推荐编程书籍：Python深度学习，由人民邮电出版社2018-07-01月出版发行，本书编译以及作者信息 为：[英] 尼格尔·刘易斯（N.D.Lewis） 著，此次为第1次发行， 国际标准书号为：9787115482488，品牌为异步图书, 这本书采用平装开本为小16开，纸张采为胶版纸，全书共有未知页字数万字，是本Python 编程相关非常不错的书。

此书内容摘要

本书是使用Python 进行深度学习实践的一本初学指南。本书并未罗列大量的公式，而是通过一些实用的实际案例，以简单直白的方式介绍深度神经网络的两项任务——分类和回归，解析深度学习模型中的一些核心问题，以期让读者对深度学习的全貌有一个清晰的认识。
本书共9 章，分别介绍了深度学习基础理论、神经网络基础知识、构建定制化深度预测模型、性能提升技术、二元分类的神经网络应用等内容，并借助Python 语言对基本算法和实现模型进行了探索。
本书适合期望用较短时间在深度神经网络领域初试牛刀的读者，也适合深度学习的初学者以及业内人士参考。

关于此书作者

尼格尔·刘易斯（N.D. Lewis）是一位数据和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年，编著了统计、数据和量化模型方面的数本图书，并且在大学里开设深度学习、机器学习和数据分析应用等方面的课程。

编辑们的推荐

适读人群 ：本书面向有以下需求的读者： ★ 希望学习原理而不是进行数学推导； ★ 想看到有意义的现实世界应用； ★ 想要可用的Python示例，以容易理解并能快速上手； ★ 希望得一些到可用的想法，并能用自己的数据进行试验。
本书是使用Python 进行深度学习实践的一本初学指南，将带领读者学习使用Python构建深度神经网络模型。
本书不要求读者具有深度神经网络的相关经验，也没有罗列大量的公式，而是通过一些实际案例，以简单直白的方式介绍深度神经网络的两项任务——分类和回归，解析深度学习模型中的一些核心问题，以期让读者对深度学习的全貌有一个清晰的认识。
通过简单易学的步骤，读者将学会如何使用Python构建深度神经网络模型。一旦掌握了这些步骤，读者就能够把这些知识转换为强大的数据应用程序。
本书包括以下精彩内容：
★ 释放深度神经网络的有效预测能力；
★ 动手开发二元分类的解决方案；
★ 为多元问题设计成功的应用；
★ 掌握有效模型构建的技术；
★ 调节深度神经网络，以改善其性能。

