TensorFlow+Keras深度學習算法原理與編程實戰
作 者: 鄭敦莊 著
定 價: 78
出?版?社: 電子工業出版社
出版日期: 2020年05月01日
頁 數: 260
裝 幀: 平裝
ISBN: 9787121383786
●目 錄章 深度學習基礎11.1 人工智能、機器學習與深度學習11.1.1 人工智能的誕生11.1.2 人工智能、機器學習和深度學習的關繫31.1.3 深度學習的發展31.2 深度學習的應用領域41.2.1 語音搜索和語音助手41.2.2 圖像識別41.2.3 自動駕駛51.2.4 金融領域51.3 深度學習的主要框架51.3.1 Theano61.3.2 TensorFlow61.3.3 Keras71.3.4 PyTorch81.3.5 Microsoft CNTK81.3.6 MXNet9第2章 數據抓取與存儲102.1 Windows繫統下Python開發環境的安裝102.1.1 Windows繫統下安裝Anaconda112.1.2 並安裝Python 3安裝包112.1.3 檢查環境安裝是否成功132.2 Linux繫統下Python開發環境的安裝132.2.1 CentOS 7繫統下安裝Python 3.6142.2.2 Ubuntu 18.04繫統下安裝Python 3.6.6152.2.3 Linux繫統下安裝Anaconda152.3 第三方庫的安裝162.3.1 數據收集與處理流程162.3.2 請求庫的安裝172.3.3 解析庫的安裝172.4 數據庫的安裝192.4.1 Windows繫統下安裝MySQL 8.0192.4.2 Ubuntu繫統下安裝MySQL 8.0232.4.3 存儲庫的安裝242.5 爬蟲基礎252.5.1 URI和URL252.5.2 超文本252.5.3 HTTP協議和HTTPS協議262.5.4 HTTP請求272.5.5 Request請求292.5.6 Reponse響應332.6 實戰案例：抓取雙色球開獎數據352.6.1 項目介紹352.6.2 抓取最新期開獎數據352.6.3 抓取歷史期開獎數據49第3章 概率論基礎573.1 樣本空間及隨機變量573.1.1 樣本空間573.1.2 隨機變量583.2 概率分布及分布函數593.2.1 概率分布593.2.2 分布函數603.3 離散隨機變量613.3.1 離散隨機變量概述613.3.2 離散隨機變量的均勻分布623.3.3 伯努利分布（Bernoulli Distribution）653.3.4 二項分布（Binomial Distribution）653.3.5 泊松分布（Poisson Distribution）663.4 實戰案例：分析雙色球一等獎開獎注數是否隨機683.4.1 查詢數據683.4.2 柱形圖顯示70第4章 時間序列774.1 時間序列入門774.1.1 什麼是時間序列774.1.2 時間序列的基本概念784.1.3 如何進行時間序列分析794.2 彩票的特性模型選擇804.2.1 概率均等性804.2.2 偏態性804.2.3 連貫性814.2.4 時序性814.3 馬爾可夫鏈模型824.3.1 馬爾可夫鏈的基本原理824.3.2 基於加權馬爾可夫鏈的模型福彩3D分析與預測854.4 實戰案例：馬爾可夫鏈模型預測874.4.1 項目介紹874.4.2 抓取福彩3D數據874.4.3 馬爾可夫鏈預測的步驟分析964.4.4 馬爾可夫鏈預測步驟一：馬爾可夫性驗證964.4.5 馬爾可夫鏈預測步驟二：一步轉移概率矩陣984.4.6 馬爾可夫鏈預測步驟三：n步轉移概率矩陣1014.4.7 馬爾可夫鏈預測步驟四：計算權重wk1014.4.8 馬爾可夫鏈預測步驟五：進行預測103第5章 深度學習框架簡介及環境安裝1175.1 Tensorflow的發展歷程1175.2 Ubuntu繫統下安裝TensorFlow+Keras1205.2.1 安裝CPU版本的TensorFlow1205.2.2 安裝Keras1225.3 Windows繫統下安裝TensorFlow+Keras1225.3.1 安裝GPU版本的TensorFlow1225.3.2 安裝Keras127第6章 深度學習原理1286.1 深度學習數學基礎1286.1.1 張量1286.1.2 應用中的數據張量1326.2 神經網絡基礎1346.2.1 感知器1346.2.2 1406.2.3 線性模型1416.2.4 目標函數1416.2.5 梯度下降算法1426.2.6 隨機梯度下降算法1486.2.7 線性回歸代碼實例1486.3 循環神經網絡1526.3.1 循環神經網絡的概念1526.3.2 實戰RNN1536.4 LSTM神經網絡1566.4.1 RNN的長期依賴問題1566.4.2 LSTM原理簡介1566.5 參考文獻159第7章 Keras入門1607.1 Keras簡介1607.1.1 Keras在TensorFlow中的架構圖1617.1.2 Keras基礎1617.2 Sequential順序模型1627.2.1 指定輸入數據的大小1637.2.2 模型編譯1637.2.3 優化器1647.2.4 損失函數1717.2.5 損失函數的選擇1737.2.6 評價函數1817.2.7 模型訓練1827.2.8 訓練歷史可視化1847.2.9 模型預測1847.3 Keras LSTM簡介1857.3.1 LSTM參數介紹1857.3.2 LSTM序列模型搭建1867.4 實戰案例：LSTM神經網絡預測福彩3D1887.4.1 項目介紹1887.4.2 導入數據和參數1897.4.3 構建LotteryLSTM框架類1917.4.4 LotteryLSTM初始化1927.4.5 訓練數據集和測試數據集分割1927.4.6 LSTM網絡的創建與訓練1947.4.7 Keras模型的保存1967.4.8 LSTM網絡評估1997.4.9 LSTM網絡預測結果可視化2007.4.10 項目代碼實現2017.5 參考文獻211第8章 福彩3D預測平臺工程搭建2128.1 工程代碼整合2128.1.1 LSTM神經網絡模型保存2128.1.2 LSTM神經網絡模型調用2188.1.3 抓取數據代碼2208.1.4 MySQL數據庫導入數據庫文件2238.2 工程代碼2248.3 結束語246
內容簡介
本書以一個彩票預測的實戰項目開發為主線，詳細介紹了爬蟲基礎、概率論、時間序列、深度學習等熱門的人工智能技術及TensorFlow+Keras這種主流的深度學習框架的使用方法。 本書分為8章，涵蓋的主要內容有深度學習基礎、數據抓取與存儲、概率論基礎、時間序列、深度學習框架簡介及環境安裝、深度學習原理、Keras入門、福彩3D預測平臺工程搭建等。
