Python深度學(xué)習(xí)從零開始學(xué)

第1章 人工智能、機器學(xué)習(xí)與深度學(xué)習(xí)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(guān)專業(yè)人才的就業(yè)前景
1.4 機器學(xué)習(xí)和深度學(xué)習(xí)
1.4.1 什么是機器學(xué)習(xí)
1.4.2 深度學(xué)習(xí)獨領(lǐng)風(fēng)騷
1.4.3 機器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系和對比
1.5 小白如何學(xué)深度學(xué)習(xí)
1.5.1 關(guān)于兩個“放棄”
1.5.2 關(guān)于三個“必須”
第2章 深度學(xué)習(xí)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(xué)習(xí)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(rèn)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(xué)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(shù)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(xué)習(xí)基礎(chǔ)
4.1 神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)率
4.1.5 過擬合和Dropout
4.1.6 神經(jīng)網(wǎng)絡(luò)反向傳播法
4.1.7 TensorFlow游樂場帶你玩轉(zhuǎn)神經(jīng)網(wǎng)絡(luò)
4.2 卷積神經(jīng)網(wǎng)絡(luò)
4.2.1 什么是卷積神經(jīng)網(wǎng)絡(luò)
4.2.2 卷積神經(jīng)網(wǎng)絡(luò)詳解
4.2.3 卷積神經(jīng)網(wǎng)絡(luò)是如何訓(xùn)練的
4.3 卷積神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)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(luò)識別手寫數(shù)字
5.5 可視化工具TensorBoard的使用
第6章 深度學(xué)習(xí)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(luò)基本流程
6.4 Keras創(chuàng)建神經(jīng)網(wǎng)絡(luò)進(jìn)行泰坦尼克號生還預(yù)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(yù)處理
6.4.3 建立模型
6.4.4 編譯模型并進(jìn)行訓(xùn)練
6.4.5 模型評估
6.4.6 預(yù)測和模型的保存
6.5 Keras創(chuàng)建神經(jīng)網(wǎng)絡(luò)預(yù)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(yù)處理
6.5.3 建立模型
6.5.4 編譯模型并進(jìn)行訓(xùn)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(luò)輔以Dropout正則化
第7章 數(shù)據(jù)預(yù)處理和模型評估指標(biāo)
7.1 數(shù)據(jù)預(yù)處理的重要性和原則
7.2 數(shù)據(jù)預(yù)處理方法介紹
7.2.1 數(shù)據(jù)預(yù)處理案例——標(biāo)準(zhǔn)化、歸一化、二值化
7.2.2 數(shù)據(jù)預(yù)處理案例——缺失值補全、標(biāo)簽化
7.2.3 數(shù)據(jù)預(yù)處理案例——獨熱編碼
7.2.4 通過數(shù)據(jù)預(yù)處理提高模型準(zhǔn)確率
7.3 常用的模型評估指標(biāo)
第8章 圖像分類識別
8.1 圖像識別的基礎(chǔ)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(luò)為什么能稱霸計算機圖像識別領(lǐng)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(yù)處理
8.2.3 建立模型
8.2.4 進(jìn)行訓(xùn)練
8.2.5 模型保存和評估
8.2.6 進(jìn)行預(yù)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(yù)處理
8.3.3 建立模型
8.3.4 進(jìn)行訓(xùn)練
8.3.5 模型評估
8.3.6 進(jìn)行預(yù)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(yù)處理
8.4.4 進(jìn)行訓(xùn)練
8.4.5 模型保存和評估
8.4.6 進(jìn)行預(yù)測
8.4.7 模型的改進(jìn)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(xùn)練和評估
9.2.4 預(yù)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