《Python神经网络项目实战》内容简介

本书主要讲述了神经网络的重要概念和技术，并展示了如何使用Python来解决日常生活中常见的神经网络问题。本书包含了6个神经网络相关的项目，分别是糖尿病预测、出租车费用预测、图像分类、图像降噪、情感分析和人脸识别，这6个项目均是从头开始实现，且使用了不同的神经网络。在每个项目中，本书首先会提出问题，然后介绍解决该问题需要用到的神经网络架构，并给出选择该神经网络模型的原因，最后会使用Python语言从头实现该模型。此外，本书还介绍了机器学习和神经网络的基础知识，以及人工智能未来的发展。本书需要读者具备一定的Python编程知识，适合数据科学家、机器学习从业人员以及对神经网络感兴趣的读者阅读。
詹姆斯·洛伊（James Loy）是一名数据科学家，他在金融和医疗行业有超过5年的工作经验。他曾在新加坡最大的银行工作，通过预测性分析驱动创新，同时帮助银行提高客户的忠诚度。他也在医疗部门工作过，在那里他通过数据分析来改善医院做出的决断。他在佐治亚理工大学获得了计算机科学硕士学位，研究方向为机器学习。
他关注的研究领域有深度学习和应用机器学习，还包括为工业自动化系统开发基于计算机视觉的人工智能。他经常在Towards Data Science网站上发表文章，这是一个非常著名的机器学习网站，每个月的访问量超过300万人次。

作品目录

内容提要
作者简介
审校者简介
前

言
资源与支持
第1章：机器学习和神经网络导论
1.1、什么是机器学习
1.2、在你的计算机上配置机器学习环境
1.3、神经网络
1.4、pandas——强大的Python数据分析工具
1.5、TensorFlow和Keras——开源深度学习库
1.6、其他Python函数库
1.7、小结
第2章：基于多层感知器预测糖尿病
2.1、技术需求
2.2、糖尿病——理解问题
2.3、医疗中的人工智能
2.4、糖尿病数据集
2.5、探索性数据分析
2.6、数据预处理
2.7、MLP
2.8、使用Keras构建模型
2.9、结果分析
2.10、小结
2.11、问题
第3章：基于深度前馈网络预测出租车费用
3.1、技术需求
3.2、预测纽约市出租车打车费用
3.3、纽约市出租车打车费用数据集
3.4、探索性数据分析
3.5、数据预处理
3.6、特征工程
3.7、特征缩放
3.8、深度前馈网络
3.9、使用Keras构建模型
3.10、结果分析
3.11、综合应用
3.12、小结
3.13、习题
第4章：是猫还是狗——使用卷积神经网络进行图像分类
4.1、技术需求
4.2、计算机视觉和目标识别
4.3、目标识别的问题类型
4.4、数字图像作为神经网络输入
4.5、卷积神经网络的基础结构
4.6、卷积神经网络基本结构
4.7、现代卷积神经网络回顾
4.8、猫狗数据集
4.9、在Keras中处理图像数据
4.10、图像增强
4.11、建模
4.12、结果分析
4.13、小结
4.14、习题
第5章：使用自动编码器进行图像降噪
5.1、技术需求
5.2、自动编码器的概念
5.3、隐式表示
5.4、用于数据压缩的自动编码器
5.5、MNIST手写数字数据集
5.6、构建简单的自动编码器
5.7、用于降噪的自动编码器
5.8、基于自动编码器的文件去噪
5.9、小结
5.10、习题
第6章：使用长短期记忆网络进行情感分析
6.1、技术需求
6.2、机器学习中的顺序问题
6.3、自然语言处理和情感分析
6.4、RNN
6.5、LSTM网络
6.6、IMDb影评数据集
6.7、用向量表示词语
6.8、模型结构
6.9、在Keras中创建模型
6.10、结果分析
6.11、代码整合
6.12、小结
6.13、习题
第7章：基于神经网络实现人脸识别系统
7.1、技术需求
7.2、人脸识别系统
7.3、分解人脸识别问题
7.4、人脸识别系统需求
7.5、一次学习
7.6、孪生神经网络
7.7、对比损失函数
7.8、人脸数据集
7.9、在Keras中创建孪生神经网络
7.10、在Keras中训练模型
7.11、结果分析
7.12、重构代码
7.13、创建一个实时人脸识别程序
7.14、小结
7.15、习题
第8章：未来是什么样的
8.1、项目总结
8.2、神经网络的最新进展
8.3、神经网络的局限性
8.4、人工智能和机器学习的未来
8.5、持续获取机器学习的相关信息
8.6、推荐的机器学习数据集
8.7、总结