神经网络、自编码器和生成式对抗网络等核心神经网络的原理和应用;

应用层面,不仅讲解了如何用Keras开发各种深度学习模型,而且还讲解了深度学习在图像处理和文本处理两大核心场景的应用;

实战方面,每个深度学习模型原理的背后都有精心设计的Keras实现代码,每章都有多个综合性案例,读者可以在调试和执行代码的过程中掌握深度学习模型设计与开发的各种方法和技巧。

本书内容结构合理,重点突出;写作方式循序渐进,易于读者理解;行文风格幽默风趣,读起来不枯燥。

资深AI技术专家和数据挖掘专家,拥有超过14年的技术研发和管理经验。精通Python和Keras等深度学习框架,在数据挖掘和人工智能技术领域有非常深厚的积累。连续6年(2017~2022年)被微软评为数据科学和AI方向“最具价值专家”(微软MVP)。

资深R语言技术专家,“中国现场统计研究会大数据统计分会”第一届理事。历届中国R语言和数据科学大会特邀演讲嘉宾,受邀在国内多所高校举行以数据主题的公益讲座。

著有多本技术畅销书,如《R语言游戏数据分析与挖掘》《R语言与数据挖掘》。

作品目录

  • 推荐语
  • 前言
  • 第1章准备深度学习的环境
  • 1.1 机器学习与深度学习
  • 1.2 主流深度学习框架介绍
  • 1.3 配置深度学习的软件环境
  • 1.4 Keras构建深度学习模型
  • 1.5 本章小结
  • 第2章深度学习简介
  • 2.1 神经网络基础
  • 2.2 优化网络的方法
  • 2.3 防止模型过拟合
  • 2.4 综合实例:电信流失用户预测
  • 2.5 本章小结
  • 第3章如何用Keras开发深度学习模型
  • 3.1 Keras模型的生命周期
  • 3.2 Keras模型
  • 3.3 模型可视化
  • 3.4 Keras中的回调函数
  • 3.5 模型保存及序列化
  • 3.6 本章小结
  • 第4章深度学习的图像数据预处理
  • 4.1 图像处理EBImage包
  • 4.2 利用Keras进行图像预处理
  • 4.3 综合实例:对彩色花图像进行分类
  • 4.4 本章小结
  • 第5章全连接神经网络的经典实例
  • 5.1 回归问题实例:波士顿房价预测
  • 5.2 多分类实例:鸢尾花分类
  • 5.3 二分类实例:印第安人糖尿病诊断
  • 5.4 二分类实例:泰坦尼克号上旅客生存预测
  • 5.5 多分类实例:彩色手写数字图像识别
  • 5.6 本章小结
  • 第6章卷积神经网络及图像分类
  • 6.1 卷积神经网络原理
  • 6.2 多分类实例:小数据集的图像识别
  • 6.3 多分类实例:彩色手写数字图像识别
  • 6.4 多分类实例:CIFAR-10图像识别
  • 6.5 本章小结
  • 第7章循环神经网络
  • 7.1 简单循环网络
  • 7.2 长短期记忆网络(LSTM)
  • 7.3 门控循环单元(GRU)
  • 7.4 本章小结
  • 第8章自编码器
  • 8.1 自编码器介绍
  • 8.2 实例:使用自编码器预测信用风险
  • 8.3 实例:使用自编码器建立推荐系统
  • 8.4 本章小结
  • 第9章生成式对抗网络
  • 9.1 生成式对抗网络简介
  • 9.2 实例:使用GAN生成手写数字
  • 9.3 实例:深度卷积生成式对抗网络
  • 9.4 本章小结
  • 第10章使用R语言进行文本挖掘
  • 10.1 文本挖掘流程
  • 10.2 相关R包简介及安装
  • 10.3 tm包快速上手
  • 10.4 tmcn包快速上手
  • 10.5 Rwordseg包快速上手
  • 10.6 jiebaR包快速上手
  • 10.7 tidytext包快速上手
  • 10.8 本章小结
  • 第11章如何使用Keras处理文本数据
  • 11.1 使用text_to_word_sequence分词
  • 11.2 使用独热编码
  • 11.3 分词器Tokenizer
  • 11.4 使用pad_sequences填充文本序列
  • 11.5 词嵌入
  • 11.6 本章小结
  • 第12章情感分析实例:IMDB影评情感分析
  • 12.1 IMDB数据集
  • 12.2 利用机器学习进行情感分析
  • 12.3 利用深度学习进行情感分析
  • 12.4 本章小结
  • 第13章中文文本分类实例:新浪新闻分类实例
  • 13.1 SPORT数据集
  • 13.2 利用机器学习进行文本分类
  • 13.3 利用深度学习进行文本分类
  • 13.4 本章小结
  • 第14章通过预训练模型实现迁移学习
  • 14.1 迁移学习概述
  • 14.2 Keras预训练模型概述
  • 14.3 VGGNet卷积网络模型
  • 14.4 ResNet卷积网络模型
  • 14.5 本章小结
展开全部