Keras快速上手

作品简介

《Keras快速上手：基于Python的深度学习实战》系统地讲解了深度学习的基本知识、建模过程和应用，并以深度学习在推荐系统、图像识别、自然语言处理、文字生成和时间序列中的具体应用为案例，详细介绍了从工具准备、数据获取和处理到针对问题进行建模的整个过程和实践经验，是一本非常好的深度学习入门书。

不同于许多讲解深度学习的书籍，《Keras快速上手：基于Python的深度学习实战》以实用为导向，选择了Keras作为编程框架，强调简单、快速地设计模型，而不去纠缠底层代码，使得内容相当易于理解，读者可以在CNTK、TensorFlow和Theano的后台之间随意切换，非常灵活。并且本书能帮助读者从高度抽象的角度去审视业务问题，达到事半功倍的效果。

作品目录

• 推荐语
• 序一
• 序二
• 前言
• 阅读须知
• 1 准备深度学习的环境
• 1.1 硬件环境的搭建和配置选择
• 1.2 安装软件环境
• 2 数据收集与处理
• 2.1 网络爬虫
• 2.2 大规模非结构化数据的存储和分析
• 3 深度学习简介
• 3.1 概述
• 3.2 深度学习的统计学入门
• 3.3 一些基本概念的解释
• 3.4 梯度递减算法
• 3.5 后向传播算法
• 4 Keras入门
• 4.1 Keras简介
• 4.2 Keras中的数据处理
• 4.3 Keras中的模型
• 4.4 Keras中的重要对象
• 4.5 Keras中的网络层构造
• 4.6 使用Keras进行奇异值矩阵分解
• 5 推荐系统
• 5.1 推荐系统简介
• 5.2 矩阵分解模型
• 5.3 深度神经网络模型
• 5.4 其他常用算法
• 5.5 评判模型指标
• 6 图像识别
• 6.1 图像识别入门
• 6.2 卷积神经网络的介绍
• 6.3 端到端的MNIST训练数字识别
• 6.4 利用VGG16网络进行字体识别
• 6.5 总结
• 7 自然语言情感分析
• 7.1 自然语言情感分析简介
• 7.2 文字情感分析建模
• 7.3 总结
• 8 文字生成
• 8.1 文字生成和聊天机器人
• 8.2 基于检索的对话系统
• 8.3 基于深度学习的检索式对话系统
• 8.4 基于文字生成的对话系统
• 8.5 总结
• 9 时间序列
• 9.1 时间序列简介
• 9.2 基本概念
• 9.3 时间序列模型预测准确度的衡量
• 9.4 时间序列数据示例
• 9.5 简要回顾ARIMA时间序列模型
• 9.6 循环神经网络与时间序列模型
• 9.7 应用案例
• 9.8 总结
• 10 智能物联网
• 10.1 Azure和IoT
• 10.2 Azure IoT Hub服务
• 10.3 使用IoT Hub管理设备概述
• 10.4 使用.NET将模拟设备连接到IoT中心
• 10.5 机器学习应用实例