Python深度學習從零開始學

第1章 人工智能、機器學習與深度學習簡介
1.1 什么是人工智能
1.2 人工智能的本質(zhì)
1.3 人工智能相關專業(yè)人才的就業(yè)前景
1.4 機器學習和深度學習
1.4.1 什么是機器學習
1.4.2 深度學習獨領風騷
1.4.3 機器學習和深度學習的關系和對比
1.5 小白如何學深度學習
1.5.1 關于兩個“放棄”
1.5.2 關于三個“必須”
第2章 深度學習開發(fā)環(huán)境搭建
2.1 Jupyter Notebook極速入門
2.1.1 什么是Jupyter Notebook
2.1.2 如何安裝和啟動Jupyter Notebook
2.1.3 Jupyter Notebook的基本使用
2.2 深度學習常用框架介紹
2.3 Windows環(huán)境下安裝TensorFlow（CPU版本）和Keras
2.4 Windows環(huán)境下安裝TensorFlow（GPU版本）和Keras
2.4.1 確認顯卡是否支持CUDA
2.4.2 安裝CUDA
2.4.3 安裝cuDNN
2.4.4 安裝TensorFlow（GPU版本）和Keras
2.5 Windows環(huán)境下安裝PyTorch
2.5.1 安裝PyTorch（CPU版本）
2.5.2 安裝PyTorch（GPU版本）
第3章 Python數(shù)據(jù)科學庫
3.1 張量、矩陣和向量
3.2 數(shù)組和矩陣運算庫——NumPy
3.2.1 列表和數(shù)組的區(qū)別
3.2.2 創(chuàng)建數(shù)組的方法
3.2.3 NumPy的算術運算
3.2.4 數(shù)組變形
3.3 數(shù)據(jù)分析處理庫——Pandas
3.3.1 Pandas數(shù)據(jù)結(jié)構(gòu)Series
3.3.2 Pandas數(shù)據(jù)結(jié)構(gòu)DataFrame
3.3.3 Pandas處理CSV文件
3.3.4 Pandas數(shù)據(jù)清洗
3.4 數(shù)據(jù)可視化庫——Matplotlib
第4章 深度學習基礎
4.1 神經(jīng)網(wǎng)絡原理闡述
4.1.1 神經(jīng)元和感知器
4.1.2 激活函數(shù)
4.1.3 損失函數(shù)
4.1.4 梯度下降和學習率
4.1.5 過擬合和Dropout
4.1.6 神經(jīng)網(wǎng)絡反向傳播法
4.1.7 TensorFlow游樂場帶你玩轉(zhuǎn)神經(jīng)網(wǎng)絡
4.2 卷積神經(jīng)網(wǎng)絡
4.2.1 什么是卷積神經(jīng)網(wǎng)絡
4.2.2 卷積神經(jīng)網(wǎng)絡詳解
4.2.3 卷積神經(jīng)網(wǎng)絡是如何訓練的
4.3 卷積神經(jīng)網(wǎng)絡經(jīng)典模型架構(gòu)
4.3.1 LeNet
4.3.2 AlexNet
4.3.3 VGGNet
4.3.4 GoogLeNet
4.3.5 ResNet
第5章 深度學習框架TensorFlow入門
5.1 第一個TensorFlow的“Hello world”
5.2 TensorFlow程序結(jié)構(gòu)
5.3 TensorFlow常量、變量、占位符
5.3.1 常量
5.3.2 變量
5.3.3 占位符
5.4 TensorFlow案例實戰(zhàn)
5.4.1 MNIST數(shù)字識別問題
5.4.2 TensorFlow多層感知器識別手寫數(shù)字
5.4.3 TensorFlow卷積神經(jīng)網(wǎng)絡識別手寫數(shù)字
5.5 可視化工具TensorBoard的使用
第6章 深度學習框架Keras入門
6.1 Keras架構(gòu)簡介
6.2 Keras常用概念
6.3 Keras創(chuàng)建神經(jīng)網(wǎng)絡基本流程
6.4 Keras創(chuàng)建神經(jīng)網(wǎng)絡進行泰坦尼克號生還預測
6.4.1 案例項目背景和數(shù)據(jù)集介紹
6.4.2 數(shù)據(jù)預處理
6.4.3 建立模型
6.4.4 編譯模型并進行訓練
6.4.5 模型評估
6.4.6 預測和模型的保存
6.5 Keras創(chuàng)建神經(jīng)網(wǎng)絡預測銀行客戶流失率
6.5.1 案例項目背景和數(shù)據(jù)集介紹
6.5.2 數(shù)據(jù)預處理
6.5.3 建立模型
6.5.4 編譯模型并進行訓練
6.5.5 模型評估
6.5.6 模型優(yōu)化——使用深度神經(jīng)網(wǎng)絡輔以Dropout正則化
第7章 數(shù)據(jù)預處理和模型評估指標
7.1 數(shù)據(jù)預處理的重要性和原則
7.2 數(shù)據(jù)預處理方法介紹
7.2.1 數(shù)據(jù)預處理案例——標準化、歸一化、二值化
7.2.2 數(shù)據(jù)預處理案例——缺失值補全、標簽化
7.2.3 數(shù)據(jù)預處理案例——獨熱編碼
7.2.4 通過數(shù)據(jù)預處理提高模型準確率
7.3 常用的模型評估指標
第8章 圖像分類識別
8.1 圖像識別的基礎知識
8.1.1 計算機是如何表示圖像
8.1.2 卷積神經(jīng)網(wǎng)絡為什么能稱霸計算機圖像識別領域
8.2 實例一：手寫數(shù)字識別
8.2.1 MNIST手寫數(shù)字識別數(shù)據(jù)集介紹
8.2.2 數(shù)據(jù)預處理
8.2.3 建立模型
8.2.4 進行訓練
8.2.5 模型保存和評估
8.2.6 進行預測
8.3 實例二：CIFAR-10圖像識別
8.3.1 CIFAR-10圖像數(shù)據(jù)集介紹
8.3.2 數(shù)據(jù)預處理
8.3.3 建立模型
8.3.4 進行訓練
8.3.5 模型評估
8.3.6 進行預測
8.4 實例三：貓狗識別
8.4.1 貓狗數(shù)據(jù)集介紹
8.4.2 建立模型
8.4.3 數(shù)據(jù)預處理
8.4.4 進行訓練
8.4.5 模型保存和評估
8.4.6 進行預測
8.4.7 模型的改進優(yōu)化
第9章 IMDB電影評論情感分析
9.1 IMDB電影數(shù)據(jù)集和影評文字處理介紹
9.2 基于多層感知器模型的電影評論情感分析
9.2.1 加入嵌入層
9.2.2 建立多層感知器模型
9.2.3 模型訓練和評估
9.2.4 預測
9.3 基于RNN模型的電影評論情感分析
9.3.1 為什么要使用RNN模型
9.3.2 RNN模型原理
9.3.3 使用R