Python深度学习应用

本书理论与实践并重，体系完整，内容新颖，条理清晰，组织合理，强调实践。它涵盖了使用Scikit-learn、TensorFlow和Keras创建智能系统和机器学习解决方案，并将论述的重点放在了实现和实践上，以便让读者更好地了解到基于Python的应用深度学习实现细节。

本书介绍Jupyter、数据清洗、高级机器学习、网页爬虫、交互式可视化、神经网络、深度学习、模型构建、模型评估与优化、产品化处理等有关深度学习应用方面的内容。本书理论与实践并重、体系完整、内容新颖、条理清晰、组织合理、强调实践，包括使用sciki-learn、TensorFlow和Keras创建智能系统和机器学习解决方案，并将论述的重点放在实现和实践上，以便让读者更好地了解Python深度学习应用的实现细节。本书适合所有对Python深度学习感兴趣的人士阅读。

高凯 汉族，教授，博士毕业于上海交通大学计算机应用技术专业，河北省省级重点学科“计算机软件与理论”中“信息检索与云计算”方向学术带头人，研究生导师，中国计算机学会高级会员，中国计算机学会CCF计算机应用专委常委，中国计算机学会CCF中文信息技术专委委员，河北省科技咨询业协会第六届理事会常务理事，英国学术期刊International Journal of Computer Applications in Technology副主编，国际学术会议International Conference on Modelling, Identification and Control程序委员会委员；主要研究方向为人工智能、大数据搜索与挖掘、网络信息检索、自然语言处理、社会计算等；多年主讲研究生课程《人工智能》、本科生课程《数据库原理与应用》，系河北科技大学教学名师；近年出版了《信息检索与智能处理》、《大数据搜索与挖掘》、《网络信息检索技术及搜索引擎系统开发》、《大数据搜索与挖掘及可视化管理方案》等学术专著；在电子工业出版社、清华大学出版社、国防工业出版社等出版了高等学校计算机规划教材《数据库原理与应用》、高等院校信息技

第1章Jupyter基础/1
1.1基本功能与特征/2
1.1.1JupyterNotebook是什么，为什么它如此有用/2
1.1.2JupyterNotebook概览/4
1.1.3Jupyter特色/8
1.1.4Python库/14
1.2第一个数据分析实例——基于波士顿住房数据集/17
1.2.1使用PandasDataFrame载入数据集/17
1.2.2数据集/22
1.2.3基于JupyterNotebook的预测分析简介/26
1.2.4实践:构建一个基于三阶多项式的模型/30
1.2.5使用分类特征完成对数据集的分段分析/35
1.3本章小结/41第2章数据清洗和高级机器学习/42
2.1准备训练预测模型/43
2.1.1确定预测分析计划/43
2.1.2机器学习的数据预处理/45
2.1.3实践:准备训练“员工去留问题”的预测模型/55
2.2训练分类模型/64
2.2.1分类算法简介/64
2.2.2使用k折交叉验证和验证曲线评估模型/79
2.2.3降维技术/84
2.2.4训练员工去留问题的预测模型/85
2.3本章小结/93第3章网页信息采集和交互式可视化/94
3.1采集网页信息/95
3.1.1HTTP请求简介/95
3.1.2在JupyterNotebook中实现HTTP请求/96
3.1.3在JupyterNotebook中解析HTML/101
3.1.4实践:在JupyterNotebook中实现网页信息采集/107
3.2交互可视化/111
3.2.1构建DataFrame以存储和组织数据/111
3.2.2Bokeh简介/117
3.2.3实例:使用交互式可视化探索数据/121
3.3本章小结/130第4章神经网络与深度学习概述/132
4.1什么是神经网络/132
4.1.1成功的应用案例/133
4.1.2为什么神经网络能够表现得如此出色/134
4.1.3深度学习的局限性/136
4.1.4神经网络的一般构成和操作/137
4.2配置深度学习环境/139
4.2.1用于深度学习的软件组件/139
4.2.2实例:验证软件组件/141
4.2.3探索一个训练好的神经网络/143
4.2.4实例:探索一个训练好的神经网络/148
4.3本章小结/150第5章模型体系结构/151
5.1选择合适的模型体系结构/151
5.1.1常见的体系结构/151
5.1.2数据标准化/156
5.1.3构建您的问题/157
5.1.4实例:探索比特币数据集，为模型准备数据/159
5.2使用Keras作为TensorFlow接口/165
5.2.1模型组件/165
5.2.2实例:使用Keras创建TensorFlow模型/167
5.2.3从数据准备到建模/168
5.2.4训练神经网络/169
5.2.5调整时间序列数据维度/169
5.2.6预测数据/172
5.2.7实例:组建深度学习系统/173
5.3本章小结/176第6章模型评估和优化/177
6.1模型评估/177
6.1.1问题类别/177
6.1.2损失函数、准确率和错误率/178
6.1.3使用TensorBoard进行可视化/180
6.1.4实现模型评估的测度/182
6.1.5实践:创建一个训练环境/187
6.2超参数优化/192
6.2.1针对神经层和神经元——添加更多的神经层/192
6.2.2迭代步数/194
6.2.3激活函数/195
6.2.4激活函数的实现/197
6.2.5正则化策略/198
6.2.6结果优化/199
6.2.7实践:优化神经网络模型/200
6.3本章小结/202第7章产品化/203
7.1处理新数据/203
7.1.1分离数据和模型/203
7.1.2处理新数据/205
7.1.3实例:处理新数据/208
7.2将模型部署为Web应用程序/210
7.2.1应用架构和技术/210
7.2.2部署和使用cryptonic/211
7.2.3实例:部署深度学习应用程序/214
7.3本章小结/216