商品簡介
主要內容
● 用數學和程序設計思維快速掌握實用的深度學習概念
● 利用Keras框架設計、開發、訓練、驗證和部署深度神經網絡
● 呈現調試和驗證深度學習模型的最佳實踐
● 將深度學習作為服務部署並集成到大型軟件服務或產品中
● 將深度學習基本原理擴展到其他主流框架
作者簡介
喬·穆拉伊爾（Jojo Moolayil）是人工智能、深度學習、機器學習和決策科學領域的專家，曾撰寫Smarter Decisions：The Intersection of IoT and Decision Science （Packt，2016）一書。他與一些行業領導者在多個垂直領域共同研發了幾個影響重大的資料科學和機器學習項目。他目前是Amazon Web Services（laaS提供商）的人工智能領域高級研究員。
Jojo出生並成長在印度浦那，畢業於浦那大學信息技術工程專業。他的職業生涯始於世界上**的純遊戲分析提供商Mu Sigma公司，與許多《財富》50強客戶共過事。後來他就職於物聯網分析初創公司Flutura以及工業人工智能的先驅和領導者GE公司。
他目前居住在加拿大溫哥華市。除了撰寫有關深度學習、決策科學和物聯網的書籍外，Jojo還為Apress和Packt Publishing出版社就上述領域的各種書籍擔任技術編輯。他是一位元活躍的資料科學導師。
名人/編輯推薦
學習Keras深度神經網絡
《Keras深度神經網絡》重點使用Keras和Python，以數學和程序設計方式説明你學習、理解和實現深度神經網絡；並在實際業務案例的引導下，講述如何採用端到端的方法開發“回歸”和“分類”監督學習算法。
學習本書後，讀者將全面掌握深度學習的基本原理，並擁有基於Keras開發企業級深度學習解決方案的實踐經驗。
圖書結構：
第I部分：講述深度學習的基礎知識，探討深度學習與機器學習的區別，介紹可選的深度學習框架以及Keras生態系統。
第II部分：剖析可通過深度神經網絡和監督學習算法求解的實際業務問題；採用流行的Kaggle資料集，列舉一個“回歸”案例和一個“分類”案例。
第III部分：介紹有趣且富有挑戰性的“超參數調優”，説明讀者進一步改進模型來構建可靠的深度學習應用；還探討你需要進一步掌握的深度學習知識，並介紹一些熱點深度學習研發領域。
序
本書旨在為讀者提供關於深度學習的速成課程。讀者最好具有某種現代語言的基本程序設計技能。如果讀者具有Python程序設計經驗，則相當完美，但不是必需的。鑒於我們可以介紹的內容廣度和深度的局限性，本書旨在使初學者能夠深入瞭解深度學習知識，包括模型開發方面的實操經驗，這將有助於讀者在深度學習領域打下基礎。
如果讀者水準高於初學者級別，並熱衷於探索深度學習高級主題，例如計算機視覺、語音辨識等，則不建議使用本書。關於CNN、RNN和現代無監督學習算法方面的主題，超出了本書討論範圍。我們僅對這些內容進行簡要介紹，以使讀者初步瞭解這些較高級的主題，另外提供一些推薦資源，以便讀者更詳細地探索這些主題。
本書涵蓋內容
本書聚焦於以數學和程序設計友好的抽象方式向讀者提供探索實用深度學習概念的快速方法。讀者將學習使用業界最流行的Keras框架設計、開發、訓練、驗證和部署深度神經網絡。讀者還將掌握關於調試和驗證深度學習模型的最佳實踐經驗，瞭解如何將深度學習作為服務部署和集成到更大的軟件服務或產品中。最後，借助基於Keras構建深度學習模型所獲得的經驗，讀者還可以將相同的原理推廣到其他流行框架中。
本書讀者物件
本書主要面向那些為謀求事業發展而熱衷於探索深度學習的軟件工程師和資料工程師。我們瞭解讀者大多時間緊迫，也瞭解讀者為了快速消化新知識會感到痛楚。此外，本書還面向資料科學愛好者，以及將深度學習作為研究和實驗工具的學術和科研人員。
本書學習方式
本書遵循“惰性”程序設計方法。首先介紹基本情況，然後在每個步驟中逐步針對上下文展開。我們將清晰地討論每個基本模組的工作方式，然後分析可用於實現它們的抽象原理。本書組織結構
本書分為三部分，每部分包含兩章。
第1部分呈現快速瞭解深度學習需要的所有必要工具。第1章介紹深度學習的主題，詳細介紹了它與相似領域的區別，並通過較深入地分析Keras生態系統來探索深度學習框架的選擇。第2章將幫助讀者開始利用Keras開展動手練習，瞭解深度學習的基本模組並開發第一個基本的深度神經網絡。
