第一部分 基礎(chǔ)篇
第1章 緒論
1.1 人工智能
1.2 機器學習
1.3 淺層學習和深度學習
第2章 機器學習基礎(chǔ)術(shù)語
2.1 機器學習相關(guān)術(shù)語
2.2 學習模型評估
2.3 深度學習基礎(chǔ)知識
2.3.1 線性回歸
2.3.2 神經(jīng)元
2.3.3 人工神經(jīng)網(wǎng)絡
2.3.3 卷積神經(jīng)網(wǎng)絡
小結(jié)
第3章 實驗環(huán)境安裝部署
3.1 下載說明
3.2 Anaconda的安裝
3.3 PyCharm的安裝
3.4 虛擬機部署安裝
小結(jié)
第4章 神經(jīng)網(wǎng)絡入門
4.1 常見深度學習框架介紹
4.2 TensorFlowPlayground
4.3 Keras神經(jīng)網(wǎng)絡的核心組件
4.4 TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡
小結(jié)

第二部分 應用篇
第5章 牛刀小試——深度學習與計算機視覺入門基礎(chǔ)
5.1 創(chuàng)建環(huán)境和安裝依賴
5.1.1 創(chuàng)建虛擬環(huán)境
5.1.2 安裝依賴
5.2 構(gòu)建項目
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)組的基本運算和操作方法
5.3.3 多維數(shù)組索引
5.4 線性回歸
5.4.1 線性回歸基本問題
5.4.2 線性回歸從零開始實現(xiàn)
5.4.3 損失函數(shù)
小結(jié)
第6章 初試Keras與多層感知機的搭建
6.1 構(gòu)建項目
6.2 MNIST數(shù)據(jù)集下載和預處理
6.2.1 導入相關(guān)模塊和下載數(shù)據(jù)
6.2.2 數(shù)據(jù)預處理
6.3 首次嘗試搭建多層感知機進行訓練
6.3.1 搭建模型
6.3.2 神經(jīng)網(wǎng)絡訓練
6.4 增加隱藏層改進模型
6.4.1 建模型
6.4.2 神經(jīng)網(wǎng)絡訓練
6.5 對訓練結(jié)果進行評估
6.5.1 使用測試集評估模型準確率
6.5.2 使用模型將測試集進行預測
6.5.3 建立誤差矩陣
小結(jié)
第7章 搭建多層感知機識別手寫字符集
7.1 構(gòu)建項目
7.2 搭建帶有隱藏層的多層感知機模型
7.3 誤差說明與過擬合問題
7.3.1 訓練誤差與泛化誤差
7.3.2 過擬合問題
7.4 處理模型過擬合問題
7.4.1 增加隱藏層神經(jīng)元查看過擬合情況
7.4.2 加入Dropout功能來處理過擬合問題
7.4.3 建立兩個隱藏層的多層感知機模型
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 初識卷積神經(jīng)網(wǎng)絡——FashionMNIST
8.1 卷積神經(jīng)網(wǎng)絡簡介
8.1.1 多層感知機和卷積神經(jīng)網(wǎng)絡
8.1.2 卷積神經(jīng)網(wǎng)絡
8.2 LeNet-5網(wǎng)絡模型
8.3 FashionMNIST
8.3.1 服裝分類的數(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 進行FashionMNIST數(shù)據(jù)集識別
8.4.1 初始處理數(shù)據(jù)
8.4.2 搭建LeNet-5與訓練模型
8.4.3 訓練過程與評估模型
8.4.4 卷積輸出可視化
8.5 改進LeNet-5實現(xiàn)FashionMNIsT數(shù)據(jù)集識別
8.5.1 初始處理數(shù)據(jù)
8.5.2 搭建模型與訓練
8.5.3 訓練過程與評估模型
8.5.4 測試集預測
8.5.5 保存模型與網(wǎng)絡結(jié)構(gòu)
8.6 使用自然測試集進行預測
8.6.1 圖片預處理
8.6.2 預測結(jié)果
小結(jié)
第9章 CIFAR-1O圖像識別
9.1 準備工作
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 查看訓練數(shù)據(jù)
9.3 處理數(shù)據(jù)集與訓練模型
9.3.1 處理數(shù)據(jù)集
9.3.2 模型的搭建
9.3.3 模型的訓練
9.3.4 測試訓練結(jié)果
9.4 提升模型的準確率
小結(jié)
第10章 圖像分類——Kaggle貓狗大戰(zhàn)
10.1 準備工作
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 讀取和預處理數(shù)據(jù)集
10.3 構(gòu)建神經(jīng)網(wǎng)絡模型
1O.3.1 搭建簡單的模型進行訓練與評估
10.3.2 利用數(shù)據(jù)擴充解決過擬合問題
小結(jié)
第11章 多輸出神經(jīng)網(wǎng)絡實現(xiàn)CAPTCHA驗證碼識別
11.1 準備工作
11.2 數(shù)據(jù)集的處理
11.2.1 CAPTCHA驗證碼
11.2.2 構(gòu)建cAPTcHA驗證碼生成器
11.3 深度神經(jīng)網(wǎng)絡模型
11.3.1 搭建深度卷積神經(jīng)網(wǎng)絡模型
11.3.2 訓練模型
11.4 模型評估與預測
11.4.1 評估模型準確率
11.4.2 生成數(shù)據(jù)集預測
小結(jié)
第12章 Keras搭建模型預測泰坦尼克號游客信息
12.1 項目構(gòu)建
12.2 數(shù)據(jù)預處理
12.2.1 使用DataFrame分析數(shù)據(jù)和數(shù)據(jù)預處理
12.2.2 使用Numpy進行數(shù)據(jù)預處理
12.3 采用多層感知機模型進行預測
12.3.1 模型建立
12.3.2 開始訓練
12.3.3 模型評估
12.3.4 構(gòu)建自由數(shù)據(jù)進行預測
小結(jié)
第13章 自然語言處理-IMDb網(wǎng)絡電影數(shù)據(jù)集分析
13.1 IMDb數(shù)據(jù)庫
13.2 Keras自然語言處理
13.2.1 建立Token
13.2.2 轉(zhuǎn)換
13.2.3 截長補短
13.2.4 數(shù)字列表轉(zhuǎn)成向量列表
13.3 構(gòu)建項目
13.3.1 創(chuàng)建項目文件
13.3.2 下載IMDb數(shù)據(jù)集
13.4 IMDb數(shù)據(jù)集預處理
13.4.1 讀取數(shù)據(jù)
13.4.2 建立T0ken
13.4.