Python深度学习图书的目录

第 1 章如何阅读本书 1
1.1获取Python 2
1.1.1学习Python 3
1.1.2软件包 3
1.2不需要等待 3
1.3小结 4
附注 5
第2 章 深度学习入门 6
2.1为什么要学习深度学习 7
2.1.1最后一子 8
2.1.2一件怪事 8
2.1.3两类人 9
2.2什么是深度学习 10
2.2.1成功的蓝图 10
2.2.2有监督学习和无监督学习 11
2.2.3深度学习的流程 11
2.3深度学习能解决什么问题 12
2.4哪些领域使用深度学习 14
2.4.1深度学习能揭开永葆青春的秘密吗 15
2.4.2衰老的挑战 15
2.4.3众多的理论 16
2.4.4数据家的答案 16
2.5想使用深度学习——却不知如何开始 17
2.6小结 18
附注 18
第3章 神经网络基础 27
3.1历史备忘录 28
3.2神经网络的拓扑结构 29
3.3神经元的作用 30
人工神经元 31
3.4理解激活函数 31
3.4.1数学计算 32
3.4.2sigmoid 函数 34
3.4.3运算成本 34
3.5神经网络如何进行学习 35
基本算法 36
3.6解释梯度下降算法 37
3.6.1误差曲面 38
3.6.2随机梯度下降 39
3.7小结 39
附注 40
第4章 深度神经网络简介 42
4.1深度神经网络简析 43
4.2怎样在一分钟内解释深度神经网络 44
4.2.1如何看待DNN 44
4.2.2统计学家的视角 45
4.2.3一个关键的观点 45
4.3深度神经网络的3 种使用方式 45
4.3.1增强雾天的可视性 46
4.3.2打击黑客犯罪 50
4.3.3不可思议的缩略图 51
4.4如何快速地近似任何函数 54
4.4.1一个用Python 构建深度神经网络的极简方法 55
4.4.2生成示例 56
4.4.3检查样本 57
4.4.4格式化数据 58
4.4.5拟合模型 60
4.4.6性能表现评估 61
4.5有监督学习概述 62
4.5.1有监督学习的目标 63
4.5.2无监督学习 63
4.5.3半监督学习 64
4.6小结 65
附注 65
第5章 如何构建可定制的深度预测模型 70
5.1一个深度神经网络预测的实际应用 71
5.1.1样本数据和神经网络 71
5.1.2可靠的性能表现 72
5.2明确预测目标 72
5.3获取数据的拷贝 74
5.4标准化的重要性 75
5.5使用训练样本和测试样本 76
5.6创建深度神经网络回归模型的极简方式 78
5.7学习速率详解 79
5.7.1选择最佳值 80
5.7.2如果将模型拟合到数据 81
5.8评估模型在训练集性能表现的几种方式 81
5.8.1均方差 82
5.8.2获取预测和度量性能 83
5.9小结 83
附注 84
第6章 提高性能的一些技巧 85
6.1sigmoid 激活函数的局限 86
6.2选择最佳层数的原则 89
6.3如何快速改进模型 92
6.4避免过度拟合 93
6.5应该包含多少个神经元 95
6.6评估测试数据集上的性能 96
6.7冻结网络权重 97
6.8保存网络以供将来使用 98
6.9小结 99
附注 99
第7章 二元分类神经网络的奥秘 101
7.1感人至深——创造奇迹 102
7.1.1一项二元分类任务 103
7.1.2有用的结果 103
7.2了解分类目标 104
7.3使用Python 从网络下载数据 105
7.4处理缺失的观测值 107
7.5保存数据 111
7.6冲量简单入门 112
7.7留出法的秘密 113
7.8如何用Python 快速构建一个深度神经网络二元分类器 115
7.8.1生成训练集和测试集 117
7.8.2指定模型 117
7.8.3拟合模型 118
7.8.4混淆矩阵 119
7.9小结 120
附注 120
第8章 构建优秀模型之道 123
8.1尝试最简单的想法提高成功率 124
8.2辍学的威力 124
8.3相似性 126
8.4共适应 126
8.5一个教训 127
8.6双曲正切激活函数的威力以及如何有效地使用 127
8.7如何从小批量方法中获益 128
8.8重建模型 129
8.9关于不平衡样本你应该知道的事 131
8.9.1核心问题 131
8.9.2查看测试集上的表现 133
8.10小结 134
附注 134
第9章 深度神经网络在多元分类问题的简单应用 136
9.1分类问题描述 138
9.1.1查看样本 139
9.1.2检查目标对象 140
9.2关于softmax 激活函数的说明 140
9.3使用rmsprop 算法构建多项式模型 141
9.3.1关于rmsprop 算法的说明 143
9.3.2模型性能表现 144
9.4Adagrad 学习算法概述 144
9.5如何尝试其他学习算法 146
9.5.1Nesterov 的加速梯度下降算法 146
9.5.2尝试冲量法 147
9.5.3常规随机梯度下降法 148
9.5.4在模型中使用Adadelta 算法 149
9.5.5测试集性能表现 150
9.6小结 152
9.7结束语 152
附注 152

部分内容试读

暂无.

关于此书评价

暂无.

书摘内容

暂无.

Python深度学习最新最全的试读、书评、目录、简介信息由Python中文网整理提供。