Python深度學習：邏輯、算法與編程實戰(zhàn)
定 價：119 元
當前圖書已被 36 所學校薦購過！
查看明細
- 作者：何福貴 編著
- 出版時間：2020/7/1
- ISBN：9787111658610
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：軟件工具-程序設計
- 頁碼：384
- 紙張：
- 版次：
- 開本：16開
機器學習是人工智能領域一個極其重要的研究方向，而深度學習則是機器學習中一個非常接近AI的分支，其思路在于建立進行分析學習的神經(jīng)網(wǎng)絡，模仿人腦感知與組織的方式，根據(jù)輸入數(shù)據(jù)做出決策。深度學習在快速的發(fā)展過程中，不斷有與其相關的產品推向市場，顯然，深度學習的應用將會日趨廣泛。
《Python深度學習：邏輯、算法與編程實戰(zhàn)》是關于深度學習的理論、算法、應用的實戰(zhàn)教程，內容涵蓋深度學習的語言、學習環(huán)境、典型結構、數(shù)據(jù)爬取和清洗、圖像識別分類、自然語言處理、情感分析、機器翻譯、目標檢測和語音處理等知識，通過各種實例，讀者能了解、掌握深度學習的整個流程和典型應用。
《Python深度學習：邏輯、算法與編程實戰(zhàn)》可作為深度學習相關從業(yè)人員的參考指南，也可作為大中專院校人工智能相關專業(yè)的教材，還可作為廣大人工智能愛好者的拓展學習手冊。
前言
第1章 Python語言基礎
1.1 Python簡介
1.2 Python開發(fā)環(huán)境
1.2.1 PyCharm的下載和安裝
1.2.2 PyCharm的使用
1.2.3 樹莓派Python IDLE的使用
1.3 Python基本語法
1.3.1 保留字和標識符
1.3.2 變量和數(shù)據(jù)類型
1.3.3 基本控制結構
1.3.4 運算符
1.3.5 函數(shù)
1.3.6 with語句
1.3.7 字符串操作
1.3.8 異常處理
1.4 Python序列
1.4.1 列表
1.4.2 元組
1.4.3 字典
1.4.4 集合
1.4.5 列表、元組、字典和集合的區(qū)別
1.5 Python操作文件
1.5.1 操作文本文件
1.5.2 操作目錄
1.5.3 操作Excel文件
1.5.4 操作CSV文件
1.6 Python模塊
1.6.1 模塊分類
1.6.2 自定義模塊
1.6.3 第三方模塊的安裝
1.7 Python類
1.7.1 面向對象概述
1.7.2 類和對象
1.7.3 面向對象程序設計方法
1.7.4 類的定義和使用
1.7.5 多線程
1.8 本章小結
第2章 Python操作數(shù)據(jù)庫及Web框架
2.1 操作數(shù)據(jù)庫
2.1.1 操作SQLite
2.1.2 操作MySQL
2.2 Web框架
2.2.1 主流Web框架
2.2.2 Django框架
2.2.3 Flask框架
2.3 本章小結
第3章 Python深度學習環(huán)境
3.1 Anaconda介紹
3.2 Anaconda環(huán)境搭建
3.3 Anaconda使用方法
3.3.1 管理工具Navigator
3.3.2 Anaconda的Python開發(fā)環(huán)境Spyder
3.4 深度學習的一些常備庫
3.4.1 NumPy—基礎科學計算庫
3.4.2 SciPy—科學計算工具集
3.4.3 Pandas—數(shù)據(jù)分析的利器
3.4.4 Matplotlib—畫出優(yōu)美的圖形
3.4.5 Tqdm—Python 進度條庫
3.5 機器學習通用庫Sklearn
3.5.1 Sklearn的安裝
3.5.2 Sklearn的數(shù)據(jù)集
3.5.3 Sklearn的機器學習方式
3.6 機器學習深度庫TensorFlow
3.6.1 TensorFlow的安裝
3.6.2 TensorFlow的深度學習方式
3.6.3 TensorLayer
