✍ Scribed by (美)詹姆斯·洛伊(James Loy)著
No coin nor oath required. For personal study only.
扉页
版权
内容提要
致
作者简介
审校者简介
前言
本书的目标读者
本书内容
如何最大限度地利用本书
下载示例代码
下载本书的彩图
资源与支持
配套资源
提交勘误
扫码关注本书
与我们联系
关于异步社区和异步图书
目录
第1章 机器学习和神经网络导论
1.1 什么是机器学习
1.1.1 机器学习算法
1.1.2 机器学习工作流
1.2 在你的计算机上配置机器学习环境
1.3 神经网络
1.3.1 为什么要使用神经网络
1.3.2 神经网络基础结构
1.3.4 综合应用
1.3.3 使用 Python 从头开始训练一个神经网络
1.3.4 综合应用
1.3.5 深度学习和神经网络
1.4 pandas——强大的 Python 数据分析工具
1.4.1 pandas DataFrame
1.4.2 pandas 中的数据可视化
1.4.3 使用pandas 进行数据预处理
1.4.4 在神经网络项目中使用pandas
1.5 TensorFlow 和 Keras——开源深度学习库
1.5.1 Keras 中的基础构建单元
1.5.2 用Keras 创建神经网络
1.6 其他 Python 函数库
1.7 小结
第2章 基于多层感知器预测糖尿病
2.1 技术需求
2.2 糖尿病——理解问题
2.3 医疗中的人工智能
自动诊断
2.4 糖尿病数据集
2.5 探索性数据分析
2.6 数据预处理
2.6.1 处理缺失数据
2.6.2 数据标准化
2.6.3 将数据集分割为训练数据集、测试数据集和验证数据集
2.7 MLP
模型结构
2.8 使用 Keras 构建模型
2.8.1 建模
2.8.2 模型编译
2.8.3 模型训练
2.9 结果分析
2.9.1 测试模型准确率
2.9.2 混淆矩阵
2.9.3 ROC曲线
2.9.4 进一步优化
2.10 小结
2.11 问题
第3章 基于深度前馈网络预测出租车费用
3.1 技术需求
3.2 预测纽约市出租车打车费用
3.3 纽约市出租车打车费用数据集
3.4 探索性数据分析
3.4.1 地理位置数据可视化
3.4.2 全天及小时客流量
3.5 数据预处理
处理缺失值和数据异常
3.6 特征工程
3.6.1 时空特征
3.6.2 地理位置特征
3.7 特征缩放
3.8 深度前馈网络
3.8.1 模型结构
3.8.2 回归问题的损失函数
3.9 使用 Keras 构建模型
3.10 结果分析
3.11 综合应用
3.12 小结
3.13 习题
第4章 是猫还是狗——使用卷积神经网络进行图像分类
4.1 技术需求
4.2 计算机视觉和目标识别
4.3 目标识别的问题类型
4.4 数字图像作为神经网络输入
4.5 卷积神经网络的基础结构
4.5.1 滤波和卷积
4.5.2 最大池化
4.6 卷积神经网络基本结构
4.7 现代卷积神经网络回顾
4.7.1 LeNet（1998)
4.7.2 AlexNet（2012)
4.7.3 VGG16（2014)
4.7.4 Inception（2014)
4.7.5 ResNet（2015)
4.7.6 最新趋势
4.8 猫狗数据集
4.9 在 Keras 中处理图像数据
4.10 图像增强
4.11 建模
4.11.1 构建简单的卷积神经网络
4.11.2 通过迁移学习利用预训练模型
4.12 结果分析
4.13 小结
4.14 习题
第5章 使用自动编码器进行图像降噪
5.1 技术需求
5.2 自动编码器的概念
5.3 隐式表示
5.4 用于数据压缩的自动编码器
5.5 MNIST 手写数字数据集
5.6 构建简单的自动编码器
5.6.1 在Keras 中构建自动编码器
5.6.2 隐藏层尺寸对自动编码器性能的影响
5.7 用于降噪的自动编码器
深度卷积去噪编码器
5.8 基于自动编码器的文件去噪
5.8.1 基本的卷积自动编码器
5.8.2 深度卷积自动编码器
5.9 小结
5.10 习题
第6章 使用长短期记忆网络进行情感分析
6.1 技术需求
6.2 机器学习中的顺序问题
6.3 自然语言处理和情感分析
为什么情感分析很困难
6.4 RNN
6.4.1 RNN的内部结构
6.4.2 RNN中的长短期依赖
6.4.3 梯度消失问题
6.5 LSTM 网络
6.5.1 LSTM——直观感受
6.5.2 LSTM网络内部结构
6.6 IMDb 影评数据集
6.7 用向量表示词语
6.7.1 独热编码
6.7.2 词嵌入
6.8 模型结构
6.8.1 输入
6.8.2 词嵌入层
6.8.3 LSTM层
