[套装书]Python人工智能项目实战+Keras深度学习实战（2册）

作者
[印度] 桑塔努·帕塔纳亚克（Santanu Pattanayak）[印] 拉蒂普·杜瓦（Rajdeep Dua）曼普里特·辛格·古特（Manpreet Singh Ghotra）
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911191616
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。 ---------------------------Keras深度学习实战--------------------------- 本书从实用的角度出发，全方面介绍了使用Keras如何解决深度学习中的各类问题。假设读者无任何关于深度学习编程的基础知识，本书首先介绍了Keras这一高度模块化、极简式的深度学习框架的安装、配置和编译等平台搭建只是，而后详细介绍了深度学习所要求的数据预处理等基本内容，在此基础上本书介绍了卷积神经网络、生成式对抗网络、递归神经网络这三种深度学习方法并给出了相关实例代码，最后本书介绍了自然语言处理、强化学习两方面的内容。
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



---------------------------Keras深度学习实战---------------------------


译者序
审校者简介
前言
第1章　Keras安装 1
1.1　引言 1
1.2　在Ubuntu 16.04上安装Keras 1
1.2.1　准备工作 2
1.2.2　怎么做 2
1.3　在Docker镜像中使用Jupyter Notebook安装Keras 7
1.3.1　准备工作 7
1.3.2　怎么做 7
1.4　在已激活GPU的Ubuntu 16.04上安装Keras 9
1.4.1　准备工作 9
1.4.2　怎么做 10
第2章　Keras数据集和模型 13
2.1　引言 13
2.2　CIFAR-10数据集 13
2.3　CIFAR-100数据集 15
2.4　MNIST数据集 17
2.5　从CSV文件加载数据 18
2.6　Keras模型入门 19
2.6.1　模型的剖析 19
2.6.2　模型类型 19
2.7　序贯模型 20
2.8　共享层模型 27
2.8.1　共享输入层简介 27
2.8.2　怎么做 27
2.9　Keras函数API 29
2.9.1　怎么做 29
2.9.2　示例的输出 31
2.10　Keras函数API——链接层 31
2.11　使用Keras函数API进行图像分类 32
第3章　数据预处理、优化和可视化 36
3.1　图像数据特征标准化 36
3.1.1　准备工作 36
3.1.2　怎么做 37
3.2　序列填充 39
3.2.1　准备工作 39
3.2.2　怎么做 39
3.3　模型可视化 41
3.3.1　准备工作 41
3.3.2　怎么做 41
3.4　优化 43
3.5　示例通用代码 43
3.6　随机梯度下降优化法 44
3.6.1　准备工作 44
3.6.2　怎么做 44
3.7　Adam优化算法 47
3.7.1　准备工作 47
3.7.2　怎么做 47
3.8　AdaDelta优化算法 50
3.8.1　准备工作 51
3.8.2　怎么做 51
3.9　使用RMSProp进行优化 54
3.9.1　准备工作 54
3.9.2　怎么做 54
第4章　使用不同的Keras层实现分类 58
4.1　引言 58
4.2　乳腺癌分类 58
4.3　垃圾信息检测分类 66
第5章　卷积神经网络的实现 73
5.1　引言 73
5.2　宫颈癌分类 73
5.2.1　准备工作 74
5.2.2　怎么做 74
5.3　数字识别 84
5.3.1　准备工作 84
5.3.2　怎么做 85
第6章　生成式对抗网络 89
6.1　引言 89
6.2　基本的生成式对抗网络 90
6.2.1　准备工作 91
6.2.2　怎么做 91
6.3　边界搜索生成式对抗网络 98
6.3.1　准备工作 99
6.3.2　怎么做 100
6.4　深度卷积生成式对抗网络 106
6.4.1　准备工作 107
6.4.2　怎么做 108
第7章　递归神经网络 116
7.1　引言 116
7.2　用于时间序列数据的简单RNN 117
7.2.1　准备工作 118
7.2.2　怎么做 119
7.3　时间序列数据的LSTM网络 128
7.3.1　LSTM网络 128
7.3.2　LSTM记忆示例 129
7.3.3　准备工作 129
7.3.4　怎么做 129
7.4　使用LSTM进行时间序列预测 133
7.4.1　准备工作 134
7.4.2　怎么做 135
7.5　基于LSTM的等长输出序列到序列学习 143
7.5.1　准备工作 143
7.5.2　怎么做 144
第8章　使用Keras模型进行自然语言处理 150
8.1　引言 150
8.2　词嵌入 150
8.2.1　准备工作 151
8.2.2　怎么做 151
8.3　情感分析 157
8.3.1　准备工作 157
8.3.2　怎么做 159
8.3.3　完整代码清单 162
第9章　基于Keras模型的文本摘要 164
9.1　引言 164
9.2　评论的文本摘要 164
9.2.1　怎么做 165
9.2.2　参考资料 172
第10章　强化学习 173
10.1　引言 173
10.2　使用Keras进行《CartPole》游戏 174
10.3　使用竞争DQN算法进行《CartPole》游戏 181
10.3.1　准备工作 183
10.3.2　怎么做 187



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4