第1章 机器学习和神经网络导论 1
1.1 什么是机器学习 2
1.1.1 机器学习算法 2
1.1.2 机器学习工作流 5
1.2 在你的计算机上配置机器学习环境 7
1.3 神经网络 8
1.3.1 为什么要使用神经网络 9
1.3.2 神经网络基础结构 10
1.3.3 使用Python从头开始训练一个神经网络 10
1.3.4 综合应用 15
1.3.5 深度学习和神经网络 16
1.4 pandas—强大的Python数据分析工具 17
1.4.1 pandas DataFrame 17
1.4.2 pandas中的数据可视化 20
1.4.3 使用pandas进行数据预处理 23
1.4.4 在神经网络项目中使用pandas 26
1.5 TensorFlow和Keras——开源深度学习库 26
1.5.1 Keras中的基础构建单元 27
1.5.2 用Keras创建神经网络 29
1.6 其他Python函数库 31
1.7 小结 32
第2章 基于多层感知器预测糖尿病 33
2.1 技术需求 33
2.2 糖尿病——理解问题 35
2.3 医疗中的人工智能 36
2.4 糖尿病数据集 37
2.5 探索性数据分析 38
2.6 数据预处理 43
2.6.1 处理缺失数据 43
2.6.2 数据标准化 46
2.6.3 将数据集分割为训练数据集、测试数据集和验证数据集 47
2.7 MLP 49
2.8 使用Keras构建模型 51
2.8.1 建模 51
2.8.2 模型编译 53
2.8.3 模型训练 53
2.9 结果分析 54
2.9.1 测试模型准确率 54
2.9.2 混淆矩阵 55
2.9.3 ROC曲线 57
2.9.4 进一步优化 59
2.10 小结 59
2.11 习题 60
第3章 基于深度前馈网络预测出租车费用 62
3.1 技术需求 62
3.2 预测纽约市出租车打车费用 64
3.3 纽约市出租车打车费用数据集 64
3.4 探索性数据分析 64
3.4.1 地理位置数据可视化 66
3.4.2 全天及小时客流量 69
3.5 数据预处理 71
3.6 特征工程 77
3.6.1 时空特征 77
3.6.2 地理位置特征 79
3.7 特征缩放 82
3.8 深度前馈网络 83
3.8.1 模型结构 83
3.8.2 回归问题的损失函数 84
3.9 使用Keras构建模型 85
3.10 结果分析 87
3.11 综合应用 91
3.12 小结 93
3.13 习题 94
第4章 是猫还是狗——使用卷积神经网络进行图像分类 96
4.1 技术需求 97
4.2 计算机视觉和目标识别 98
4.3 目标识别的问题类型 99
4.4 数字图像作为神经网络输入 101
4.5 卷积神经网络的基础结构 102
4.5.1 滤波和卷积 102
4.5.2 优选池化 106
4.6 卷积神经网络基本结构 107
4.7 现代卷积神经网络回顾 108
4.7.1 LeNet（1998) 108
4.7.2 AlexNet（2012) 108
4.7.3 VGG16（2014) 109
4.7.4 Inception（2014) 109
4.7.5 ResNet（2015) 109
4.7.6 近期新趋势 109
4.8 猫狗数据集 110
4.9 在Keras中处理图像数据 112
4.10 图像增强 113
4.11 建模 116
4.11.1 构建简单的卷积神经网络 116
4.11.2 通过迁移学习利用预训练模型 121
4.12 结果分析 124
4.13 小结 128
4.14 习题 129
第5章 使用自动编码器进行图像降噪 130
5.1 技术需求 130
5.2 什么是自动编码器 132
5.3 隐式表示 133
5.4 用于数据压缩的自动编码器 134
5.5 MNIST手写数字数据集 134
5.6 构建简单的自动编码器 136
5.6.1 在Keras中构建自动编码器 137
5.6.2 隐藏层尺寸对自动编码器性能的影响 141
5.7 用于降噪的自动编码器 143
5.8 基于自动编码器的文件去噪 151
5.8.1 基本的卷积自动编码器 155
5.8.2 深度卷积自动编码器 158
5.9 小结 161
5.10 习题 161
第6章 使用长短期记忆网络进行情感分析 163
6.1 技术需求 164
6.2 机器学习中的顺序问题 165
6.3 自然语言处理和情感分析 166
6.4 RNN 168
6.4.1 RNN的内部结构 169
6.4.2 RNN中的长短期依赖 170
6.4.3 梯度消失问题 172
6.5 LSTM网络 173
6.5.1 LSTM——直观感受 173
6.5.2 LSTM网络内部结构 174
6.6 IMDb影评数据集 178
6.7 用向量表示词语 180
……
詹姆斯·洛伊是一名数据科学家，他在金融和医疗行业有5年以上的工作经验。他曾在新加坡的银行工作，通过预测性分析驱动创新，同时帮助银行提高客户的忠诚度。他也在医疗部门工作过，在那里他通过数据分析来改善医院做出的决断。他在乔治亚理工大学获得了计算机科学硕士学位，研究方向为机器学习。 他关注的研究领域有深度学习和应用机器学习，还包括为工业自动化系统开发基于计算机视觉的人工智能。他经常在Towards Data Science上发表文章，这是一个很有名的机器学习网站，每个月的访问量在300万人次以上。
本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。本书包含了6个神经网络相关的项目，分别是糖尿病预测、出租车费用预测、图像分类、图像降噪、情感分析和人脸识别，这6个项目均是从头开始实现，且使用了不同的神经网络。在每个项目中，本书首先会提出问题，然后介绍解决该问题需要用到的神经网络架构，并给出选择该神经网络模型的原因，最后会使用Python语言从头实现该模型。此外，本书还介绍了机器学习和神经网络的基础知识，以及人工智能未来的发展。
1.本书介绍神经网络和深度学习的基本概念的同时还讲解了基于Python实现神经网络时用到的函数库。 2.本书包含神经网络在不同领域中实际应用的案例，包括费用预估、图像分类、语义分析等。对于每个案例，本书提供了完整的问题描述以及解决该问题所需要的神经网络架构。不仅如此，本书还介绍了选择特定算法的原因以及一步步实现该解决方案的Python代码。 3.在学习本书的过程中，读者将获得基于流行Python函数库（例如Keras）来实现并训练神经网络的实际使用经验。 4.在读完本书后，读者不仅可以掌握多种不同类型的神经网络架构，还能够使用Python语言创建多个AI项目来丰富自己的作品集和项目经历。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
