Python深度學習：邏輯、算法與編程實戰（簡體書）

機器學習是人工智能領域一個極其重要的研究方向，而深度學習則是機器學習中一個非常接近AI的分支，其思路在於建立進行分析學習的神經網絡，模仿人腦感知與組織的方式，根據輸入數據做出決策。深度學習在快速的發展過程中，不斷有與其相關的產品推向市場，顯然，深度學習的應用將會日趨廣泛。
《Python深度學習：邏輯、算法與編程實戰》是關於深度學習的理論、算法、應用的實戰教程，內容涵蓋深度學習的語言、學習環境、典型結構、數據爬取和清洗、圖像識別分類、自然語言處理、情感分析、機器翻譯、目標檢測和語音處理等知識，通過各種實例，讀者能瞭解、掌握深度學習的整個流程和典型應用。
《Python深度學習：邏輯、算法與編程實戰》可作為深度學習相關從業人員的參考指南，也可作為大中專院校人工智能相關專業的教材，還可作為廣大人工智能愛好者的拓展學習手冊。

涵蓋數據爬取和清洗、圖像識別分類、自然語言處理、情感分析、機器翻譯、目標檢測和語音處理等主流應用領域

前言

第1章 Python語言基礎
1.1 Python簡介
1.2 Python開發環境
1.2.1 PyCharm的下載和安裝
1.2.2 PyCharm的使用
1.2.3 樹莓派Python IDLE的使用
1.3 Python基本語法
1.3.1 保留字和標識符
1.3.2 變量和數據類型
1.3.3 基本控制結構
1.3.4 運算符
1.3.5 函數
1.3.6 with語句
1.3.7 字符串操作
1.3.8 異常處理
1.4 Python序列
1.4.1 列表
1.4.2 元組
1.4.3 字典
1.4.4 集合
1.4.5 列表、元組、字典和集合的區別
1.5 Python操作文件
1.5.1 操作文本文件
1.5.2 操作目錄
1.5.3 操作Excel文件
1.5.4 操作CSV文件
1.6 Python模塊
1.6.1 模塊分類
1.6.2 自定義模塊
1.6.3 第三方模塊的安裝
1.7 Python類
1.7.1 面向對象概述
1.7.2 類和對象
1.7.3 面向對象程序設計方法
1.7.4 類的定義和使用
1.7.5 多線程
1.8 本章小結

第2章 Python操作數據庫及Web框架
2.1 操作數據庫
2.1.1 操作SQLite
2.1.2 操作MySQL
2.2 Web框架
2.2.1 主流Web框架
2.2.2 Django框架
2.2.3 Flask框架
2.3 本章小結

第3章 Python深度學習環境
3.1 Anaconda介紹
3.2 Anaconda環境搭建
3.3 Anaconda使用方法
3.3.1 管理工具Navigator
3.3.2 Anaconda的Python開發環境Spyder
3.4 深度學習的一些常備庫
3.4.1 NumPy―基礎科學計算庫
3.4.2 SciPy―科學計算工具集
3.4.3 Pandas―數據分析的利器
3.4.4 Matplotlib―畫出優美的圖形
3.4.5 Tqdm―Python 進度條庫
3.5 機器學習通用庫Sklearn
3.5.1 Sklearn的安裝
3.5.2 Sklearn的數據集
3.5.3 Sklearn的機器學習方式
3.6 機器學習深度庫TensorFlow
3.6.1 TensorFlow的安裝
3.6.2 TensorFlow的深度學習方式
3.6.3 TensorLayer
3.6.4 可視化工具TensorBoard
3.7 機器學習深度庫Keras
3.7.1 Keras的安裝
3.7.2 Keras的深度學習方式
3.8 自然語言處理
3.8.1 NLTK
3.8.2 SpaCy
3.8.3 Gensim
3.9 視覺OpenCV
3.9.1 OpenCV的安裝
3.9.2 OpenCV的使用
3.10 其他深度學習框架
3.10.1 PyTorch
3.10.2 TFLearn
3.10.3 Chainer
3.10.4 Theano
3.11 本章小結

