封面
版权信息
作者简介
内容简介
前言
示例源码、PPT课件、数据集、开发环境与答疑服务
本书适合的读者
致谢
第1章 人工智能、机器学习与深度学习简介
1.1 什么是人工智能
1.2 人工智能的本质
1.3 人工智能相关专业人才的就业前景
1.4 机器学习和深度学习
1.4.1 什么是机器学习
1.4.2 深度学习独领风骚
1.4.3 机器学习和深度学习的关系和对比
1.5 小白如何学深度学习
1.5.1 关于两个“放弃”
1.5.2 关于三个“必须”
第2章 深度学习开发环境搭建
2.1 Jupyter Notebook极速入门
2.1.1 什么是Jupyter Notebook
2.1.2 如何安装和启动Jupyter Notebook
2.1.3 Jupyter Notebook的基本使用
2.2 深度学习常用框架介绍
2.3 Windows环境下安装TensorFlow（CPU版本）和Keras
2.4 Windows环境下安装TensorFlow（GPU版本）和Keras
2.4.1 确认显卡是否支持CUDA
2.4.2 安装CUDA
2.4.3 安装cuDNN
2.4.4 安装TensorFlow（GPU版本）和Keras
2.5 Windows环境下安装PyTorch
2.5.1 安装PyTorch（CPU版本）
2.5.2 安装PyTorch（GPU版本）
第3章 Python数据科学库
3.1 张量、矩阵和向量
3.2 数组和矩阵运算库——NumPy
3.2.1 列表和数组的区别
3.2.2 创建数组的方法
3.2.3 NumPy的算术运算
3.2.4 数组变形
3.3 数据分析处理库——Pandas
3.3.1 Pandas数据结构Series
3.3.2 Pandas数据结构DataFrame
3.3.3 Pandas处理CSV文件
3.3.4 Pandas数据清洗
3.4 数据可视化库——Matplotlib
第4章 深度学习基础
4.1 神经网络原理阐述
4.1.1 神经元和感知器
4.1.2 激活函数
4.1.3 损失函数
4.1.4 梯度下降和学习率
4.1.5 过拟合和Dropout
4.1.6 神经网络反向传播法
4.1.7 TensorFlow游乐场带你玩转神经网络
4.2 卷积神经网络
4.2.1 什么是卷积神经网络
4.2.2 卷积神经网络详解
4.2.3 卷积神经网络是如何训练的
4.3 卷积神经网络经典模型架构
4.3.1 LeNet5
4.3.2 AlexNet
4.3.3 VGGNet
4.3.4 GoogLeNet
4.3.5 ResNet
第5章 深度学习框架TensorFlow入门
5.1 第一个TensorFlow的“Hello world”
5.2 TensorFlow程序结构
5.3 TensorFlow常量、变量、占位符
5.3.1 常量
5.3.2 变量
5.3.3 占位符
5.4 TensorFlow案例实战
5.4.1 MNIST数字识别问题
5.4.2 TensorFlow多层感知器识别手写数字
5.4.3 TensorFlow卷积神经网络识别手写数字
5.5 可视化工具TensorBoard的使用
第6章 深度学习框架Keras入门
6.1 Keras架构简介
6.2 Keras常用概念
6.3 Keras创建神经网络基本流程
6.4 Keras创建神经网络进行泰坦尼克号生还预测
6.4.1 案例项目背景和数据集介绍
6.4.2 数据预处理
6.4.3 建立模型
6.4.4 编译模型并进行训练
6.4.5 模型评估
6.4.6 预测和模型的保存
6.5 Keras创建神经网络预测银行客户流失率
6.5.1 案例项目背景和数据集介绍
6.5.2 数据预处理
6.5.3 建立模型
6.5.4 编译模型并进行训练
6.5.5 模型评估
6.5.6 模型优化——使用深度神经网络辅以Dropout正则化
第7章 数据预处理和模型评估指标
7.1 数据预处理的重要性和原则
7.2 数据预处理方法介绍
7.2.1 数据预处理案例——标准化、归一化、二值化
7.2.2 数据预处理案例——缺失值补全、标签化
7.2.3 数据预处理案例——独热编码
7.2.4 通过数据预处理提高模型准确率
7.3 常用的模型评估指标
第8章 图像分类识别
8.1 图像识别的基础知识
8.1.1 计算机是如何表示图像
8.1.2 卷积神经网络为什么能称霸计算机图像识别领域
8.2 实例一：手写数字识别
8.2.1 MNIST手写数字识别数据集介绍
8.2.2 数据预处理
8.2.3 建立模型
8.2.4 进行训练
8.2.5 模型保存和评估
8.2.6 进行预测
8.3 实例二：CIFAR-10图像识别
8.3.1 CIFAR-10图像数据集介绍
8.3.2 数据预处理
8.3.3 建立模型
8.3.4 进行训练
8.3.5 模型评估
8.3.6 进行预测
8.4 实例三：猫狗识别
8.4.1 猫狗数据集介绍
8.4.2 建立模型
8.4.3 数据预处理
8.4.4 进行训练
8.4.5 模型保存和评估
8.4.6 进行预测
8.4.7 模型的改进优化
第9章 IMDB电影评论情感分析
9.1 IMDB电影数据集和影评文字处理介绍
9.2 基于多层感知器模型的电影评论情感分析
9.2.1 加入嵌入层
9.2.2 建立多层感知器模型
9.2.3 模型训练和评估
9.2.4 预测
9.3 基于RNN模型的电影评论情感分析
9.3.1 为什么要使用RNN模型
9.3.2 RNN模型原理
9.3.3 使用RNN模型进行影评情感分析
9.4 基于LSTM模型的电影评论情感分析
9.4.1 LSTM模型介绍
9.4.2 使用LTSM模型进行影评情感分析
第10章 迁移学习
10.1 迁移学习简介
10.2 什么是预训练模型
10.3 如何使用预训练模型
10.4 在猫狗识别的任务上使用迁移学习
10.5 在MNIST手写体分类上使用迁移学习
10.6 迁移学习总结
第11章 人脸识别实践
11.1 人脸识别
11.1.1 什么是人脸识别
11.1.2 人脸识别的步骤
11.2 人脸检测和关键点定位实战
11.3 人脸表情分析情绪识别实战
11.4 我能认识你——人脸识别实战
第12章 图像风格迁移
12.1 图像风格迁移简介
12.2 使用预训练的VGG16模型进行风格迁移
12.2.1 算法思想
12.2.2 算法细节
12.2.3 代码实现
12.3 图像风格迁移总结
第13章 生成对抗网络
13.1 什么是生成对抗网络
13.2 生成对抗网络算法细节
13.3 循环生成对抗网络
13.4 利用CycleGAN进行图像风格迁移
13.4.1 导入必要的库
13.4.2 数据处理
13.4.3 生成网络
13.4.4 判别网络
13.4.5 整体网络结构的搭建
13.4.6 训练代码
13.4.7 结果展示
后记 进一步深入学习
深度学习图书推荐
更新时间：2023-09-08 19:37:39
完结共179章
倒序