自然科学总论 类型
可以朗读 语音朗读
346千字 字数
2020-04-01 发行日期
展开全部

主编推荐语

21天实战，21个典型的人工智能应用场景。

内容简介

本书基于TensorFlow、Keras和scikit-learn，介绍了21个典型的人工智能应用场景。

全书共3篇，分别是预测类项目实战篇、识别类项目实战篇和生成类项目实战篇。其中预测类项目包括房价预测、泰坦尼克号生还预测、共享单车使用情况预测、福彩3D中奖预测、股票走势预测等8个项目；识别类项目包括数字识别、人脸识别、表情识别、人体姿态识别等7个项目；生成类项目包括看图写话、生成电视剧剧本、风格迁移、生成人脸等6个项目。

本书代码丰富，注释详尽，适合有一定Python基础的读者，包括计算机相关专业的学生、程序员和人工智能神经网络的技术爱好者。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第一篇 预测类项目实战
  • 第1章 房价预测
  • 1.1 数据准备
  • 1.1.1 环境准备
  • 1.1.2 预处理数据
  • 1.1.3 数据可视化分析
  • 1.2 基于scikit-learn实现房价预测
  • 1.2.1 衡量R2值
  • 1.2.2 模型性能对比
  • 1.2.3 网格搜索模型
  • 1.2.4 波士顿房价预测
  • 1.2.5 北京房价预测
  • 1.3 基于Keras实现房价预测
  • 1.3.1 数据准备
  • 1.3.2 创建神经网络模型
  • 1.3.3 训练网络模型
  • 1.3.4 可视化模型的结果
  • 1.3.5 评估和预测模型
  • 1.3.6 预测可视化显示
  • 1.4 小结
  • 第2章 泰坦尼克号生还预测
  • 2.1 数据准备
  • 2.1.1 环境准备
  • 2.1.2 预处理数据
  • 2.1.3 缺失值处理
  • 2.1.4 数据清洗与分割
  • 2.2 基于决策树模型预测
  • 2.2.1 训练
  • 2.2.2 预测
  • 2.3 基于逻辑回归模型预测
  • 2.3.1 训练
  • 2.3.2 预测
  • 2.4 基于梯度提升分类器模型预测
  • 2.4.1 训练
  • 2.4.2 预测
  • 2.5 基于神经网络模型预测
  • 2.5.1 训练
  • 2.5.2 预测
  • 2.5.3 绘制曲线图
  • 2.6 基于Keras的神经网络模型预测
  • 2.6.1 训练
  • 2.6.2 预测
  • 2.7 小结
  • 第3章 共享单车使用情况预测
  • 3.1 数据准备
  • 3.1.1 环境准备
  • 3.1.2 数据可视化
  • 3.1.3 预处理数据
  • 3.1.4 数据清洗与分割
  • 3.2 基于TensorFlow的长短期记忆网络模型预测
  • 3.2.1 处理序列
  • 3.2.2 参数准备
  • 3.2.3 创建LSTM模型
  • 3.2.4 训练模型
  • 3.2.5 模型预览与测试
  • 3.2.6 对比预测值模型预览
  • 3.3 小结
  • 第4章 福彩3D中奖预测
  • 4.1 数据准备
  • 4.1.1 环境准备
  • 4.1.2 数据准备
  • 4.1.3 数据预处理
  • 4.1.4 数据可视化
  • 4.2 基于神经网络模型预测
  • 4.2.1 决策树
  • 4.2.2 多层感知器
  • 4.2.3 时间序列基础
  • 4.2.4 时间序列预测
  • 4.2.5 根据中奖号码单变量单个位数预测
  • 4.3 小结
  • 第5章 股票走势预测
  • 5.1 数据准备
  • 5.1.1 环境准备
  • 5.1.2 数据集说明
  • 5.2 百度股票预测
  • 5.2.1 数据准备
  • 5.2.2 数据可视化
  • 5.2.3 计算购买的股票收益
  • 5.2.4 训练和评估模型
  • 5.2.5 股票预测
  • 5.2.6 股票买入策略
  • 5.3 微软股票预测
  • 5.3.1 数据准备
  • 5.3.2 数据可视化
  • 5.3.3 计算购买的股票收益
  • 5.3.4 训练和评估模型
  • 5.3.5 股票预测
  • 5.3.6 股票买入策略
  • 5.4 小结
  • 第6章 垃圾邮件预测
  • 6.1 数据准备
  • 6.1.1 环境准备
  • 6.1.2 数据准备
  • 6.1.3 数据预处理
  • 6.2 基于多项式朴素贝叶斯分类器的邮件分类