第1I部分用簡單明瞭的語言介紹深度學習基礎知識，同時以最少的代碼抽象化模型訓練和驗證的複雜性，抽象化數學原理的複雜性，但又不失靈活性、規模和必要的精確性。第3章探討一個可通過深度神經網絡監督學習算法解決的業務問題。利用流行的Kaggle資料集，求解一個回歸應用場景問題和另一個分類應用場景問題。第4章深入研究深度神經網絡的驗證技巧（即如何度量性能以及查找缺陷和避免缺陷）。
第Ⅲ部分講述模型改進和未來的學習方向。第5章討論深度學習中一個有趣且具有挑戰性的部分（即超參數調優）。第6章討論進一步錘煉技能的學習方向，並討論深度學習中的一些研究領域。
通過本書的學習，讀者將在最短時間內全面瞭解深度學習原理，並獲得利用Keras開發企業級深度學習解決方案的實踐經驗。
原始程式碼下載可掃封底二維碼直接下載。
目次
目 錄
第1章 深度學習和Keras簡介 1
1.1 深度學習簡介 1
1.1.1 揭開流行術語的神秘面紗 1
1.1.2 深度學習可求解當今世界中的哪些經典問題 4
1.1.3 深度學習模型分解 4
1.2 探索流行的深度學習框架 6
1.2.1 低級深度學習框架 7
1.2.2 高級深度學習框架 9
1.3 初步瞭解Keras框架 10
1.3.1 準備數據 11
1.3.2 定義模型結構 12
1.3.3 訓練模型和預測 12
1.4 本章小結 12
第2章 上手Keras 13
2.1 設置環境 13
2.1.1 選擇Python版本 13
2.1.2 在Windows、Linux或macOS中安裝Python 14
2.1.3 安裝Keras和TensorFlow後端 14
2.2 Keras深度學習入門 16
2.2.1 輸入資料 17
2.2.2 神經元 18
2.2.3 啟動函數 19
2.2.4 sigmoid啟動函數 19
2.2.5 模型 21
2.2.6 層 22
2.2.7 損失函數 24
2.2.8 優化器 26
2.2.9 評價指標 29
2.2.10 配置模型 30
2.2.11 訓練模型 30
2.2.12 模型評估 33
2.3 組合所有基本模組 34
2.4 本章小結 39
第3章 基於深度神經網絡的監督學習：回歸 41
3.1 引言 41
3.2 問題表述 43
3.2.1 為什麼利用一種設計原則來表示問題表述很重要 43
3.2.2 設計SCQ 44
3.2.3 設計解決方案 45
3.3 探索資料 46
3.3.1 查看資料字典 48
3.3.2 查找資料類型 50
3.3.3 處理時間 51
3.3.4 預測銷售額 53
3.3.5 探索數值列 54
3.3.6 瞭解分類特徵 56
3.4 資料工程 60
3.5 定義模型的基準性能 64
3.6 設計深度神經網絡 65
3.6.1 測試模型性能 68
3.6.2 改進模型 68
3.6.3 增加神經元數量 71
3.6.4 繪製跨曆元的損失指標曲線 73
3.6.5 人工測試模型 74
3.7 本章小結 75
第4章 基於深度神經網絡的監督學習：分類 77
4.1 引言 77
4.2 問題表述 78
4.2.1 設計SCQ 78
4.2.2 設計解決方案 79
4.3 探索資料 80
4.4 資料工程 84
4.5 定義模型的準確率基準 89
4.6 設計分類深度神經網絡 90
4.7 重訪數據 94
4.7.1 標準化、歸一化和縮放數據 94
4.7.2 轉換輸入資料 95
4.8 基於改進資料的分類深度神經網絡 96
4.9 本章小結 101
第5章 深度神經網絡調優與部署 103
5.1 過擬合問題 103
5.2 什麼是正則化 104
5.2.1 L1正則化 105
5.2.2 L2正則化 106
5.2.3 丟棄正則化 106
5.3 超參數調優 107
5.3.1 深度學習中的超參數 108
5.3.2 超參數調優方法 111
5.4 模型部署 114
5.4.1 定制測試資料 114
5.4.2 將模型保存到內存 116
5.4.3 用新資料重新訓練模型 117
5.4.4 在線模型 117
5.4.5 以API形式交付模型 118
5.4.6 組件集成 118
5.5 本章小結 119
第6章 未來的學習方向 121
6.1 下一步需掌握的深度學習專業知識 121
6.1.1 CNN 122
6.1.2 RNN 125
6.1.3 CNN+RNN 127
6.2 為什麼深度學習需要GPU 128
6.3 深度學習的其他熱門領域 130
6.4 結束寄語 131
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。