| | | | Python深度學習實戰：基於TensorFlow和Keras的聊天機器人以及人 | | 該商品所屬分類：圖書 -> 機械工業出版社 | | 【市場價】 | 529-768元 | | 【優惠價】 | 331-480元 | | 【作者】 | 納溫·庫馬爾·馬納西劉毅冰 | | 【出版社】 | 機械工業出版社 | | 【ISBN】 | 9787111622765 | | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品
一次購物滿2000元台幣95折+免運費+贈品
一次購物滿3000元台幣92折+免運費+贈品
一次購物滿4000元台幣88折+免運費+贈品
| | 【本期贈品】 | ①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾
|
|
| 版本 | 正版全新電子版PDF檔 | | 您已选择： | 正版全新 | 溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。
*. 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。
*. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。 | | | |
| | 內容介紹 | |
店鋪：機械工業出版社官方旗艦店 出版社：機械工業出版社 ISBN：9787111622765 商品編碼：10027965933273 品牌：機械工業出版社（CMP） 出版時間：2019-04-01 頁數：200 字數：85000 審圖號：9787111622765 作者：納溫·庫馬爾·馬納西,劉毅冰
" 
商品參數
| 商品基本信息 | | 商品名稱： | Python深度學習實戰：基於TensorFlow和Keras的聊天機器人以及人臉、物體和語音識別 | | 作者： | [印] 納溫·庫馬爾·馬納西（Navin Kumar Manaswi） | | 市場價： | 69.00 | | ISBN號： | 9787111622765 | | 版次： | 1-1 | | 出版日期： | 1900-01 | | 頁數： | 168 | | 字數： | 85 | | 出版社： | 機械工業出版社 |
內容介紹
本書討論使用TensorFlow和Keras等框架構建深度學習應用程序，集中於所需的模型和算法，幫助你在短時間內提高實踐技能。內容涵蓋了聊天機器人、自然語言處理、人臉和對像識別等主題。目標是提供創建能夠執行深度學習的程序所需的概念、技術和算法實現。
關聯推薦
目錄
序 *1章TensorFlow基礎 1 1.1張量 2 1.2計算圖與會話 2 1.3常量、占位符與變量 4 1.4占位符 6 1.5創建張量 8 1.5.1固定張量 9 1.5.2序列張量 11 1.5.3隨機張量 11 1.6矩陣操作 12 1.7激活函數 13 1.7.1雙曲正切函數與Sigmoid函數 13 1.7.2ReLU與ELU 15序
*1章TensorFlow基礎 1
1.1張量 2
1.2計算圖與會話 2
1.3常量、占位符與變量 4
1.4占位符 6
1.5創建張量 8
1.5.1固定張量 9
1.5.2序列張量 11
1.5.3隨機張量 11
1.6矩陣操作 12
1.7激活函數 13
1.7.1雙曲正切函數與Sigmoid函數 13
1.7.2ReLU與ELU 15
1.7.3ReLU6 15
1.8損失函數 17
1.8.1損失函數實例 18
1.8.2常用的損失函數 18
1.9優化器 19
1.9.1優化器實例 20
1.9.2常用的優化器 21
1.10度量 21
??1.10.1度量實例 22
??1.10.2常用的度量 22
*2章理解並運用Keras 25
2.1深度學習模型構建的主要步驟 25
2.1.1載入數據 26
2.1.2預處理數據 27
2.1.3定義模型 27
2.1.4編譯模型 29
2.1.5擬合模型 29
2.1.6評估模型 30
2.1.7預測 30
2.1.8保存與重載模型 31
2.1.9可選：總結模型 31
2.2改進Keras模型的附加步驟 32
2.3Keras聯合TensorFlow 33
第3章多層感知機 35
3.1人工神經網絡 35
3.2單層感知機 37
3.3多層感知機 37
3.4邏輯斯諦回歸模型 38