  • 6.2.1 数据处理
  • 6.2.2 创建和训练模型
  • 6.2.3 测试模型
  • 6.3 基于TensorFlow的神经网络模型的邮件分类
  • 6.3.1 构建N-Gram向量化数据
  • 6.3.2 创建模型
  • 6.3.3 训练模型
  • 6.3.4 可视化训练结果
  • 6.4 小结
  • 第7章 影评的情感分析
  • 7.1 数据准备
  • 7.1.1 环境准备
  • 7.1.2 预处理数据
  • 7.1.3 数据集编码
  • 7.1.4 数据集分割
  • 7.2 基于TensorFlow的长短期记忆网络实现影评的情感分析
  • 7.2.1 参数准备
  • 7.2.2 创建LSTM模型
  • 7.2.3 训练模型
  • 7.2.4 模型测试
  • 7.3 基于Keras的长短期记忆网络实现影评的情感分析
  • 7.3.1 数据预处理
  • 7.3.2 创建模型
  • 7.3.3 预览模型架构
  • 7.3.4 训练模型
  • 7.3.5 模型评估
  • 7.4 小结
  • 第8章 语言翻译
  • 8.1 数据准备
  • 8.1.1 环境准备
  • 8.1.2 数据准备
  • 8.1.3 数据预处理
  • 8.2 基于Keras的长短期记忆网络实现语言翻译
  • 8.2.1 Tokenize文本数据
  • 8.2.2 数据编码和填充
  • 8.2.3 创建模型
  • 8.2.4 训练模型
  • 8.2.5 测试模型
  • 8.3 小结
  • 第二篇 识别类项目实战
  • 第9章 MNIST手写数字识别
  • 9.1 MNIST数据集
  • 9.1.1 简介
  • 9.1.2 数据下载
  • 9.1.3 可视化数据
  • 9.2 基于多层感知器的TensorFlow实现MNIST识别
  • 9.2.1 参数准备
  • 9.2.2 创建模型
  • 9.2.3 训练模型
  • 9.2.4 模型预测
  • 9.3 基于多层感知器的Keras实现MNIST识别
  • 9.3.1 数据准备
  • 9.3.2 创建模型
  • 9.3.3 训练模型
  • 9.3.4 模型预测
  • 9.3.5 单个图像预测
  • 9.4 基于卷积神经网络的TensorFlow实现MNIST识别
  • 9.4.1 参数准备
  • 9.4.2 创建模型
  • 9.4.3 训练模型
  • 9.4.4 模型预测
  • 9.5 基于卷积神经网络的Keras实现MNIST识别
  • 9.5.1 数据准备
  • 9.5.2 创建模型
  • 9.5.3 训练模型
  • 9.5.4 模型预测
  • 9.5.5 单个图像预测
  • 9.6 小结
  • 第10章 狗的品种识别
  • 10.1 数据准备
  • 10.1.1 环境准备
  • 10.1.2 数据可视化
  • 10.1.3 预处理数据
  • 10.2 基于Keras的卷积神经网络模型预测
  • 10.2.1 创建模型
  • 10.2.2 训练模型
  • 10.2.3 模型评估
  • 10.3 基于Keras的InceptionV3预训练模型实现预测
  • 10.3.1 模型函数声明
  • 10.3.2 预测单张图片
  • 10.4 基于TFHUB的Keras的迁移学习实现预测
  • 10.4.1 数据集下载和准备
  • 10.4.2 预训练模型下载
  • 10.4.3 创建模型
  • 10.4.4 训练模型
  • 10.4.5 测试模型
  • 10.4.6 模型预测单张图片
  • 10.5 小结
  • 第11章 人脸识别
  • 11.1 数据准备
  • 11.1.1 环境准备
  • 11.1.2 数据下载和分析
  • 11.1.3 人脸图片数据预览
  • 11.2 基于FaceNet的人脸对齐和验证
  • 11.2.1 下载和对齐图片
  • 11.2.2 在LFW上验证
  • 11.3 训练自己的人脸识别模型
  • 11.3.1 图片数据准备和对齐
  • 11.3.2 训练模型
  • 11.3.3 验证模型
  • 11.3.4 再训练模型
  • 11.3.5 再评估模型
  • 11.3.6 将模型CheckPoints文件转换成pb文件
  • 11.4 基于FaceRecognition的人脸识别
  • 11.4.1 配置环境
  • 11.4.2 人脸检测
  • 11.4.3 实时人脸识别
