[套装书]Python人工智能项目实战+面向自然语言处理的深度学习：用Python创建神经网络（2册）

作者
[印度] 桑塔努·帕塔纳亚克（Santanu Pattanayak）[印]帕拉什·戈雅尔（Palash Goyal）苏米特·潘迪（Sumit Pandey）卡兰·贾恩（Karan Jain）
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911191648
简要
简介
内容简介书籍计算机书籍 ---------------------------Python人工智能项目实战--------------------------- 通过结合深度学习和强化学习，帮助你构建智能而且实用的人工智能系统。本书涉及的项目涵盖众多领域，例如医疗健康、电子商务、专家系统、智能安防、移动应用和自动驾驶，使用的技术包括卷积神经网络、深度强化学习、基于LSTM的RNN、受限玻尔兹曼机、生成对抗网络、机器翻译和迁移学习。本书有关构建智能应用的理论知识将帮助读者使用有趣的方法来拓展项目，令其快速创建有影响力的AI应用。读完本书之后，你将有足够的能力建立自己的智能模型，轻松地解决来自任何领域的问题。 ---------------------------面向自然语言处理的深度学习：用Python创建神经网络--------------------------- 全书分为5章，通过介绍完整的神经网络模型（包括循环神经网络、长短期记忆网络以及序列到序列模型）实例，向读者阐释用于自然语言处理（NLP）的深度学习概念。前三章介绍NLP和深度学习的基础知识、词向量表示和高级算法，后两章集中介绍实现过程，并使用Python工具TensorFlow和Keras来处理复杂的架构，比如RNN、LSTM和seq2seq。本书遵循循序渐进的方法，*后集合全部知识构建一个问答式聊天机器人系统。
目录



