Python深度學習:邏輯、算法與編程實戰

"IT有得聊」是機械工業出版社旗下IT專業資訊和服務平臺，致力於幫助讀者在廣義的IT領域裡，掌握更專業、實用的知識與技能，快速提升職場競爭力。 點擊藍色微信名可快速關注我們！

今天為您推薦一本精品圖書--Python深度學習：邏輯、算法與編程實戰（ISBN:978-7-111-65861-0）。本書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慧相關專業的教材，還可作為廣大人工智慧愛好者的拓展學習手冊。國家「萬人計劃」領軍人才、西安電子科技大學計算智能研究所所長公茂果，浙江宇視科技有限公司研發副總裁/研究院副院長、人工智慧專家周迪聯合推薦。

機器學習是人工智慧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，讀者能了解、掌握深度學習的整個流程和典型應用。

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操作資料庫及Web框架

2.1  操作資料庫

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  人工智慧、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人臉資料庫

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  花朵資料庫

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實現詞性標註

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

7.3  Gensim查找相似詞

7.3.1  Gensim的使用

7.3.2  實例—Gensim查找相似詞

7.4  TextBlob

7.4.1  詞性標註

7.4.2  情感分析

7.4.3  分句提取

7.4.4  中文情感分析

7.5  CountVectorizer與TfidfVectorize

7.5.1  CountVectorizer文本特徵提取

7.5.2  TfidfVectorizer文本特徵提取

7.5.3  實例—新聞分類

7.6  語法分析和語義分析

7.6.1  SpaCy介紹及安裝

7.6.2  SpaCy流水線和屬性

7.6.3  Bosonnlp介紹及安裝

7.6.4  Bosonnlp語義分析

7.7  實例—小說文學數據挖掘

7.8  本章小結

第8章  情感分析

8.1  情感分析簡介

8.1.1  詞集、詞袋、TF-IDF和詞彙表

8.1.2  深度學習的情感分析

8.2  情感分析過程

8.2.1  獲取情感數據

8.2.2  將單詞轉換為特徵向量

8.2.3  TF-IDF計算單詞關聯度

8.2.4  構建模型

8.2.5  情感分析

8.3  典型情感資料庫

8.3.1  Bosonnlp情感平臺

8.3.2  CASIA漢語情感語料庫

8.3.3  Pickle讀取存儲的情感詞典數據

8.4  基於LSTM的情感分析

8.5  基於SnowNLP的新聞評論數據分析

8.6  Dlib實現人臉顏值預測

8.7  實例—表情識別

8.8  本章小結

第9章  機器翻譯

9.1  機器翻譯簡介

9.2  Encoder-Decoder模型

9.3  TensorFlow機器翻譯

9.4  看圖說話5

9.4.1  實例—Google的im2txt模型實現看圖說話

9.4.2  實例—Show-Attend-And-Tell實現看圖說話

9.5  PaddlePaddle機器翻譯

9.6  本章小結

第10章  目標檢測

10.1  目標檢測的過程

10.2  典型的目標檢測算法

10.3  Faster R-CNN模型目標檢測

10.3.1  Faster R-CNN模型簡介

10.3.2  實例—Faster R-CNN實現目標檢測

10.4  YOLO模型目標檢測

10.4.1  YOLO模型簡介

10.4.2  實例—靜態目標檢測和動態目標檢測

10.5  SSD模型目標檢測

10.5.1  SSD模型簡介

10.5.2  實例—SSD實現目標檢測

10.6  本章小結

第11章  語音處理

11.1  語音處理概述

11.2  語音識別過程

11.2.1  聲學模型

11.2.2  語言模型

11.2.3  語音數據集

11.3  語音識別實例

11.4  樹莓派語音應用

11.4.1  文字轉語音

11.4.2  語音轉文字

11.4.3  實例—天氣預報

11.4.4  智能對話圖靈機

11.4.5  實例—聊天機器人

11.5  本章小結

本書是關於深度學習的理論、算法、應用的實戰教程，通過各種典型實例，展示了深度學習的整個流程和精髓。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慧相關專業的教材，還可作為廣大人工智慧愛好者的拓展學習手冊。

掃描下方二維碼可跳轉至圖書詳細界面

京東連結

噹噹連結

掃碼關注↓