  • 11.5 小结
  • 第12章 人脸面部表情识别
  • 12.1 基于Keras的卷积神经网络实现人脸面部表情识别
  • 12.1.1 环境准备
  • 12.1.2 数据准备
  • 12.1.3 数据集分割
  • 12.1.4 数据集预处理
  • 12.1.5 构建CNN模型
  • 12.1.6 图片增强与训练模型
  • 12.1.7 评估模型
  • 12.1.8 保存与读取模型
  • 12.1.9 单张图片测试模型
  • 12.2 视频中的人脸面部表情识别
  • 12.2.1 读取模型
  • 12.2.2 模型参数定义
  • 12.2.3 视频的帧处理函数定义
  • 12.2.4 识别与转换视频
  • 12.3 实时人脸面部表情识别
  • 12.3.1 模型参数定义
  • 12.3.2 启动摄像头和识别处理
  • 12.4 小结
  • 第13章 人体姿态识别
  • 13.1 基于TensorFlow实现人体姿态识别
  • 13.1.1 环境准备
  • 13.1.2 下载与安装
  • 13.1.3 单张图片识别
  • 13.1.4 视频中的人体姿态识别
  • 13.1.5 实时摄像识别
  • 13.2 基于Keras实现人体姿态识别
  • 13.2.1 环境准备
  • 13.2.2 下载仓库
  • 13.2.3 单张图片识别
  • 13.2.4 视频中的人体姿态识别
  • 13.2.5 实时摄像识别
  • 13.3 小结
  • 第14章 皮肤癌分类
  • 14.1 数据准备
  • 14.1.1 环境准备
  • 14.1.2 数据下载
  • 14.1.3 数据可视化
  • 14.2 基于Keras的卷积神经网络实现分类
  • 14.2.1 数据预处理
  • 14.2.2 创建CNN模型
  • 14.2.3 编译模型
  • 14.2.4 训练模型
  • 14.2.5 评估模型和图像测试
  • 14.3 基于TensorFlow的迁移学习实现分类
  • 14.3.1 数据准备
  • 14.3.2 训练模型
  • 14.3.3 验证模型
  • 14.3.4 Tensorboard可视化
  • 14.4 小结
  • 第15章 对象检测
  • 15.1 对象检测的应用领域
  • 15.1.1 无人机应用领域
  • 15.1.2 自动驾驶汽车应用领域
  • 15.1.3 无人超市应用领域
  • 15.2 原理分析
  • 15.2.1 R-CNN的介绍与分析
  • 15.2.2 Faster R-CNN的介绍与分析
  • 15.2.3 Mask R-CNN的介绍与分析
  • 15.3 基于Mask R-CNN Inception COCO的图片对象检测
  • 15.3.1 环境准备
  • 15.3.2 导入Packages
  • 15.3.3 下载Mask R-CNN Inception2018预训练模型
  • 15.3.4 加载模型到内存中
  • 15.3.5 加载类别映射
  • 15.3.6 定义函数将图片转为NumPy数组
  • 15.3.7 定义图片对象检测函数
  • 15.3.8 检测图片中的对象
  • 15.3.9 效果预览
  • 15.4 基于Faster R-CNN Inception COCO的视频实时对象检测
  • 15.4.1 环境准备
  • 15.4.2 导入Packages
  • 15.4.3 下载Faster R-CNN Inception2018预训练模型
  • 15.4.4 加载模型到内存中
  • 15.4.5 加载类别映射
  • 15.4.6 定义视频中的图像对象检测函数
  • 15.4.7 定义视频中的图像处理函数
  • 15.4.8 视频中的图像对象检测
  • 15.4.9 效果预览
  • 15.5 基于SSD MobileNet COCO的实时对象检测
  • 15.5.1 环境准备
  • 15.5.2 导入Packages
  • 15.5.3 下载SSD MobileNet2018预训练模型
  • 15.5.4 加载模型
  • 15.5.5 加载类别映射
  • 15.5.6 开启实时对象检测
  • 15.5.7 效果预览
  • 15.6 小结
  • 第三篇 生成类项目实战
  • 第16章 看图写话
  • 16.1 数据准备
  • 16.1.1 环境准备
  • 16.1.2 数据下载
  • 16.1.3 数据预处理