---------------------------Python人工智能项目实战---------------------------


译者序
前言
作者简介
审校者简介
第1章　人工智能系统基础知识 1
1.1　神经网络 2
1.2　神经激活单元 5
1.2.1　线性激活单元 5
1.2.2　sigmoid激活单元 6
1.2.3　双曲正切激活函数 6
1.2.4　修正线性单元 7
1.2.5　softmax激活单元 9
1.3　用反向传播算法训练神经网络 9
1.4　卷积神经网络 12
1.5　循环神经网络 13
1.6　生成对抗网络 16
1.7　强化学习 18
1.7.1　Q学习 19
1.7.2　深度Q学习 20
1.8　迁移学习 21
1.9　受限玻尔兹曼机 22
1.10　自编码器 23
1.11　总结 24
第2章　迁移学习 26
2.1　技术要求 26
2.2　迁移学习简介 27
2.3　迁移学习和糖尿病视网膜病变检测 28
2.4　糖尿病视网膜病变数据集 29
2.5　定义损失函数 30
2.6　考虑类别不平衡问题 31
2.7　预处理图像 32
2.8　使用仿射变换生成额外数据 33
2.8.1　旋转 34
2.8.2　平移 34
2.8.3　缩放 35
2.8.4　反射 35
2.8.5　通过仿射变换生成额外的图像 36
2.9　网络架构 36
2.9.1　VGG16迁移学习网络 38
2.9.2　InceptionV3迁移学习网络 39
2.9.3　ResNet50迁移学习网络 39
2.10　优化器和初始学习率 40
2.11　交叉验证 40
2.12　基于验证对数损失的模型检查点 40
2.13　训练过程的Python实现 41
2.14　类别分类结果 50
2.15　在测试期间进行推断 50
2.16　使用回归而非类别分类 52
2.17　使用keras sequential工具类生成器 53
2.18　总结 57
第3章　神经机器翻译 58
3.1　技术要求 59
3.2　基于规则的机器翻译 59
3.2.1　分析阶段 59
3.2.2　词汇转换阶段 60
3.2.3　生成阶段 60
3.3　统计机器学习系统 60
3.3.1　语言模型 61
3.3.2　翻译模型 63
3.4　神经机器翻译 65
3.4.1　编码器–解码器模型 65
3.4.2　使用编码器–解码器模型进行推断 66
3.5　实现序列到序列的神经机器翻译 67
3.5.1　处理输入数据 67
3.5.2　定义神经翻译机器的模型 71
3.5.3　神经翻译机器的损失函数 73
3.5.4　训练模型 73
3.5.5　构建推断模型 74
3.5.6　单词向量嵌入 78
3.5.7　嵌入层 79
3.5.8　实现基于嵌入的NMT 79
3.6　总结 84
第4章　基于GAN的时尚风格迁移 85
4.1　技术要求 85
4.2　DiscoGAN 86
4.3　CycleGAN 88
4.4　学习从手绘轮廓生成自然手提包 89
4.5　预处理图像 89
4.6　DiscoGAN的生成器 91
4.7　DiscoGAN的判别器 93
4.8　构建网络和定义损失函数 94
4.9　构建训练过程 97
4.10　GAN训练中的重要参数值 99
4.11　启动训练 100
4.12　监督生成器和判别器的损失 101
4.13　DiscoGAN生成的样例图像 103
4.14　总结 104
第5章　视频字幕应用 105
5.1　技术要求 105
5.2　视频字幕中的CNN和LSTM 106
5.3　基于序列到序列的视频字幕系统 107
5.4　视频字幕系统数据集 109
5.5　处理视频图像以创建CNN特征 110
5.6　处理视频的带标签字幕 113
5.7　构建训练集和测试集 114
5.8　构建模型 115
5.8.1　定义模型的变量 116
5.8.2　编码阶段 117
5.8.3　解码阶段 117
5.8.4　计算小批量损失 118
5.9　为字幕创建单词词汇表 118
5.10　训练模型 119
5.11　训练结果 123
5.12　对未见过的视频进行推断 124
5.12.1　推断函数 126
5.12.2　评估结果 127
5.13　总结 128
第6章　智能推荐系统 129
6.1　技术要求 129
6.2　什么是推荐系统 129
6.3　基于潜在因子分解的推荐系统 131
6.4　深度学习与潜在因子协同过滤 132
6.5　SVD++ 136
6.6　基于受限玻尔兹曼机的推荐系统 138
6.7　对比分歧 139
6.8　使用RBM进行协同过滤 140
6.9　使用RBM实现协同过滤 142
6.9.1　预处理输入 143
6.9.2　构建RBM网络进行协作过滤 144
6.9.3　训练RBM 147
6.10　使用训练好的RBM进行推断 149
6.11　总结 150
第7章　用于电影评论情感分析的移动应用程序 151
7.1　技术要求 152
7.2　使用TensorFlow mobile构建Android移动应用程序 152
7.3　Android应用中的电影评论评分 153
7.4　预处理电影评论文本 154
7.5　构建模型 156
7.6　训练模型 157
7.7　将模型冻结为protobuf格式 159
7.8　为推断创建单词到表征的字典 161
7.9　应用程序交互界面设计 162
7.10　Android应用程序的核心逻辑 164
7.11　测试移动应用 168
7.12　总结 170
第8章　提供客户服务的AI聊天机器人 171
8.1　技术要求 172
8.2　聊天机器人的架构 172
8.3　基于LSTM的序列到序列模型 173
8.4　建立序列到序列模型 174
8.5　Twitter平台上的聊天机器人 174
8.5.1　构造聊天机器人的训练数据 175
8.5.2　将文本数据转换为单词索引 175
8.5.3　替换匿名用户名 176
8.5.4　定义模型 176
8.5.5　用于训练模型的损失函数 178
8.5.6　训练模型 179
8.5.7　从模型生成输出响应 180
8.5.8　所有代码连起来 180
8.5.9　开始训练 181
8.5.10　对一些输入推特的推断结果 181
8.6　总结 182
第9章　基于增强学习的无人驾驶 183
9.1　技术要求 183
9.2　马尔科夫决策过程 184
9.3　学习Q值函数 185
9.4　深度Q学习 186
9.5　形式化损失函数 186
9.6　深度双Q学习 187
9.7　实现一个无人驾驶车的代码 189
9.8　深度Q学习中的动作离散化 189
9.9　实现深度双Q值网络 190
9.10　设计智能体 191
9.11　自动驾驶车的环境 194
9.12　将所有代码连起来 197
9.13　训练结果 202
9.14　总结 203
第10章　从深度学习的角度看CAPTCHA 204
10.1　技术要求 205
10.2　通过深度学习破解CAPTCHA 205
10.2.1　生成基本的CAPTCHA 205
10.2.2　生成用于训练CAPTCHA破解器的数据 206
10.2.3　CAPTCHA破解器的CNN架构 208
10.2.4　预处理CAPTCHA图像 208
10.2.5　将CAPTCHA字符转换为类别 209
10.2.6　数据生成器 210
10.2.7　训练CAPTCHA破解器 211
10.2.8　测试数据集的准确性 212
10.3　通过对抗学习生成CAPTCHA 214
10.3.1　优化GAN损失 215
10.3.2　生成器网络 215
10.3.3　判别器网络 216
10.3.4　训练GAN 219
10.3.5　噪声分布 220
10.3.6　数据预处理 220
10.3.7　调用训练 221
10.3.8　训练期间CAPTCHA的质量 222
10.3.9　使用训练后的生成器创建CAPTCHA 224
10.4　总结 225



