Keras深度學習開發實戰 9787302627647 (英)馬修.穆卡姆 (英)瑪拉.阿伯杜拉乃德 (英)瑞提什.

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202305*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：Keras深度學習開發實戰
ISBN：9787302627647
出版社：清華大學
著編譯者：(英)馬修.穆卡姆 (英)瑪拉.阿伯杜拉乃德 (英)瑞提什.
叢書名：人工智能科學與技術叢書
頁數：235
所在地：中國大陸 *此為代購商品
書號：1507867
可大量預訂，請先連絡。

【台灣高等教育出版社簡體書】 Keras深度學習開發實戰 787302627647 (英)馬修.穆卡姆 (英)瑪拉.阿伯杜拉乃德 (英)瑞提什.

內容簡介

本書共9章。 第1章：Keras機器學習簡介。本章通過scikit-learn包介紹基礎的機器學習概念。將介紹如何使用數據，然後用一個真實存在的數據集訓練一個邏輯回歸模型。 第2章：機器學習與深度學習。本章介紹了傳統機器學習演算法和深度學習演算法的不同。您將學習建立神經網絡，並學慣用Keras庫建立第一個神經網絡所需的線性轉換。 第3章：Keras深度學習。本章將擴展您對神經網絡構建的了解，您將學習如何構建多層神經網絡，在訓練數據時判斷模型是否過擬合或欠擬合。 第4章：基於Keras包裝器的交叉驗證評價模型。本章將教大家如何將Keras模型整合到scikit-learn工作流程中。用交叉驗證來評估您的模型並使用此技術來選擇最佳超參數。 第5章：模型精度的提高。本章介紹了多種正則化方法，用於防止在訓練數據時模型過擬合。可通過多種方法獲得最優超參數以達到模型最高正確率。 第6章：模型評估。本章演示了模型評估所需要的各種方法。除正確率外，還將介紹更多模型評估指標，如靈敏度、特異性、精確度、誤報率、ROC曲線和AUC評分，以了解模型的表現。 第7章：基於卷積神經網絡的計算機視覺。本章介紹了如何使用卷積神經網絡構建圖形分類器。介紹卷積神經網絡的所有組件，然後構建圖像處理程序對圖像進行分類。 第8章：遷移學習和預訓練模型。本章介紹了遷移學習的基本概念，即如何通過一個模型解決其他問題。您將通過使用不同的預訓練模型並將其稍微修改為不同的應用程序來實現這一目標。 第9章：基於循環神經網絡的順序建模。本章將教大家如何為順序數據集建立模型。介紹了循環神經網絡的架構，以及如何訓練它們並預測後續數據。您將通過預測各種股票的未來價值來檢測您的學習成果。

作者簡介

鄒偉，博士，睿客邦創始人，研究方向為機器學習、數據挖掘、計算幾何，致力於機器學習和深度學習在實際中的應用；主持研發50多個人工智能領域工業級項目，並受邀在中國移動、花旗銀行、中信集團、中航信、烽火科技、京東方、完美世界等公司進行了上百場講座和內部培訓。創立的睿客邦與國內十多所高校建立了AI聯合實驗室或實訓基地；兼任天津大學創業導師、山東交通學院客座教授等。曾在多個在線平台講授「機器學習」「深度學習」等課程，廣受網友好評，累計學習人數超過百萬。

