第一部分 基礎(chǔ)篇
第1章 緒論
1.1 人工智能
1.2 機(jī)器學(xué)習(xí)
1.3 淺層學(xué)習(xí)和深度學(xué)習(xí)
第2章 機(jī)器學(xué)習(xí)基礎(chǔ)術(shù)語(yǔ)
2.1 機(jī)器學(xué)習(xí)相關(guān)術(shù)語(yǔ)
2.2 學(xué)習(xí)模型評(píng)估
2.3 深度學(xué)習(xí)基礎(chǔ)知識(shí)
2.3.1 線(xiàn)性回歸
2.3.2 神經(jīng)元
2.3.3 人工神經(jīng)網(wǎng)絡(luò)
2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
小結(jié)
第3章 實(shí)驗(yàn)環(huán)境安裝部署
3.1 下載說(shuō)明
3.2 Anaconda的安裝
3.3 PyCharm的安裝
3.4 虛擬機(jī)部署安裝
小結(jié)
第4章 神經(jīng)網(wǎng)絡(luò)入門(mén)
4.1 常見(jiàn)深度學(xué)習(xí)框架介紹
4.2 TensorFlowPlayground
4.3 Keras神經(jīng)網(wǎng)絡(luò)的核心組件
4.4 TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
小結(jié)

第二部分 應(yīng)用篇
第5章 牛刀小試——深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)入門(mén)基礎(chǔ)
5.1 創(chuàng)建環(huán)境和安裝依賴(lài)
5.1.1 創(chuàng)建虛擬環(huán)境
5.1.2 安裝依賴(lài)
5.2 構(gòu)建項(xiàng)目
5.3 數(shù)據(jù)操作——Numpy
5.3.1 多維數(shù)組的創(chuàng)建
5.3.2 多維數(shù)組的基本運(yùn)算和操作方法
5.3.3 多維數(shù)組索引
5.4 線(xiàn)性回歸
5.4.1 線(xiàn)性回歸基本問(wèn)題
5.4.2 線(xiàn)性回歸從零開(kāi)始實(shí)現(xiàn)
5.4.3 損失函數(shù)
小結(jié)
第6章 初試Keras與多層感知機(jī)的搭建
6.1 構(gòu)建項(xiàng)目
6.2 MNIST數(shù)據(jù)集下載和預(yù)處理
6.2.1 導(dǎo)入相關(guān)模塊和下載數(shù)據(jù)
6.2.2 數(shù)據(jù)預(yù)處理
6.3 首次嘗試搭建多層感知機(jī)進(jìn)行訓(xùn)練
6.3.1 搭建模型
6.3.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練
6.4 增加隱藏層改進(jìn)模型
6.4.1 建模型
6.4.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練
6.5 對(duì)訓(xùn)練結(jié)果進(jìn)行評(píng)估
6.5.1 使用測(cè)試集評(píng)估模型準(zhǔn)確率
6.5.2 使用模型將測(cè)試集進(jìn)行預(yù)測(cè)
6.5.3 建立誤差矩陣
小結(jié)
第7章 搭建多層感知機(jī)識(shí)別手寫(xiě)字符集
7.1 構(gòu)建項(xiàng)目
7.2 搭建帶有隱藏層的多層感知機(jī)模型
7.3 誤差說(shuō)明與過(guò)擬合問(wèn)題
7.3.1 訓(xùn)練誤差與泛化誤差
7.3.2 過(guò)擬合問(wèn)題
7.4 處理模型過(guò)擬合問(wèn)題
7.4.1 增加隱藏層神經(jīng)元查看過(guò)擬合情況
7.4.2 加入Dropout功能來(lái)處理過(guò)擬合問(wèn)題
7.4.3 建立兩個(gè)隱藏層的多層感知機(jī)模型
7.5 保存模型
7.5.1 將模型結(jié)構(gòu)保存為json格式
7.5.2 保存模型權(quán)重
小結(jié)
第8章 初識(shí)卷積神經(jīng)網(wǎng)絡(luò)——FashionMNIST
8.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
8.1.1 多層感知機(jī)和卷積神經(jīng)網(wǎng)絡(luò)
8.1.2 卷積神經(jīng)網(wǎng)絡(luò)
8.2 LeNet-5網(wǎng)絡(luò)模型
8.3 FashionMNIST
