具体描述
用 Python + Keras 实践深度学习, 解开神经网路模型的黑盒子
在高阶函式库 Keras 的帮助下, 用 6 行程式就可写一只深度学习神经网路的程式, 建构深度学习模型就像玩乐高积木一样, 可以轻易将各种神经网路组合在一起, 而每一种模型可用来解决不同的问题。
正宗 Keras 大神着作，正体中文版重磅登场
本书为 Keras 之父 François Chollet 亲自撰写, 详细解说神经网路每一层的架构与原理, 并不时提供个人经验累积而成的真知灼见, 带领读者熟悉机器学习的标准工作流程, 并了解如何使用 Keras 解决从电脑视觉到自然语言处理的各种实务问题, 例如图像分类、时间序列预测、情感分析、图像和文字资料的生成...等, 最有效率实作出可用的模型, 绝对是机器学习、资料科学、人工智慧从业人员必读的经典之作。
最后引述 François Chollet 在书中所说：深度学习并不难, 只是又多又杂, 这本书就是希望能够提供更多人了解深度学习的第一步。这不表示我们会把复杂的内容简化 (因为这些都是深度学习所必需的), 而是希望各位不要担心深度学习太过于困难而裹足不前。希望你能够发现本书的价值, 并跟着本书逐步建构属于你的人工智慧应用程式。
■ CNN – 用于电脑视觉的深度学习
■ RNN – 用于文字与序列资料的深度学习
■ LSTM、VAE 与 DeepDream
■ 神经风格转换
■ GAN 生成对抗神经网路
■ 机器学习与神经网路
■ 张量 Tensor 与张量运算
■ Keras API、callbacks 与 TensorBoard
■ 超参数优化与模型集成
本书相关资源网页如下, 请登录下载范例程式及 Bonus：
www.flag.com.tw/bk/t/f9379
也欢迎加入本书社群, 和技术者们直接对话！
「从做中学 Learning by doing」粉丝专页
(www.facebook.com/flaglearningbydoing/)
本书特色
本书由施威铭研究室 监修, 书中会针对原书所提及的背景知识做补充, 所有程式均经过实际执行测试, 并适当添加註解与程式码, 帮助读者能更加理解程式内容。
在高阶函式库 Keras 的帮助下, 用 6 行程式就可写一只深度学习神经网路的程式, 建构深度学习模型就像玩乐高积木一样, 可以轻易将各种神经网路组合在一起, 而每一种模型可用来解决不同的问题。
正宗 Keras 大神着作，正体中文版重磅登场
本书为 Keras 之父 François Chollet 亲自撰写, 详细解说神经网路每一层的架构与原理, 并不时提供个人经验累积而成的真知灼见, 带领读者熟悉机器学习的标准工作流程, 并了解如何使用 Keras 解决从电脑视觉到自然语言处理的各种实务问题, 例如图像分类、时间序列预测、情感分析、图像和文字资料的生成...等, 最有效率实作出可用的模型, 绝对是机器学习、资料科学、人工智慧从业人员必读的经典之作。
最后引述 François Chollet 在书中所说：深度学习并不难, 只是又多又杂, 这本书就是希望能够提供更多人了解深度学习的第一步。这不表示我们会把复杂的内容简化 (因为这些都是深度学习所必需的), 而是希望各位不要担心深度学习太过于困难而裹足不前。希望你能够发现本书的价值, 并跟着本书逐步建构属于你的人工智慧应用程式。
■ CNN – 用于电脑视觉的深度学习
■ RNN – 用于文字与序列资料的深度学习
■ LSTM、VAE 与 DeepDream
■ 神经风格转换
■ GAN 生成对抗神经网路
■ 机器学习与神经网路
■ 张量 Tensor 与张量运算
■ Keras API、callbacks 与 TensorBoard
■ 超参数优化与模型集成
本书相关资源网页如下, 请登录下载范例程式及 Bonus：
www.flag.com.tw/bk/t/f9379
也欢迎加入本书社群, 和技术者们直接对话！
「从做中学 Learning by doing」粉丝专页
(www.facebook.com/flaglearningbydoing/)
本书特色
本书由施威铭研究室 监修, 书中会针对原书所提及的背景知识做补充, 所有程式均经过实际执行测试, 并适当添加註解与程式码, 帮助读者能更加理解程式内容。
著者信息
作者简介
François Chollet
François Chollet 为 Keras 之父, 是 Keras 函式库的创始者, 也是 TensorFlow 机器学习框架的贡献者, 目前任职于 Google 深度学习小组, 公认为全球 AI 人工智慧领域的权威之一, 也经常在社群媒体针对 AI 或机器学习技术发表前瞻性的看法。
作者同时也是一名知名学者, 主要研究方向为电脑视觉和机器学习在正规推理中的应用, 其论文时常发表于该领域的主要学术会议上, 包括 电脑视觉和模式识别会议(Conference on Computer Vision and Pattern Recognition, CVPR)、神经资讯处理系统研讨会(Conference and Workshop on Neural Information Processing System, NIPS)、国际学习表示法会议(International Conference on Learning Representations, ICLR)，与其他重要学术会议上。
François Chollet
François Chollet 为 Keras 之父, 是 Keras 函式库的创始者, 也是 TensorFlow 机器学习框架的贡献者, 目前任职于 Google 深度学习小组, 公认为全球 AI 人工智慧领域的权威之一, 也经常在社群媒体针对 AI 或机器学习技术发表前瞻性的看法。