---------------------------面向自然语言处理的深度学习：用Python创建神经网络---------------------------


译者序
前言
致谢
关于作者
关于技术审校人员
第1章　自然语言处理和深度学习概述 1
1.1　Python包 2
1.1.1　NumPy 2
1.1.2　Pandas 6
1.1.3　SciPy 9
1.2　自然语言处理简介 11
1.2.1　什么是自然语言处理 11
1.2.2　如何理解人类的语言 11
1.2.3　自然语言处理的难度是什么 11
1.2.4　我们想通过自然语言处理获得什么 13
1.2.5　语言处理中的常用术语 13
1.3　自然语言处理库 14
1.3.1　NLTK 14
1.3.2　TextBlob 15
1.3.3　SpaCy 17
1.3.4　Gensim 19
1.3.5　Pattern 20
1.3.6　Stanford CoreNLP 21
1.4　NLP入门 21
1.4.1　使用正则表达式进行文本搜索 21
1.4.2　将文本转换为列表 21
1.4.3　文本预处理 22
1.4.4　从网页中获取文本 22
1.4.5　移除停止词 23
1.4.6　计数向量化 23
1.4.7　TF-IDF分数 24
1.4.8　文本分类器 25
1.5　深度学习简介 25
1.6　什么是神经网络 27
1.7　神经网络的基本结构 29
1.8　神经网络的类型 32
1.8.1　前馈神经网络 33
1.8.2　卷积神经网络 33
1.8.3　循环神经网络 33
1.8.4　编码器-解码器网络 34
1.8.5　递归神经网络 35
1.9　多层感知器 35
1.10　随机梯度下降 37
1.11　反向传播 40
1.12　深度学习库 42
1.12.1　Theano 42
1.12.2　Theano安装 43
1.12.3　Theano示例 44
1.12.4　TensorFlow 45
1.12.5　数据流图 46
1.12.6　TensorFlow安装 47
1.12.7　TensorFlow示例 47
1.12.8　Keras 49
1.13　下一步 52
第2章　词向量表示 53
2.1　词嵌入简介 53
2.2　word2vec 56
2.2.1　skip-gram模型 58
2.2.2　模型成分：架构 58
2.2.3　模型成分：隐藏层 58
2.2.4　模型成分：输出层 60
2.2.5　CBOW模型 61
2.3　频繁词二次采样 61
2.4　word2vec代码 64
2.5　skip-gram代码 67
2.6　CBOW代码 75
2.7　下一步 83
第3章　展开循环神经网络 85
3.1　循环神经网络 86
3.1.1　什么是循环 86
3.1.2　前馈神经网络和循环神经网络之间的差异 87
3.1.3　RNN基础 88
3.1.4　自然语言处理和RNN 91
3.1.5　RNN的机制 93
3.1.6　训练RNN 96
3.1.7　RNN中隐藏状态的元意义 98
3.1.8　调整RNN 99
3.1.9　LSTM网络 99
3.1.10　序列到序列模型 105
3.1.11　高级seq2seq模型 109
3.1.12　序列到序列用例 113
3.2　下一步 122
第4章　开发聊天机器人 123
4.1　聊天机器人简介 123
4.1.1　聊天机器人的起源 124
4.1.2　聊天机器人如何工作 125
4.1.3　为什么聊天机器人拥有如此大的商机 125
4.1.4　开发聊天机器人听起来令人生畏 126
4.2　对话型机器人 127
4.3　聊天机器人：自动文本生成 141
4.4　下一步 170
第5章　实现研究论文：情感分类 171
5.1　基于自注意力机制的句子嵌入 172
5.1.1　提出的方法 173
5.1.2　可视化 178
5.1.3　研究发现 181
5.2　实现情感分类 181
5.3　情感分类代码 182
5.4　模型结果 191
5.5　可提升空间 196
5.6　下一步 196




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4