本书系统讲解了深度学习的基本知识,以及使用深度学习解决实际问题,详细介绍了如何构建及优化模型,并针对不同的问题给出不同的解决方案,通过不同的例子展示了在具体项目中的应用和实践经验,是一本非常好的深度学习的入门和实践书籍。
本书以实践为导向,使用Keras作为编程框架,强调简单、快速地上手建立模型,解决实际项目问题。读者可以通过学习本书,迅速上手实践深度学习,并利用深度学习解决实际问题。
本书非常适合于项目经理,有意从事机器学习开发的程序员,以及高校在读相关专业的学生。
以实践为导向,使用 Keras作为编程框架,强调简单、快速地上手建立模型,解决实际项目问题。
魏贞原,IBM 高级项目经理,数据分析团队Leader,主要负责银行客户的复杂系统开发。
同 时 是 IBM CIC 量 子 计 算 COE 团 队 的Python 领域专家(Subject Matter Expert),
负责量子计算应用的探索工作,对机器学习和深度学习有深入的研究,精通于运用机器
学习来解决数据科学的问题。并运营“知之Python”公众号,定期分享 Python 在机器
学习和深度学习的实践知识。
深度学习是目前人工智能领域中炙手可热的一种机器学习技术。所谓人工智能是指通过机器模拟人类所特有的“看,听,说,想,学”等智能的科学技术。关于人工智能的研究起源于1956年,在美国的达特茅斯学院,著名的计算机科学家约翰•麦卡锡,及克劳德•艾尔伍德•香农等众多的科学家,齐聚一堂,各抒己见,共同探讨如何开发“智能机器”,在这次会议中提出了人工智能的概念,这也标志着人工智能的诞生。从人工智能的诞生,到深度学习的火热,人工智能也跌宕起伏经历了几个阶段,深度学习的发展一定会给产业和社会带来翻天覆地的变化。
人工智能的首次热潮是,1957年美国心理学家弗兰克•罗森布莱特在参照人脑的神经回路的基础上构建了最原始的信息处理系统,这一系统被称为神经网络。罗森布莱特将自己开发的神经网络系统命名为“感知器”。感知器实现了初级模型的识别功能,如区分三角形和四边形,并将其分类。然而,神经网络的研究很快遇到了瓶颈,美国AI科学家马文•李•明斯基运用数学理论证明了“感知器甚至不能理解异或运算”。这一发现使神经网络的研究热潮迅速冷却。
20世纪60~70年代,研究员投身于“符号处理型AI”的研究,又称“规则库AI”。“规则库AI”是直接模拟人类智能行为的一种研究。20世纪80年代前半期,全世界范围内投入了大量的资金用于“规则库AI”的研究,所开发的系统称为专家系统。然而,因为现实生活的时间充斥着大量的例外和各种细微的差距,最终几乎没有一个专家系统能够物尽其用。从20世纪80年代末期开始,AI研发进入一段很长时间的低迷期,被称为“AI的冬天”。
在AI黯然退场的这段时间里,一种全新理念的AI研究悄然萌芽,这就是将“统计与概率推理理论”引入AI系统。在这种全新的AI理念中,不得不提贝叶斯定理,这是用来描述两种概率之间转换关系的一则定理。1990年之后,全球的Internet有了发展,大量的数据被收集,这让概率式AI的发展如虎添翼。另外,概率式AI也存在问题和局限性,首先,概率式AI不能真正地理解事物。其次,概率式AI的性能有限。
为了解决概率式AI的问题与局限,新一代的AI技术走入了人们的视野,这就是“深度神经网络”,又叫作“深度学习”,原本衰退的神经网络技术浴火重生。早期的神经网络的感知器只有两层,即信息的输入层和输出层。而现在的神经网络则是多层结构,在输入层和输出层之间还存在多层重叠的隐藏层。
目前,深度学习被广泛地应用在图像识别、自然语言处理、自动驾驶等领域,并取得了很高的成就。同时,随着物联网技术的发展,大量的数据被收集,为深度学习提供了丰富的数据,对深度学习模型的建立提供了数据基础。有了充分的数据做基础,利用深度学习技术就能演绎出更聪明的算法。在这一次AI技术的浪潮中,大量的数据为深度学习提供了材料,使深度学习得以迅速发展。对深度学习的掌握也是每一个AI开发者必需的技能。希望本书能为读者开启通往深度学习的大门。
各位大佬有没有各个依赖库的版本信息,附件里只写各个包的名字没有版本,2021年跑起来就发现一堆有一堆的版本性报错
数据集下载之后要放到那个文件夹当中 希望大佬解释一下
导入数据的时候 为什么可以直接用数据集的名字来调用
我买的书缺了页,,各位有没有电子版
本书第三章的Pima indians 数据集 各位大神能分享下吗?
2018年5月第一次印刷 波士顿房价预测
Baseline: 22.77(11.57) MSE
实际在运行您提供的代码和我照着您写的代码,算出的均方误差都是负值。环境: python3.6 keras2.2.2 tensorflow1.10.0