目錄

第1章 Keras機器學習簡介
1 1 機器學習簡介
1 2 數據展示
1 2 1 數據表格
1 2 2 載入數據
訓練1 01 從UCI機器學習代碼庫載入一個數據集
1 3 數據處理
訓練1 02 清理數據
訓練1 03 數據的正確表示
1 4 模型創建的生命周期
1 5 scikit-learn簡介
1 6 Keras簡介
1 6 1 Keras的優點
1 6 2 Keras的缺點
1 6 3 Keras在其他方面的應用
1 7 模型訓練
1 7 1 分類器和回歸模型
1 7 2 分類任務
1 7 3 回歸任務
1 7 4 訓練和測試數據集
1 7 5 模型評估矩陣
訓練1 04 創建一個簡單的模型
1 8 模型微調
1 8 1 基線模型
訓練1 05 設計一個基線模型
1 8 2 正則化
1 8 3 交叉驗證
實踐1 01 向模型添加正則化
1 9 總結
第2章 機器學習與深度學習
2 1 簡介
2 1 1 ANN的優勢
2 1 2 傳統機器學習演算法的優勢
2 1 3 分層數據的表示
2 2 線性變換
2 2 1 標量、向量、矩陣和張量
2 2 2 張量相加
訓練2 01 使用向量、矩陣和張量執行各種操作
2 2 3 重塑
2 2 4 矩陣轉置
訓練2 02 矩陣重塑和轉置
2 2 5 矩陣乘法
訓練2 03 將矩陣相乘
訓練2 04 將矩陣乘法應用於高階張量
2 3 Keras實現
2 3 1 層的類型
2 3 2 激活函數
2 3 3 模型擬合
實踐2 01 使用Keras創建邏輯回歸模型
2 4 總結
第3章 Keras深度學習
3 1 簡介
3 2 搭建第一個神經網絡
3 2 1 從邏輯回歸到深度神經網絡
3 2 2 激活函數
3 2 3 用於預測的前向傳播
3 2 4 損失函數
3 2 5 反向傳播計算損失函數的導數
3 2 6 通過梯度下降法學習參數
訓練3 01 使用Keras實現神經網絡
實踐3 01 構建單層神經網絡進行二進位分類
3 3 模型評估
3 3 1 用Keras進行模型評估
3 3 2 將數據集拆分為訓練集和測試集
3 3 3 過擬合和欠擬合
3 3 4 早停
實踐3 02 神經網絡與高級纖維化診斷
3 4 總結
第4章 基於Keras包裝器的交叉驗證評價模型
4 1 簡介
4 2 交叉驗證
4 2 1 只分割一次數據集的弊端
4 2 2 k-fold交叉驗證
4 2 3 留一法交叉驗證
4 2 4 k-fold交叉驗證和LOO交叉驗證的比較
4 3 深度學習模型的交叉驗證方法
4 3 1 帶有scikit-learn的Keras包
訓練4 01 在回歸問題中使用scikit-learn構建Keras包裝器
4 3 2 使用scikit-learn進行交叉驗證
4 3 3 scikit-learn中的交叉驗證迭代器
訓練4 02 使用交叉驗證評估深度神經網絡
實踐4 01 使用交叉驗證對晚期肝纖維化診斷分類器進行模型評估
4 4 利用交叉驗證選擇模型
訓練4 03 編寫自定義函數實現含有交叉驗證的深度學習模型
實踐4 02 用交叉驗證為高纖維化診斷分類器選擇模型
實踐4 03 在TrafficVolume數據集上使用交叉驗證進行模型選擇
4 5 總結
第5章 模型精度的提高
5 1 簡介
5 2 正則化
5 2 1 正則化的需求
5 2 2 用正則化減少過擬合
5 3 L1和L2正則化
5 3 1 L1和L2正則化公式
5 3 2 Keras的L1和L2正則化實現
實踐5 01 Avila模式分類器上的權重正則化
5 4 丟棄正則化
5 4 1 丟棄正則化原理
5 4 2 使用丟棄正則化減少過擬合
訓練5 01 使用Keras實現丟棄正則化
實踐5 02 TrafficVolume數據集的丟棄正則化
5 5 其他正則化方法
5 5 1 在Keras中實現早停
訓練5 02 用Keras實現早停
5 5 2 數據增強
5 5 3 添加雜訊
5 6 scikit-learn超參數調優
5 6 1 使用scikit-learn進行網格搜索
5 6 2 使用scikit-learn進行隨機搜索
實踐5 03 對Avila模式分類器進行超參數調優
5 7 總結
第6章 模型評估
6 1 簡介
6 2 準確率
訓練6 01 計算太平洋颶風數據集的零精度
6 3 不平衡數據集
6 4 混淆矩陣
訓練6 02 Scania卡車數據的計算精度和零精度
實踐6 01 改變訓練/測試比例，計算神經網絡的準確率和零精度
訓練6 03 基於混淆矩陣推導和計算指標
實踐6 02 計算ROC曲線和AUC評分
6 5 總結
第7章 基於卷積神經網絡的計算機視覺
7 1 簡介
7 2 計算機視覺
7 3 卷積神經網絡
7 4 卷積神經網絡架構
7 4 1 輸入圖像
7 4 2 卷積層
7 4 3 池化層
7 4 4 扁平化
7 5 圖像增強
訓練7 01 創建一個識別圖像中汽車和花的卷積神經網絡
實踐7 01 用多個卷積層和softmax層對模型進行修復
訓練7 02 用sigmoid激活函數對模型進行修復
訓練7 03 將優化器Adam更改為SGD
訓練7 04 對一個新圖像進行分類
實踐7 02
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。