第4章TensorFlow中的回歸到MLP 45
4.1TensorFlow搭建模型的步驟 45
4.2TensorFlow中的線性回歸 46
4.3邏輯斯諦回歸模型 49
4.4TensorFlow中的多層感知機 52
第5章Keras中的回歸到MLP 55
5.1對數-線性模型 55
5.2線性回歸的Keras神經網絡 56
5.3邏輯斯諦回歸 58
5.3.1scikit-learn邏輯斯諦回歸 58
5.3.2邏輯斯諦回歸的Keras神經網絡 59
5.3.3流行的MNIST數據：Keras中的邏輯斯諦回歸 60
5.4基於Iris數據的MLP 62
5.4.1編寫代碼 62
5.4.2構建一個序列Keras模型 63
5.5基於MNIST數據的MLP數字分類 66
5.6基於隨機生成數據的MLP 68
第6章卷積神經網絡 71
6.1CNN中的各種層 71
6.2CNN結構 74
第7章TensorFlow中的CNN 77
7.1為什麼用TensorFlow搭建CNN模型 77
7.2基於MNIST數據集搭建圖片分類器的TensorFlow代碼 78
7.3使用*級API搭建CNN模型 82
第8章Keras中的CNN 83
8.1在Keras中使用MNIST數據集搭建圖片分類器 83
8.1.1定義網絡結構 85
8.1.2定義模型架構 85
8.2使用CIFAR-10數據集搭建圖片分類器 86
8.2.1定義網絡結構 87
8.2.2定義模型架構 88
8.3預訓練模型 89
第9章RNN與LSTM 91
9.1循環神經網絡的概念 91
9.2長短時記憶網絡的概念 93
9.3LSTM常見模式 93
9.4序列預測 94
9.4.1數字序列預測 94
9.4.2序列分類 95
9.4.3序列生成 95
9.4.4序列到序列預測 95
9.5利用LSTM模型處理時間序列預測問題 96
*10章語音-文本轉換及其逆過程 101
10.1語音-文本轉換 101
10.2語音數據 102
10.3語音特征：將語音映射為矩陣 103
10.4聲譜圖：將語音映射為圖像 104
10.5利用MFCC特征構建語音識別分類器 104
10.6利用聲譜圖構建語音識別分類器 105
10.7開源方法 106
10.8使用API的例子 107
10.8.1使用PocketSphinx 107
10.8.2使用Google Speech API 108
10.8.3使用Google Cloud Speech API 108
10.8.4使用Wit.ai API 108
10.8.5使用Houndify API 109
10.8.6使用IBM Speech to Text API 109
10.8.7使用Bing Voice Recognition API 110
10.9文本-語音轉換 110
10.9.1使用pyttsx 110
10.9.2使用SAPI 111
10.9.3使用SpeechLib 111
10.10音頻剪輯代碼 111
10.11認知服務提供商 112
10.11.1Microsoft Azure 113
10.11.2Amazon Cognitive Services 113
10.11.3IBM Watson Services 113
10.12語音分析的未來 113
*11章創建聊天機器人 115
11.1為什麼是聊天機器人 116
11.2聊天機器人的設計和功能 116
11.3構建聊天機器人的步驟 116
11.3.1預處理文本和消息 117
11.3.2用API構建聊天機器人 130
11.4聊天機器人開發的*佳實踐 133
11.4.1了解潛在用戶 133
11.4.2讀入用戶情感使得機器人情感更豐富 133
*12章人臉檢測與識別 135
12.1人臉檢測、人臉識別與人臉分析 135
12.2OpenCV 136
12.2.1特征臉 137
12.2.2LBPH 137
12.2.3費歇臉 138
12.3檢測人臉 139
12.4跟蹤人臉 141
12.5人臉識別 144
12.6基於深度學習的人臉識別 147
12.7遷移學習 149
12.7.1為什麼要用遷移學習 150
12.7.2遷移學習實例 150
12.7.3計算遷移值 152
12.8API 158
附錄1圖像處理的Keras函數 161
附錄2可用的優質圖像數據集 165
附錄3醫學成像：DICOM文件格式 167 顯示全部信息
" | | |
| | | | |
|
