內容簡介
☆★☆★【用最簡潔的Python，成為深度學習最厲害的大神！】★☆★☆
「人工智慧、深度學習和機器學習，不論你現在是否能夠理解這些概念，你都應該學習。否則三年內，你就會像被滅絕的恐龍一樣被社會淘汰。現在不開始，以後就來不及了。」——馬克•庫班（NBA獨行俠隊老闆，億萬富翁）
本書從人工智慧、機器學習與深度學習簡介開始，幫助讀者在Windows下的CPU/GPU環境完成深度學習、開發環境架設；之後進入Python資料科學函數庫，介紹深度學習基礎，如Numpy、Pandas、Matplotlib。
在了解基本函數庫後，接著介紹目前最好用、最流行的深度學習框架TensorFlow、Keras。認識完框架的使用，便開始處理資料，本書介紹了資料前置處理和模型評估指標，幫讀者了解模型及資料之間的關係。當一切就緒，就可以進入實際專案的開發，包括影像分類辨識、IMDB電影評論情感分析、遷移學習、人臉辨識、影像風格遷移、生成對抗網路等，讓你用最簡潔的Python，成為深度學習最厲害的大神。
適合讀者
✪具備Python語言基礎知識的程式初學者。
✪非專業出身，想轉換跑道進入人工智慧領域的程式設計師。
本書看點
✪人工智慧、機器學習與深度學習簡介。
✪深度學習框架TensorFlow、Keras。
✪深度學習開發環境架設。
✪資料前置處理、模型評估指標、影像分類辨識。
「人工智慧、深度學習和機器學習，不論你現在是否能夠理解這些概念，你都應該學習。否則三年內，你就會像被滅絕的恐龍一樣被社會淘汰。現在不開始，以後就來不及了。」——馬克•庫班（NBA獨行俠隊老闆，億萬富翁）
本書從人工智慧、機器學習與深度學習簡介開始，幫助讀者在Windows下的CPU/GPU環境完成深度學習、開發環境架設；之後進入Python資料科學函數庫，介紹深度學習基礎，如Numpy、Pandas、Matplotlib。
在了解基本函數庫後，接著介紹目前最好用、最流行的深度學習框架TensorFlow、Keras。認識完框架的使用，便開始處理資料，本書介紹了資料前置處理和模型評估指標，幫讀者了解模型及資料之間的關係。當一切就緒，就可以進入實際專案的開發，包括影像分類辨識、IMDB電影評論情感分析、遷移學習、人臉辨識、影像風格遷移、生成對抗網路等，讓你用最簡潔的Python，成為深度學習最厲害的大神。
適合讀者
✪具備Python語言基礎知識的程式初學者。
✪非專業出身，想轉換跑道進入人工智慧領域的程式設計師。
本書看點
✪人工智慧、機器學習與深度學習簡介。
✪深度學習框架TensorFlow、Keras。
✪深度學習開發環境架設。
✪資料前置處理、模型評估指標、影像分類辨識。
作者簡介
宋立桓
IT資深技術專家、佈道師，主要負責為企業客戶提供顧問諮詢、培訓和方案設計服務。目前是騰訊雲架構師，專注於雲端計算、巨量資料和人工智慧，對區塊鏈的相關技術也有深入的研究。著有圖書《Cloudera Hadoop大資料平臺實戰指南》和《AI制勝：機器學習極簡入門》。
IT資深技術專家、佈道師，主要負責為企業客戶提供顧問諮詢、培訓和方案設計服務。目前是騰訊雲架構師，專注於雲端計算、巨量資料和人工智慧，對區塊鏈的相關技術也有深入的研究。著有圖書《Cloudera Hadoop大資料平臺實戰指南》和《AI制勝：機器學習極簡入門》。
內容目錄
第 1 章 人工智慧、機器學習與深度學習簡介
1.1 什麼是人工智慧
1.2 人工智慧的本質
1.3 人工智慧相關專業人才的就業前景
1.4 機器學習和深度學習
1.5 小白如何學深度學習
第 2 章 深度學習開發環境架設
2.1 Jupyter Notebook 極速入門
2.2 深度學習常用框架介紹
2.3 Windows 環境下安裝TensorFlow（CPU 版本）和Keras
2.4 Windows 環境下安裝TensorFlow（GPU 版本）和Keras
2.5 Windows 環境下安裝PyTorch
第 3 章 Python 資料科學函數庫
3.1 張量、矩陣和向量
3.2 陣列和矩陣運算函數庫——NumPy
3.3 資料分析處理函數庫——Pandas
3.4 資料視覺化函數庫——Matplotlib
第 4 章 深度學習基礎
4.1 神經網路原理闡述
4.2 卷積神經網路
4.3 卷積神經網路經典模型架構
第 5 章 深度學習框架TensorFlow 入門
5.1 第一個TensorFlow 的「Hello world」
5.2 TensorFlow 程式結構
5.3 TensorFlow 常數、變數、預留位置
5.4 TensorFlow 案例實戰
5.5 視覺化工具TensorBoard 的使用
第 6 章 深度學習框架Keras 入門
