1.本書介紹神經網絡和深度學習的基本概念的同時還講解了基於Python實現神經網絡時用到的函數庫。2.本書包含神經網絡在不同領域中實際應用的案例，包括費用預估、圖像分類、語義分析等。對於每個案例，本書提供了完整的問題描述以及解決該問題所需要的神經網絡架構。不僅如此，本書還介紹了選擇特定算法的原因以及一步步實現該解決方案的Python代碼。3.在學習本書的過程中，讀者將獲得基於流行Python函數庫（例如Keras）來實現並訓練神經網絡的實際使用經驗。4.在讀完本書後，讀者不僅可以掌握多種不等

●第1章 機器學習和神經網絡導論 1
1.1 什麼是機器學習 2
1.1.1 機器學習算法 2
1.1.2 機器學習工作流 5
1.2 在你的計算機上配置機器學習環境 7
1.3 神經網絡 8
1.3.1 為什麼要使用神經網絡 9
1.3.2 神經網絡基礎結構 10
1.3.3 使用Python從頭開始訓練一個神經網絡 10
1.3.4 綜合應用 15
1.3.5 深度學習和神經網絡 16
1.4 pandas—強大的Python數據分析工具 17
1.4.1 pandas DataFrame 17
1.4.2 pandas中的數據可視化 20
1.4.3 使用pandas進行數據預處理 23
1.4.4 在神經網絡項目中使用pandas 26
1.5 TensorFlow和Keras——開源深度學習庫 26
1.5.1 Keras中的基礎 27
1.5.2 用Keras創建神經網絡 29
1.6 其他Python函數庫 31
1.7 小結 32
第2章 基於多層感知器預測糖尿病 33
2.1 技術需求 33
2.2 糖尿病——理解問題 35
2.3 醫療中的人工智能 36
2.4 糖尿病數據集 37
2.5 探索性數據分析 38
2.6 數據預處理 43
2.6.1 處理缺失數據 43
2.6.2 數據標準化 46
2.6.3 將數據集分割為訓練數據集、測試數據集和驗證數據集 47
2.7 MLP 49
2.8 使用Keras構建模型 51
2.8.1 建模 51
2.8.2 模型編譯 53
2.8.3 模型訓練 53
2.9 結果分析 54
2.9.1 測試模型準確率 54
2.9.2 混淆矩陣 55
2.9.3 ROC曲線 57
2.9.4 進一步優化 59
2.10 小結 59
2.11 習題 60
第3章 基於深度前饋網絡預測出租車費用 62
3.1 技術需求 62
3.2 預測紐約市出租車打車費用 64
3.3 紐約市出租車打車費用數據集 64
3.4 探索性數據分析 64
3.4.1 地理位置數據可視化 66
3.4.2 全天及小時客流量 69
3.5 數據預處理 71
3.6 特征工程 77
3.6.1 時空特征 77
3.6.2 地理位置特征 79
3.7 特征縮放 82
3.8 深度前饋網絡 83
3.8.1 模型結構 83
3.8.2 回歸問題的損失函數 84
3.9 使用Keras構建模型 85
3.10 結果分析 87
3.11 綜合應用 91
3.12 小結 93
3.13 習題 94
第4章 是貓還是狗——使用卷積神經網絡進行圖像分類 96
4.1 技術需求 97
4.2 計算機視覺和目標識別 98
4.3 目標識別的問題類型 99
4.4 數字圖像作為神經網絡輸入 101
4.5 卷積神經網絡的基礎結構 102
4.5.1 濾波和卷積 102
4.5.2 優選池化 106
4.6 卷積神經網絡基本結構 107
4.7 現代卷積神經網絡回顧 108
4.7.1 LeNet（1998) 108
4.7.2 AlexNet（2012) 108
4.7.3 VGG16（2014) 109
4.7.4 Inception（2014) 109
4.7.5 ResNet（2015) 109
4.7.6 近期新趨勢 109
4.8 貓狗數據集 110
4.9 在Keras中處理圖像數據 112
4.10 圖像增強 113
4.11 建模 116
4.11.1 構建簡單的卷積神經網絡 116
4.11.2 通過遷移學習利用預訓練模型 121
4.12 結果分析 124
4.13 小結 128
4.14 習題 129
第5章 使用自動編碼器進行圖像降噪 130
5.1 技術需求 130
5.2 什麼是自動編碼器 132
5.3 隱式表示 133
5.4 用於數據壓縮的自動編碼器 134
5.5 MNIST手寫數字數據集 134
5.6 構建簡單的自動編碼器 136
5.6.1 在Keras中構建自動編碼器 137
5.6.2 隱藏層尺寸對自動編碼器性能的影響 141
5.7 用於降噪的自動編碼器 143
5.8 基於自動編碼器的文件去噪 151
5.8.1 基本的卷積自動編碼器 155
5.8.2 深度卷積自動編碼器 158
5.9 小結 161
5.10 習題 161
第6章 使用長短期記憶網絡進行情感分析 163
6.1 技術需求 164
6.2 機器學習中的順序問題 165
6.3 自然語言處理和情感分析 166
6.4 RNN 168
6.4.1 RNN的內部結構 169
6.4.2 RNN中的長短期依賴 170
6.4.3 梯度消失問題 172
6.5 LSTM網絡 173
6.5.1 LSTM——直觀感受 173
6.5.2 LSTM網絡內部結構 174
6.6 IMDb影評數據集 178
6.7 用向量表示詞語 180
……

本書主要講述了神經網絡的重要概念和技術，並展示了如何使用Python來解決日常生活中常見的神經網絡問題。本書包含了6個神經網絡相關的項目，分別是糖尿病預測、出租車費用預測、圖像分類、圖像降噪、情感分析和人臉識別，這6個項目均是從頭開始實現，且使用了不同的神經網絡。在每個項目中，本書首先會提出問題，然後介紹解決該問題需要用到的神經網絡架構，並給出選擇該神經網絡模型的原因，最後會使用Python語言從頭實現該模型。此外，本書還介紹了機器學習和神經網絡的基礎知識，以及人工智能未來的發展。

(美)詹姆斯·洛伊 著 艾凌風 譯