3.6.4 可視化工具TensorBoard
3.7 機器學習深度庫Keras
3.7.1 Keras的安裝
3.7.2 Keras的深度學習方式
3.8 自然語言處理
3.8.1 NLTK
3.8.2 SpaCy
3.8.3 Gensim
3.9 視覺OpenCV
3.9.1 OpenCV的安裝
3.9.2 OpenCV的使用
3.10 其他深度學習框架
3.10.1 PyTorch
3.10.2 TFLearn
3.10.3 Chainer
3.10.4 Theano
3.11 本章小結
第4章 深度學習典型結構
4.1 人工智能、機器學習、神經(jīng)網(wǎng)絡和深度學習的關系
4.2 深度學習的發(fā)展歷程
4.3 深度學習的應用
4.3.1 計算機視覺
4.3.2 語音識別
4.3.3 自然語言處理
4.3.4 人機博弈
4.4 神經(jīng)網(wǎng)絡
4.4.1 神經(jīng)網(wǎng)絡的結構
4.4.2 神經(jīng)網(wǎng)絡的算法
4.4.3 神經(jīng)網(wǎng)絡的訓練
4.4.4 神經(jīng)網(wǎng)絡的參數(shù)
4.4.5 深度學習與深層神經(jīng)網(wǎng)絡
4.5 卷積神經(jīng)網(wǎng)絡（CNN）
4.5.1 卷積神經(jīng)網(wǎng)絡結構
4.5.2 經(jīng)典卷積網(wǎng)絡模型
4.5.3 卷積神經(jīng)網(wǎng)絡應用
4.6 循環(huán)神經(jīng)網(wǎng)絡（RNN）
4.6.1 循環(huán)神經(jīng)網(wǎng)絡結構
4.6.2 長短期記憶網(wǎng)絡（LSTM）
4.6.3 循環(huán)神經(jīng)網(wǎng)絡改進
4.6.4 循環(huán)神經(jīng)網(wǎng)絡應用
4.7 遞歸神經(jīng)網(wǎng)絡（RNN）
4.7.1 遞歸神經(jīng)網(wǎng)絡結構
4.7.2 遞歸神經(jīng)網(wǎng)絡應用
4.8 生成對抗網(wǎng)絡（GAN）
4.8.1 生成對抗網(wǎng)絡原理
4.8.2 生成對抗網(wǎng)絡架構
4.8.3 生成對抗網(wǎng)絡應用
4.8.4 生成對抗網(wǎng)絡變種
4.9 本章小結
第5章 深度學習數(shù)據(jù)準備—數(shù)據(jù)爬取和清洗
5.1 爬蟲框架
5.1.1 Crawley爬蟲框架
5.1.2 Scrapy爬蟲框架
5.1.3 PySpider爬蟲框架
5.1.4 Beautiful Soup爬蟲框架
5.2 數(shù)據(jù)爬取
5.2.1 Urllib3爬取
5.2.2 Requests爬取
5.2.3 Scrapy框架爬取
5.2.4 實例—爬取招聘網(wǎng)站職位信息
5.2.5 實例—爬取網(wǎng)站指定的圖片集合
5.2.6 實例—爬取二手車市場數(shù)據(jù)
5.3 數(shù)據(jù)清洗
5.3.1 數(shù)據(jù)清洗庫Pandas
5.3.2 缺失值處理
5.3.3 去重處理
5.3.4 異常值處理
5.3.5 實例—清洗CSV文件
5.3.6 噪聲數(shù)據(jù)處理
5.3.7 實例—天氣數(shù)據(jù)分析與處理
5.4 數(shù)據(jù)顯示
5.4.1 Pandas統(tǒng)計分析
5.4.2 Matplotlib繪圖
5.4.3 Bokeh繪圖
5.4.4 Pyecharts繪圖
5.5 實例—爬取并保存圖片
5.6 本章小結
第6章 圖像識別分類
6.1 圖像識別分類簡介
6.2 經(jīng)典圖片數(shù)據(jù)集
6.2.1 MNIST數(shù)據(jù)集
6.2.2 CIFAR-10數(shù)據(jù)集
6.2.3 ImageNet數(shù)據(jù)集
6.2.4 LFW人臉數(shù)據(jù)庫
6.2.5 Flowers-17數(shù)據(jù)集
6.2.6 Pascal VOC數(shù)據(jù)集
6.2.7 MS COCO 數(shù)據(jù)集