第4章 深度學習典型結構
4.1 人工智能、機器學習、神經網絡和深度學習的關係
4.2 深度學習的發展歷程
4.3 深度學習的應用
4.3.1 計算機視覺
4.3.2 語音識別
4.3.3 自然語言處理
4.3.4 人機博弈
4.4 神經網絡
4.4.1 神經網絡的結構
4.4.2 神經網絡的算法
4.4.3 神經網絡的訓練
4.4.4 神經網絡的參數
4.4.5 深度學習與深層神經網絡
4.5 卷積神經網絡（CNN）
4.5.1 卷積神經網絡結構
4.5.2 經典卷積網絡模型
4.5.3 卷積神經網絡應用
4.6 循環神經網絡（RNN）
4.6.1 循環神經網絡結構
4.6.2 長短期記憶網絡（LSTM）
4.6.3 循環神經網絡改進
4.6.4 循環神經網絡應用
4.7 遞歸神經網絡（RNN）
4.7.1 遞歸神經網絡結構
4.7.2 遞歸神經網絡應用
4.8 生成對抗網絡（GAN）
4.8.1 生成對抗網絡原理
4.8.2 生成對抗網絡架構
4.8.3 生成對抗網絡應用
4.8.4 生成對抗網絡變種
4.9 本章小結

第5章 深度學習數據準備―數據爬取和清洗
5.1 爬蟲框架
5.1.1 Crawley爬蟲框架
5.1.2 Scrapy爬蟲框架
5.1.3 PySpider爬蟲框架
5.1.4 Beautiful Soup爬蟲框架
5.2 數據爬取
5.2.1 Urllib3爬取
5.2.2 Requests爬取
5.2.3 Scrapy框架爬取
5.2.4 實例―爬取招聘網站職位信息
5.2.5 實例―爬取網站指定的圖片集合
5.2.6 實例―爬取二手車市場數據
5.3 數據清洗
5.3.1 數據清洗庫Pandas
5.3.2 缺失值處理
5.3.3 去重處理
5.3.4 異常值處理
5.3.5 實例―清洗CSV文件
5.3.6 噪聲數據處理
5.3.7 實例―天氣數據分析與處理
5.4 數據顯示
5.4.1 Pandas統計分析
5.4.2 Matplotlib繪圖
5.4.3 Bokeh繪圖
5.4.4 Pyecharts繪圖
5.5 實例―爬取並保存圖片
5.6 本章小結

第6章 圖像識別分類
6.1 圖像識別分類簡介
6.2 經典圖片數據集
6.2.1 MNIST數據集
6.2.2 CIFAR-10數據集
6.2.3 ImageNet數據集
6.2.4 LFW人臉數據庫
6.2.5 Flowers-17數據集
6.2.6 Pascal VOC數據集
6.2.7 MS COCO 數據集
6.3 OpenCV識別
6.3.1 實例―人眼識別
6.3.2 實例―兩張相似圖片識別
6.3.3 實例―性別識別
6.4 VGGNet花朵識別
6.4.1 VGGNet介紹
6.4.2 花朵數據庫
6.4.3 實例―花朵識別
6.5 車牌識別
6.5.1 利用OpenCV實現車牌識別
6.5.2 實例―EasyPR車牌識別
6.6 Inception圖像分類處理
6.6.1 Inception模型簡介
6.6.2 實例―花朵和動物識別
6.6.3 實例―自定義圖像分類
6.7 本章小結

第7章 自然語言處理
7.1 自然語言處理的典型工具
7.1.1 NLTK
7.1.2 TextBlob
7.1.3 Gensim
7.1.4 Polyglot
7.2 Jieba實現關鍵詞抽取
7.2.1 Jieba實現詞性標注
7.2.2 基於TF-IDF算法的關鍵詞抽取
7.2.3 基於TextRank算法的關鍵詞抽取