6.8.4 全连接层
6.8.5 输出
6.9 在 Keras 中创建模型
6.9.1 导入数据
6.9.2 零填充
6.9.3 词嵌入层和LSTM层
6.9.4 编译和训练模型
6.10 结果分析
混淆矩阵
6.11 代码整合
6.12 小结
6.13 习题
第7章 基于神经网络实现人脸识别系统
7.1 技术需求
7.2 人脸识别系统
7.3 分解人脸识别问题
7.3.1 人脸检测
7.3.2 人脸识别
7.4 人脸识别系统需求
7.4.1 速度
7.4.2 可扩展性
7.4.3 基于小数据集来实现高准确率
7.5 一次学习
朴素一次预测——两个向量的欧氏距离
7.6 孪生神经网络
7.7 对比损失函数
7.8 人脸数据集
7.9 在 Keras 中创建孪生神经网络
7.10 在 Keras 中训练模型
7.11 结果分析
7.12 重构代码
7.13 创建一个实时人脸识别程序
7.13.1 人脸录入过程
7.13.2 人脸识别过程
7.13.3 工作展望
7.14 小结
7.15 习题
第8章 未来是什么样的
8.1 项目总结
8.1.1 机器学习和神经网络导论
8.1.2 基于多层感知机预测糖尿病
8.1.3 基于深度前馈网络预测出租车费用
8.1.4 猫还是狗——使用卷积神经网络进行图像分类
8.1.5 使用自动编码器进行图像降噪
8.1.6 使用LSTM对影评进行情感分析
8.1.7 基于神经网络实现人脸识别系统
8.2 神经网络的最新进展
8.2.1 生成对抗网络
8.2.2 深度强化学习
8.3 神经网络的局限性
8.4 人工智能和机器学习的未来
8.4.1 强人工智能
8.4.2 自动机器学习
8.5 持续获取机器学习的相关信息
8.5.1 图书
8.5.2 学术期刊
8.5.3 基于真实数据集进行练习
8.6 推荐的机器学习数据集
8.7 总结
📜 SIMILAR VOLUMES
<p>人工智能已成趋势，而深度学习则是其中最有用的工具之一。虽然由于科技发展的迅猛，现在实用技术更新换代的频率已经几乎达到了一周，但是其背后最为基础的知识却是共通的。《Python与神经网络实战》的目的就是较为全面地介绍神经网络的诸多基础与进阶的技术，同时也会介绍如何利用神经网络来解决真实世界中的现实任务。各章节的内容不仅包括了经典的传统机器学习算法与神经网络的方方面面，也对它们进行了对比与创新。如果能够掌握好本书所叙述的知识的话，相信即使具体的技术迭代得再快，读者也能根据本书所打好的基础来快速理解、上手与改进它们吧。</p> <p>《Python与神经网络实战》兼顾了理论与实践，不仅会从公
《网络安全实用项目教程/高职高专计算机任务驱动模式教材》基于“项目导向、任务驱动”的项目化教学方式编写而成，体现了“基于工作过程”的教学理念。 全书在基于全国职业院校技能大赛网络信息安全的项目基础上，融入了基于国家社科学基金科研项目青年项目：基于维哈柯文信息的电子数据司法鉴定问题研究（编号：13CFX055）的成果。从中分解成多个项目的任务环节，其中包括认识网络安全、网络攻击与防护、网络数据库安全、计算机病毒与木马防护、使用SnifferPro防护网络、数据加密、WindowsServer系统安全、防火墙技术、无线局域网安全和Internet安全与应用等内容。 本书可以作为计算机和通信
<p>本书介绍如何利用Python进行网络爬虫程序的开发，从Python语言的基本特性入手，详细介绍了Python爬虫开发的相关知识，涉及HTTP、HTML、JavaScript、正则表达式、自然语言处理、数据科学等内容。全书共分为14章，包括Python基础知识、网站分析、网页解析、Python文件的读写、Python与数据库、AJAX技术、模拟登录、文本与数据分析、网站测试、Scrapy爬虫框架、爬虫性能等多个主题，内容覆盖网络抓取与爬虫编程中的主要知识和技术，在重视理论基础的前提下从实用性和丰富度出发，结合实例演示了编写爬虫程序的核心流程。 本书适合Python语言初学者、网络爬虫技术爱
<p>本书从原理到实践，循序渐进地讲述了使用Python开发网络爬虫的核心技术。全书从逻辑上可分为基础篇、实战篇和爬虫框架篇三部分。基础篇主要介绍了编写网络爬虫所需的基础知识，包括网站分析、数据抓取、数据清洗和数据入库。网站分析讲述如何使用Chrome和Fiddler抓包工具对网站做全面分析；数据抓取介绍了Python爬虫模块Urllib和Requests的基础知识；数据清洗主要介绍字符串操作、正则和BeautifulSoup的使用；数据入库讲述了MySQL和MongoDB的操作，通过ORM框架SQLAlchemy实现数据持久化，进行企业级开发。实战篇深入讲解了分布式爬虫、爬虫软件的开发、12