8.3.1 服裝分類(lèi)的數(shù)據(jù)集
8.3.2 數(shù)據(jù)集的下載與使用
8.3.3 了解FashionMNIsT數(shù)據(jù)集
8.4 進(jìn)行FashionMNIST數(shù)據(jù)集識(shí)別
8.4.1 初始處理數(shù)據(jù)
8.4.2 搭建LeNet-5與訓(xùn)練模型
8.4.3 訓(xùn)練過(guò)程與評(píng)估模型
8.4.4 卷積輸出可視化
8.5 改進(jìn)LeNet-5實(shí)現(xiàn)FashionMNIsT數(shù)據(jù)集識(shí)別
8.5.1 初始處理數(shù)據(jù)
8.5.2 搭建模型與訓(xùn)練
8.5.3 訓(xùn)練過(guò)程與評(píng)估模型
8.5.4 測(cè)試集預(yù)測(cè)
8.5.5 保存模型與網(wǎng)絡(luò)結(jié)構(gòu)
8.6 使用自然測(cè)試集進(jìn)行預(yù)測(cè)
8.6.1 圖片預(yù)處理
8.6.2 預(yù)測(cè)結(jié)果
小結(jié)
第9章 CIFAR-1O圖像識(shí)別
9.1 準(zhǔn)備工作
9.2 CIFAR-10數(shù)據(jù)集下載與分析
9.2.1 CIFAR-10數(shù)據(jù)的下載
9.2.2 查看訓(xùn)練數(shù)據(jù)
9.3 處理數(shù)據(jù)集與訓(xùn)練模型
9.3.1 處理數(shù)據(jù)集
9.3.2 模型的搭建
9.3.3 模型的訓(xùn)練
9.3.4 測(cè)試訓(xùn)練結(jié)果
9.4 提升模型的準(zhǔn)確率
小結(jié)
第10章 圖像分類(lèi)——Kaggle貓狗大戰(zhàn)
10.1 準(zhǔn)備工作
10.2 數(shù)據(jù)集的處理
1O.2.1 數(shù)據(jù)集下載與存放
10.2.2 數(shù)據(jù)文件處理
10.2.3 讀取和預(yù)處理數(shù)據(jù)集
10.3 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
1O.3.1 搭建簡(jiǎn)單的模型進(jìn)行訓(xùn)練與評(píng)估
10.3.2 利用數(shù)據(jù)擴(kuò)充解決過(guò)擬合問(wèn)題
小結(jié)
第11章 多輸出神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)CAPTCHA驗(yàn)證碼識(shí)別
11.1 準(zhǔn)備工作
11.2 數(shù)據(jù)集的處理
11.2.1 CAPTCHA驗(yàn)證碼
11.2.2 構(gòu)建cAPTcHA驗(yàn)證碼生成器
11.3 深度神經(jīng)網(wǎng)絡(luò)模型
11.3.1 搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型
11.3.2 訓(xùn)練模型
11.4 模型評(píng)估與預(yù)測(cè)
11.4.1 評(píng)估模型準(zhǔn)確率
11.4.2 生成數(shù)據(jù)集預(yù)測(cè)
小結(jié)
第12章 Keras搭建模型預(yù)測(cè)泰坦尼克號(hào)游客信息
12.1 項(xiàng)目構(gòu)建
12.2 數(shù)據(jù)預(yù)處理
12.2.1 使用DataFrame分析數(shù)據(jù)和數(shù)據(jù)預(yù)處理
12.2.2 使用Numpy進(jìn)行數(shù)據(jù)預(yù)處理
12.3 采用多層感知機(jī)模型進(jìn)行預(yù)測(cè)
12.3.1 模型建立
12.3.2 開(kāi)始訓(xùn)練
12.3.3 模型評(píng)估
12.3.4 構(gòu)建自由數(shù)據(jù)進(jìn)行預(yù)測(cè)
小結(jié)
第13章 自然語(yǔ)言處理-IMDb網(wǎng)絡(luò)電影數(shù)據(jù)集分析
13.1 IMDb數(shù)據(jù)庫(kù)
13.2 Keras自然語(yǔ)言處理
13.2.1 建立Token
13.2.2 轉(zhuǎn)換
13.2.3 截長(zhǎng)補(bǔ)短
13.2.4 數(shù)字列表轉(zhuǎn)成向量列表
13.3 構(gòu)建項(xiàng)目
13.3.1 創(chuàng)建項(xiàng)目文件
13.3.2 下載IMDb數(shù)據(jù)集
13.4 IMDb數(shù)據(jù)集預(yù)處理
13.4.1 讀取數(shù)據(jù)
13.4.2 建立T0ken
13.4.