作者同时也是一名知名学者, 主要研究方向为电脑视觉和机器学习在正规推理中的应用, 其论文时常发表于该领域的主要学术会议上, 包括 电脑视觉和模式识别会议(Conference on Computer Vision and Pattern Recognition, CVPR)、神经资讯处理系统研讨会(Conference and Workshop on Neural Information Processing System, NIPS)、国际学习表示法会议(International Conference on Learning Representations, ICLR)，与其他重要学术会议上。
图书目录
Ch01何谓深度学习？
1-1 人工智慧、机器学习与深度学习
1-2 机器学习的基础技术：深度学习之前
1-3 为什么是深度学习？为什么是现在？
Ch02 开始之前：了解神经网路的数学概念
2-1 初探神经网路
2-2 神经网路的资料表示法：张量 Tensor
2-3 神经网路的工具：张量运算
2-4 神经网路的引擎：以梯度为基础的最佳化
2-5 回顾我们的第一个例子
Ch03 开始使用神经网路
3-1 神经网路的核心元件
3-2 Keras 简介
3-3 建立一个深度学习的作业环境
3-4 二元分类范例：将电影评论分类为正评或负评
3-5 分类数位新闻专栏：多类别分类范例
3-6 预测房价：回归范例
Ch04 机器学习的基础知识
4-1 机器学习的四个分支
4-2 评估机器学习模型
4-3 资料预处理 (preprocessing)、特征工程 (feature engineering) 和特征学习 (feature learning)
4-4 过度配适 (overfitting) 和低度配适 (underfitting)
4-5 机器学习的通用工作流程
Ch05 深度学习实务电脑视觉的深度学习
5-1 卷积神经网路 CNN
5-2 以少量资料集从头训练一个卷积神经网路
5-3 使用预先训练的卷积神经网路
5-4 视觉化呈现卷积神经网路学习的内容
Ch06 应用于文字资料与序列资料的深度学习
6-1 文字资料处理
6-2 了解循环神经网路
6-3 循环神经网路的进阶使用方法
6-4 使用卷积神经网路进行序列资料处理
Ch07 进阶深度学习的最佳实作方式
7-1 超越序列式 (Sequential) 模型：Keras 函数式 API
7-2 使用 Keras 回唿 (callbacks) 和 TensorBoard 检查和监控深度学习模型
7-3 模型成效最大化
Ch08 生成式深度学习
8-1 使用 LSTM 产生文字资料
8-2 DeepDream
8-3 神经风格转换
8-4 使用变分自编码器 Variational Autoencoders 生成图像
8-5 生成对抗神经网路简介 Generative Adversarial Network
Ch09 结语
9-1 回顾关键概念
9-2 深度学习的侷限性
9-3 深度学习的未来
9-4 在快速发展的领域保持最新状态
9-5 后语
附录 A 在 Ubuntu 上安装 Keras 及相关套件
附录 B 在 EC2 GPU 虚拟主机上使用 Jupyter Notebook 开发机器学习专案
1-1 人工智慧、机器学习与深度学习
1-2 机器学习的基础技术：深度学习之前
1-3 为什么是深度学习？为什么是现在？
Ch02 开始之前：了解神经网路的数学概念
2-1 初探神经网路
2-2 神经网路的资料表示法：张量 Tensor
2-3 神经网路的工具：张量运算
2-4 神经网路的引擎：以梯度为基础的最佳化
2-5 回顾我们的第一个例子
Ch03 开始使用神经网路
3-1 神经网路的核心元件
3-2 Keras 简介
3-3 建立一个深度学习的作业环境
3-4 二元分类范例：将电影评论分类为正评或负评
3-5 分类数位新闻专栏：多类别分类范例
3-6 预测房价：回归范例
Ch04 机器学习的基础知识
4-1 机器学习的四个分支
4-2 评估机器学习模型
4-3 资料预处理 (preprocessing)、特征工程 (feature engineering) 和特征学习 (feature learning)
4-4 过度配适 (overfitting) 和低度配适 (underfitting)
4-5 机器学习的通用工作流程
Ch05 深度学习实务电脑视觉的深度学习
5-1 卷积神经网路 CNN
5-2 以少量资料集从头训练一个卷积神经网路
5-3 使用预先训练的卷积神经网路
5-4 视觉化呈现卷积神经网路学习的内容
Ch06 应用于文字资料与序列资料的深度学习
6-1 文字资料处理
6-2 了解循环神经网路
6-3 循环神经网路的进阶使用方法
6-4 使用卷积神经网路进行序列资料处理
Ch07 进阶深度学习的最佳实作方式
7-1 超越序列式 (Sequential) 模型：Keras 函数式 API
7-2 使用 Keras 回唿 (callbacks) 和 TensorBoard 检查和监控深度学习模型
7-3 模型成效最大化
Ch08 生成式深度学习
8-1 使用 LSTM 产生文字资料
8-2 DeepDream
8-3 神经风格转换
8-4 使用变分自编码器 Variational Autoencoders 生成图像
8-5 生成对抗神经网路简介 Generative Adversarial Network
Ch09 结语
9-1 回顾关键概念
9-2 深度学习的侷限性
9-3 深度学习的未来
9-4 在快速发展的领域保持最新状态
9-5 后语
附录 A 在 Ubuntu 上安装 Keras 及相关套件
附录 B 在 EC2 GPU 虚拟主机上使用 Jupyter Notebook 开发机器学习专案
图书序言
图书试读
None
用户评价
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 ttbooks.qciss.net All Rights Reserved. 小特书站 版权所有