前言



配套资源

如果您了解数据科学和机器学习的基础知识，并想开始学习先进的机器学习技术，如人工神经网络和深度学习，那么本书非常适合您。为了更有效地掌握本书中解释的概念，必须具备Python编程经验，以及熟悉统计和逻辑回归等知识。

本书内容

第1章： Keras 机器学习简介。本章通过scikitlearn包介绍基础的机器学习概念。将介绍如何使用数据，然后用一个真实存在的数据集训练一个逻辑回归模型。

第2章： 机器学习与深度学习。本章介绍了传统机器学习算法和深度学习算法的不同。您将学习建立神经网络，并学习用Keras库建立第一个神经网络所需的线性转换。

第3章： Keras深度学习。本章将扩展您对神经网络构建的了解，您将学习如何构建多层神经网络，在训练数据时判断模型是否过拟合或欠拟合。

第4章： 基于Keras包装器的交叉验证评价模型。本章将教大家如何将Keras模型整合到scikitlearn工作流程中。用交叉验证来评估您的模型并使用此技术来选择最佳超参数。

第5章： 模型精度的提高。本章介绍了多种正则化方法，用于防止在训练数据时模型过拟合。可通过多种方法获得最优超参数以达到模型最高正确率。

第6章：模型评估。本章演示了模型评估所需要的各种方法。除正确率外，还将介绍更多模型评估指标，如灵敏度、特异性、精确度、误报率、ROC曲线和AUC评分，以了解模型的表现。

第7章： 基于卷积神经网络的计算机视觉。本章介绍了如何使用卷积神经网络构建图形分类器。介绍卷积神经网络的所有组件，然后构建图像处理程序对图像进行分类。

第8章： 迁移学习和预训练模型。本章介绍了迁移学习的基本概念，即如何通过一个模型解决其他问题。您将通过使用不同的预训练模型并将其稍微修改为不同的应用程序来实现这一目标。

第9章： 基于循环神经网络的顺序建模。本章将教大家如何为顺序数据集建立模型。介绍了循环神经网络的架构，以及如何训练它们并预测后续数据。您将通过预测各种股票的未来价值来检测您的学习成果。

代码演示

本书中通过实操在屏幕中出现的代码，将以如下形式展现： 



跨多行的代码行使用反斜杠(＼)分割。当代码执行时，Python将忽略反斜杠，并将下一行的代码视为当前行的直接延续，如下所示： 



代码中“#”用于标示单行文字注释，如下所示： 



多行注释使用三引号括起来，如下所示： 



配置编译环境

在学习本书前，先安装以下软件和工具。

1． 安装Anaconda

本课程将使用Anaconda： 一个Python发行版，带有内置的包管理器和经常用于机器学习和科学计算的预安装包。
按照适用于自己操作系统的相应安装说明进行操作。

安装Anaconda后，可以通过Anaconda Navigator或Anaconda Prompt与其进行交互。


验证安装是否正确，可以在CMD/终端上执行anacondanavigator命令。如果安装正确，将会打开Anaconda Navigator。

2． 安装工具库

pip预装在Anaconda中。在机器上安装Anaconda后，可以使用pip安装所有必需的库，如pip install numpy。或者使用pip installr requirements．txt安装所有必需的库。可以在https：//packt．live/3hhZ2v9找到requirements．txt文件。

训练和实践将在Jupyter Notebook中执行。Jupyter是一个Python库，可以通过与其他Python库相同的方式安装——使用pip install jupyter安装，但它已经预装在了Anaconda里。

3． 运行 Jupyter Notebook

可以通过Anaconda Navigator中的相应链接启动Jupyter，或通过在Anaconda Prompt/CMD/Terminal中执行命令jupyter notebook来启动Jupyter。

Jupyter在浏览器中打开，可以在其中导航到工作目录并创建、编辑和运行代码文件。