相关截图：




资料简介：

本书系统的讲解了深度的基本知识，以及使用机器学习解决实际问题，详细的介绍了如何构建及优化模型，并针对不同的问题给出了不同的解决方案，通过不同的例子展示了具体的项目中的应用和实践经验，是一本非常好的深度学习的入门和实践的书籍。本书以实践为导向，使用 Keras作为编程框架，强调简单，快速的上手建立模型，解决实际项目问题。读者可以根据本书的理解，迅速上手实践深度学习，并利用深度学习解决实际的问题。本书非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。


资料目录：

部分 初识

1 初识深度学习/2

1.1 Python的深度学习/2

1.2 软件环境和基本要求/3

1.2.1 Python和SciPy/3

1.2.2 机器学习/3

1.2.3 深度学习/4

1.3 阅读本书的收获/4

1.4 本书说明/4

1.5 本书中的代码/5

2 深度学习生态圈/6

2.1 CNTK/6

2.1.1 安装CNTK/7

2.1.2 CNTK的简单例子/8

2.2 TensorFlow/8

2.2.1 TensorFlow介绍/8

2.2.2 安装TensorFlow/9

2.2.3 TensorFlow的简单例子/9

2.3 Keras/10

2.3.1 Keras简介/11

2.3.2 Keras安装/11

2.3.3 配置Keras的后端/11

2.3.4 使用Keras构建深度学习模型/12

2.4 云端GPUs计算/13

第二部分 多层感知器

3 个多层感知器实例：印第安人糖尿病诊断/16

3.1 概述/16

3.2 Pima Indians数据集/17

3.3 导入数据/18

3.4 定义模型/19

3.5 编译模型/20

3.6 训练模型/21

3.7 评估模型/21

3.8 汇总代码/22

4 多层感知器速成/24

4.1 多层感知器/24

4.2 神经元/25

4.2.1 神经元权重/25

4.2.2 激活函数/26

4.3 神经网络/27

4.3.1 输入层（可视层）/28

4.3.2 隐藏层/28

4.3.3 输出层/28

4.4 训练神经网络/29

4.4.1 准备数据/29

4.4.2 随机梯度下降算法/30

4.4.3 权重更新/30

4.4.4 预测新数据/31

5 评估深度学习模型/33

5.1 深度学习模型和评估/33

5.2 自动评估/34

5.3 手动评估/36

5.3.1 手动分离数据集并评估/36

5.3.2 k折交叉验证/37

6 在Keras中使用Scikit-Learn/40

6.1 使用交叉验证评估模型/41

6.2 深度学习模型调参/42

7 多分类实例：鸢尾花分类/49

7.1 问题分析/49

7.2 导入数据/50

7.3 定义神经网络模型/50

7.4 评估模型/52

7.5 汇总代码/52

8 回归问题实例：波士顿房价预测/54

8.1 问题描述/54

8.2 构建基准模型/55

8.3 数据预处理/57

8.4 调参隐藏层和神经元/58

9 二分类实例：银行营销分类/61

9.1 问题描述/61

9.2 数据导入与预处理/62

9.3 构建基准模型/64

9.4 数据格式化/66

9.5 调参网络拓扑图/66

10 多层感知器进阶/68

10.1 JSON序列化模型/68

10.2 YAML序列化模型/74

10.3 模型增量更新/78

10.4 神经网络的检查点/81

10.4.1 检查点跟踪神经网络模型/82

10.4.2 自动保存优模型/84

10.4.3 从检查点导入模型/86

10.5 模型训练过程可视化/87

11 Dropout与学习率衰减92

11.1 神经网络中的Dropout/92

11.2 在Keras中使用Dropout/93

11.2.1 输入层使用Dropout/94

11.2.2 在隐藏层使用Dropout/95

11.2.3 Dropout的使用技巧/97

11.3 学习率衰减/97

11.3.1 学习率线性衰减/98

11.3.2 学习率指数衰减/100

11.3.3 学习率衰减的使用技巧/103

第三部分 卷积神经网络

12 卷积神经网络速成/106

12.1 卷积层/108

12.1.1 滤波器/108

12.1.2 特征图/109

12.2 池化层/109

12.3 全连接层/109

12.4 卷积神经网络案例/110

13 手写数字识别/112

13.1 问题描述/112

13.2 导入数据/113

13.3 多层感知器模型/114

13.4 简单卷积神经网络/117

13.5 复杂卷积神经网络/120

14 Keras中的图像增强/124

14.1 Keras中的图像增强API/124

14.2 增强前的图像/125

14.3 特征标准化/126

14.4 ZCA白化/128

14.5 随机旋转、移动、剪切和反转图像/129

14.6 保存增强后的图像/132

15 图像识别实例：CIFAR-10分类/134

15.1 问题描述/134

15.2 导入数据/135

15.3 简单卷积神经网络/136

15.4 大型卷积神经网络/140

15.5 改进模型/145

16 情感分析实例：IMDB影评情感分析/152

16.1 问题描述/152

16.2 导入数据/153

16.3 词嵌入/154

16.4 多层感知器模型/155

16.5 卷积神经网络/157

第四部分 循环神经网络

17 循环神经网络速成/162

17.1 处理序列问题的神经网络/163

17.2 循环神经网络/164

17.3 长短期记忆网络/165

18 多层感知器的时间序列预测：国际旅行人数预测/167

18.1 问题描述/167

18.2 导入数据/168

18.3 多层感知器/169

18.4 使用窗口方法的多层感知器/172

19 LSTM时间序列问题预测：国际旅行人数预测177

19.1 LSTM处理回归问题/177

19.2 使用窗口方法的LSTM回归/181

19.3 使用时间步长的LSTM回归/185

19.4 LSTM的批次间记忆/188

19.5 堆叠LSTM的批次间记忆/192

20 序列分类：IMDB影评分类/197

20.1 问题描述/197

20.2 简单LSTM/197

20.3 使用Dropout改进过拟合/199

20.4 混合使用LSTM和CNN/201

21 多变量时间序列预测：PM2.5预报/203

21.1 问题描述/203

21.2 数据导入与准备/204

21.3 构建数据集/206

21.4 简单LSTM/207

22 文本生成实例：爱丽丝梦游仙境/211

22.1 问题描述/211

22.2 导入数据/212

22.3 分词与向量化/212

22.4 词云/213

22.5 简单LSTM/215

22.6 生成文本/219

附录A 深度学习的基本概念/223

A.1 神经网络基础/223

A.2 卷积神经网络/227

A.3 循环神经网络/229