  • 16.2 基于TensorFlow的Show and Tell实现看图写话
  • 16.2.1 介绍
  • 16.2.2 数据统计
  • 16.2.3 构建TFRecords格式数据
  • 16.2.4 训练模型
  • 16.2.5 评估模型
  • 16.2.6 测试模型
  • 16.3 小结
  • 第17章 生成电视剧剧本
  • 17.1 数据准备
  • 17.1.1 环境准备
  • 17.1.2 数据预处理
  • 17.1.3 数据可视化分析
  • 17.2 基于TensorFlow的循环神经网络实现电视剧剧本生成
  • 17.2.1 创建检查表
  • 17.2.2 数据token化预处理
  • 17.2.3 创建Tensor占位符和学习率
  • 17.2.4 初始化RNN Cell
  • 17.2.5 创建Embedding
  • 17.2.6 创建神经网络
  • 17.2.7 创建超参数和优化器
  • 17.2.8 训练神经网络模型
  • 17.2.9 生成电视剧剧本
  • 17.3 基于textgenrnn来实现电视剧剧本生成
  • 17.3.1 介绍
  • 17.3.2 训练模型
  • 17.3.3 生成剧本文本
  • 17.4 小结
  • 第18章 风格迁移
  • 18.1 基于TensorFlow实现神经风格迁移
  • 18.1.1 环境准备
  • 18.1.2 图像预览
  • 18.1.3 处理图像
  • 18.1.4 模型获取
  • 18.1.5 损失函数计算
  • 18.1.6 训练模型与图像生成
  • 18.2 基于Keras实现神经风格迁移
  • 18.2.1 图像预览
  • 18.2.2 图像处理
  • 18.2.3 获取模型
  • 18.2.4 损失函数计算
  • 18.2.5 迭代与生成风格图像
  • 18.3 小结
  • 第19章 生成人脸
  • 19.1 基于TensorFlow的GAN实现MNIST数字图像生成
  • 19.1.1 环境准备
  • 19.1.2 MNIST数字图像数据准备
  • 19.1.3 随机查看25张图片
  • 19.1.4 构建模型输入
  • 19.1.5 构建鉴别器
  • 19.1.6 构建生成器
  • 19.1.7 计算模型损失
  • 19.1.8 构建优化器
  • 19.1.9 构建训练模型时的图像输出
  • 19.1.10 构建训练模型函数
  • 19.1.11 训练MNIST数据集的GAN模型
  • 19.2 基于TensorFlow的GAN实现LFW人脸图像生成
  • 19.2.1 人脸图像数据准备
  • 19.2.2 训练LFW数据集的GAN模型
  • 19.3 小结
  • 第20章 图像超分辨率
  • 20.1 效果预览与数据准备
  • 20.1.1 效果预览
  • 20.1.2 环境准备
  • 20.1.3 数据准备
  • 20.2 基于TensorFlow的DCGAN实现超分辨率
  • 20.2.1 下载srez代码库
  • 20.2.2 训练模型根据模糊图像生成清晰图像
  • 20.2.3 输出效果预览
  • 20.2.4 生成效果图视频
  • 20.2.5 图片放大高清化
  • 20.3 srez库的代码分析
  • 20.3.1 主入口函数代码分析
  • 20.3.2 创建模型代码分析
  • 20.3.3 训练模型代码分析
  • 20.4 小结
  • 第21章 移花接木
  • 21.1 基本信息
  • 21.1.1 3种模型效果预览
  • 21.1.2 环境准备
  • 21.1.3 图片数据集准备
  • 21.1.4 CycleGAN网络模型架构
  • 21.2 基于CycleGAN根据苹果生成橘子
  • 21.2.1 下载代码库
  • 21.2.2 图片数据处理
  • 21.2.3 训练模型
  • 21.2.4 导出模型
  • 21.2.5 测试图片
  • 21.3 基于CycleGAN根据马生成斑马
  • 21.3.1 图片数据处理
  • 21.3.2 训练模型
  • 21.3.3 导出模型
  • 21.3.4 测试图片
  • 21.4 男性和女性的人脸面貌互换
  • 21.4.1 环境准备
  • 21.4.2 计算和生成模型
  • 21.4.3 代码分析
  • 21.5 小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。