6.3 OpenCV識別
6.3.1 實例—人眼識別
6.3.2 實例—兩張相似圖片識別
6.3.3 實例—性別識別
6.4 VGGNet花朵識別
6.4.1 VGGNet介紹
6.4.2 花朵數(shù)據(jù)庫
6.4.3 實例—花朵識別
6.5 車牌識別
6.5.1 利用OpenCV實現(xiàn)車牌識別
6.5.2 實例—EasyPR車牌識別
6.6 Inception圖像分類處理
6.6.1 Inception模型簡介
6.6.2 實例—花朵和動物識別
6.6.3 實例—自定義圖像分類
6.7 本章小結
第7章 自然語言處理
7.1 自然語言處理的典型工具
7.1.1 NLTK
7.1.2 TextBlob
7.1.3 Gensim
7.1.4 Polyglot
7.2 Jieba實現(xiàn)關鍵詞抽取
7.2.1 Jieba實現(xiàn)詞性標注
7.2.2 基于TF-IDF算法的關鍵詞抽取
7.2.3 基于TextRank算法的關鍵詞抽取
7.3 Gensim查找相似詞
7.3.1 Gensim的使用
7.3.2 實例—Gensim查找相似詞
7.4 TextBlob
7.4.1 詞性標注
7.4.2 情感分析
7.4.3 分句提取
7.4.4 中文情感分析
7.5 CountVectorizer與TfidfVectorize
7.5.1 CountVectorizer文本特征提取
7.5.2 TfidfVectorizer文本特征提取
7.5.3 實例—新聞分類
7.6 語法分析和語義分析
7.6.1 SpaCy介紹及安裝
7.6.2 SpaCy流水線和屬性
7.6.3 Bosonnlp介紹及安裝
7.6.4 Bosonnlp語義分析
7.7 實例—小說文學數(shù)據(jù)挖掘
7.8 本章小結
第8章 情感分析
8.1 情感分析簡介
8.1.1 詞集、詞袋、TF-IDF和詞匯表
8.1.2 深度學習的情感分析
8.2 情感分析過程
8.2.1 獲取情感數(shù)據(jù)
8.2.2 將單詞轉換為特征向量
8.2.3 TF-IDF計算單詞關聯(lián)度
8.2.4 構建模型
8.2.5 情感分析
8.3 典型情感數(shù)據(jù)庫
8.3.1 Bosonnlp情感平臺
8.3.2 CASIA漢語情感語料庫
8.3.3 Pickle讀取存儲的情感詞典數(shù)據(jù)
8.4 基于LSTM的情感分析
8.5 基于SnowNLP的新聞評論數(shù)據(jù)分析
8.6 Dlib實現(xiàn)人臉顏值預測
8.7 實例—表情識別
8.8 本章小結
第9章 機器翻譯
9.1 機器翻譯簡介
9.2 Encoder-Decoder模型
9.3 TensorFlow機器翻譯
9.4 看圖說話5
9.4.1 實例—Google的im2txt模型實現(xiàn)看圖說話
9.4.2 實例—Show-Attend-And-Tell實現(xiàn)看圖說話
9.5 PaddlePaddle機器翻譯
9.6 本章小結
第10章 目標檢測
10.1 目標檢測的過程
10.2 典型的目標檢測算法
10.3 Faster R-CNN模型目標檢測
10.3.1 Faster R-CNN模型簡介
10.3.2 實例—Faster R-CNN實現(xiàn)目標檢測
10.4 YOLO模型目標檢測
10.4.1 YOLO模型簡介
10.4.2 實例—靜態(tài)目標檢測和動態(tài)目標檢測
10.5 SSD模型目標檢測
10.5.1 SSD模型簡介
10.5.2 實例—SSD實現(xiàn)目標檢測
10.6 本章小結
第11章 語音處理
11.1 語音處理概述
11.2 語音識別過程
11.2.1 聲學模型
11.2.2 語言模型
11.2.3 語音數(shù)據(jù)集
11.3 語音識別實例
11.4 樹莓派語音應用
11.4.1 文字轉語音
11.4.2 語音轉文字
11.4.3 實例—天氣預報
11.4.4 智能對話圖靈機
11.4.5 實例—聊天機器人
11.5 本章小結
書單推薦