6.1 Keras 架構簡介
6.2 Keras 常用概念
6.3 Keras 建立神經網路基本流程
6.4 Keras 建立神經網路進行鐵達尼號生還預測
6.5 Keras 建立神經網路預測銀行客戶流失率
第 7 章 資料前置處理和模型評估指標
7.1 資料前置處理的重要性和原則
7.2 資料前置處理方法介紹
7.3 常用的模型評估指標
第 8 章 影像分類辨識
8.1 影像辨識的基礎知識
8.2 實例一：手寫數字辨識
8.3 實例二：CIFAR-10 影像辨識
8.4 實例三：貓狗辨識
第 9 章 IMDB 電影評論情感分析
9.1 IMDB 電影資料集和影評文字處理介紹
9.2 基於多層感知器模型的電影評論情感分析
9.3 基於RNN 模型的電影評論情感分析
9.4 基於LSTM 模型的電影評論情感分析
第 10 章 遷移學習
10.1 遷移學習簡介
10.2 什麼是預訓練模型
10.3 如何使用預訓練模型
10.4 在貓狗辨識的任務上使用遷移學習
10.5 在MNIST 手寫體分類上使用遷移學習
10.6 遷移學習複習
第 11 章 人臉辨識實踐
11.1 人臉辨識
11.2 人臉檢測和關鍵點定位實戰
11.3 人臉表情分析情緒辨識實戰
11.4 我能認識你——人臉辨識實戰
第 12 章 影像風格遷移
12.1 影像風格遷移簡介
12.2 使用預訓練的VGG16 模型進行風格遷移
12.3 影像風格遷移複習
第 13 章 生成對抗網路
13.1 什麼是生成對抗網路
13.2 生成對抗網路演算法細節
13.3 循環生成對抗網路
13.4 利用CycleGAN 進行影像風格遷移
後記 進一步深入學習
1.1 什麼是人工智慧
1.2 人工智慧的本質
1.3 人工智慧相關專業人才的就業前景
1.4 機器學習和深度學習
1.5 小白如何學深度學習
第 2 章 深度學習開發環境架設
2.1 Jupyter Notebook 極速入門
2.2 深度學習常用框架介紹
2.3 Windows 環境下安裝TensorFlow（CPU 版本）和Keras
2.4 Windows 環境下安裝TensorFlow（GPU 版本）和Keras
2.5 Windows 環境下安裝PyTorch
第 3 章 Python 資料科學函數庫
3.1 張量、矩陣和向量
3.2 陣列和矩陣運算函數庫——NumPy
3.3 資料分析處理函數庫——Pandas
3.4 資料視覺化函數庫——Matplotlib
第 4 章 深度學習基礎
4.1 神經網路原理闡述
4.2 卷積神經網路
4.3 卷積神經網路經典模型架構
第 5 章 深度學習框架TensorFlow 入門
5.1 第一個TensorFlow 的「Hello world」
5.2 TensorFlow 程式結構
5.3 TensorFlow 常數、變數、預留位置
5.4 TensorFlow 案例實戰
5.5 視覺化工具TensorBoard 的使用
第 6 章 深度學習框架Keras 入門
6.1 Keras 架構簡介
6.2 Keras 常用概念
6.3 Keras 建立神經網路基本流程
6.4 Keras 建立神經網路進行鐵達尼號生還預測
6.5 Keras 建立神經網路預測銀行客戶流失率
第 7 章 資料前置處理和模型評估指標
7.1 資料前置處理的重要性和原則
7.2 資料前置處理方法介紹
7.3 常用的模型評估指標
第 8 章 影像分類辨識
8.1 影像辨識的基礎知識
8.2 實例一：手寫數字辨識
8.3 實例二：CIFAR-10 影像辨識
8.4 實例三：貓狗辨識
第 9 章 IMDB 電影評論情感分析
9.1 IMDB 電影資料集和影評文字處理介紹
9.2 基於多層感知器模型的電影評論情感分析
9.3 基於RNN 模型的電影評論情感分析
9.4 基於LSTM 模型的電影評論情感分析
第 10 章 遷移學習
10.1 遷移學習簡介
10.2 什麼是預訓練模型
10.3 如何使用預訓練模型
10.4 在貓狗辨識的任務上使用遷移學習
10.5 在MNIST 手寫體分類上使用遷移學習
10.6 遷移學習複習
第 11 章 人臉辨識實踐
11.1 人臉辨識
11.2 人臉檢測和關鍵點定位實戰
11.3 人臉表情分析情緒辨識實戰
11.4 我能認識你——人臉辨識實戰
第 12 章 影像風格遷移
12.1 影像風格遷移簡介
12.2 使用預訓練的VGG16 模型進行風格遷移
12.3 影像風格遷移複習
第 13 章 生成對抗網路
13.1 什麼是生成對抗網路
13.2 生成對抗網路演算法細節
13.3 循環生成對抗網路
13.4 利用CycleGAN 進行影像風格遷移
後記 進一步深入學習
ISBN: 9786267273128