第 一篇 預測類項目實戰(zhàn)
第 1章 房價預測
1．1 數據準備
1．1．1 環(huán)境準備
1．1．2 預處理數據
1．1．3 數據可視化分析
1．2 基于scikit-learn實現(xiàn)房價預測
1．2．1 衡量R2值
1．2．2 模型性能對比
1．2．3 網格搜索模型
1．2．4 波士頓房價預測
1．2．5 北京房價預測
1．3 基于Keras實現(xiàn)房價預測
1．3．1 數據準備
1．3．2 創(chuàng)建神經網絡模型
1．3．3 訓練網絡模型
1．3．4 可視化模型的結果
1．3．5 評估和預測模型
1．3．6 預測可視化顯示
1．4 小結
第 2章 泰坦尼克號生還預測
2．1 數據準備
2．1．1 環(huán)境準備
2．1．2 預處理數據
2．1．3 缺失值處理
2．1．4 數據清洗與分割
2．2 基于決策樹模型預測
2．2．1 訓練
2．2．2 預測
2．3 基于邏輯回歸模型預測
2．3．1 訓練
2．3．2 預測
2．4 基于梯度提升分類器模型預測
2．4．1 訓練
2．4．2 預測
2．5 基于神經網絡模型預測
2．5．1 訓練
2．5．2 預測
2．5．3 繪制曲線圖
2．6 基于Keras的神經網絡模型預測
2．6．1 訓練
2．6．2 預測
2．7 小結
第3章 共享單車使用情況預測
3．1 數據準備
3．1．1 環(huán)境準備
3．1．2 數據可視化
3．1．3 預處理數據
3．1．4 數據清洗與分割
3．2 基于TensorFlow的長短期記憶網絡模型預測
3．2．1 處理序列
3．2．2 參數準備
3．2．3 創(chuàng)建LSTM模型
3．2．4 訓練模型
3．2．5 模型預覽與測試
3．2．6 對比預測值模型預覽
3．3 小結
第4章 福彩3D中獎預測
4．1 數據準備
4．1．1 環(huán)境準備
4．1．2 數據準備
4．1．3 數據預處理
4．1．4 數據可視化
4．2 基于神經網絡模型預測
4．2．1 決策樹
4．2．2 多層感知器
4．2．3 時間序列基礎
4．2．4 時間序列預測
4．2．5 根據開獎號碼單變量單個位數預測
4．3 小結
第5章 股票走勢預測
5．1 數據準備
5．1．1 環(huán)境準備
5．1．2 數據集說明
5．2 百度股票預測
5．2．1 數據準備
5．2．2 數據可視化
5．2．3 計算購買的股票收益
5．2．4 訓練和評估模型
5．2．5 股票預測
5．2．6 股票買入策略
5．3 微軟股票預測
5．3．1 數據準備
5．3．2 數據可視化
5．3．3 計算購買的股票收益
5．3．4 訓練和評估模型
5．3．5 股票預測
5．3．6 股票買入戰(zhàn)略
5．4 小結
第6章 垃圾郵件預測
6．1 數據準備
6．1．1 環(huán)境準備
6．1．2 數據準備
6．1．3 數據預處理
6．2 基于多項式樸素貝葉斯的郵件分類
6．2．1 數據處理
6．2．2 創(chuàng)建和訓練模型
6．2．3 測試模型
6．3 基于TensorFlow的神經網絡模型的郵件分類
6．3．1 構建N-Gram向量化數據
6．3．2 創(chuàng)建模型
6．3．3 訓練模型
6．3．4 可視化訓練結果
6．4 小結
第7章 影評的情感分析
7．1 數據準備
7．1．1 環(huán)境準備
7．1．2 預處理數據
7．1．3 數據集編碼
7．1．4 數據集分割
7．2 基于TensorFlow的長短期記憶網絡實現(xiàn)影評的情感分析
7．2．1 參數準備
7．2．2 創(chuàng)建LSTM模型
7．2．3 訓練模型
7．2．4 模型測試
7．3 基于Keras的長短期記憶網絡實現(xiàn)影評的情感分析
7．3．1 數據預處理
7．3．2 創(chuàng)建模型
7．3．3 預覽模型架構
7．3．4 訓練模型
7．3．5 模型評估
7．4 小結
第8章 語言翻譯
8．1 數據準備
8．1．1 環(huán)境準備
8．1．2 數據準備
8．1．3 數據預處理
8．2 基于Keras的長短期記憶網絡實現(xiàn)語言翻譯
8．2．1 Tokenize文本數據
8．2．2 數據編碼和填充
8．2．3 創(chuàng)建模型
8．2．4 訓練模型
8．2．5 測試模型
第二篇 識別類項目實戰(zhàn)
第9章 MNIST手寫數字識別
9．1 MNIST數據集
9．1．1 簡介
9．1．2 數據下載
9．1．3 可視化數據
9．2 基于多層感知器的TensorFlow實現(xiàn)MNIST識別
9．2．1 參數準備
9．2．2 創(chuàng)建模型
9．2．3 訓練模型
9．2．4 模型預測
9．3 基于多層感知器的Keras實現(xiàn)MNIST識別
9．3．1 數據準備
9．3．2 創(chuàng)建模型
9．3．3 訓練模型
9．3．4 模型預測
9．3．5 單張圖像預測
9．4 基于卷積神經網絡的TensorFlow實現(xiàn)MNIST識別
9．4．1 參數準備
9．4．2 創(chuàng)建模型
9．4．3 訓練模型
9．4．4 模型預測
9．5 基于卷積神經網絡的Keras實現(xiàn)MNIST識別
9．5．1 數據準備
9．5．2 創(chuàng)建模型
9．5．3 訓練模型
9．5．4 模型預測
9．5．5 單張圖像預測
9．6 小結
第 10章 狗狗的品種識別
10．1 數據準備
10．1．1 環(huán)境準備
10．1．2 數據可視化
10．1．3 預處理數據
10．2 基于Keras的卷積神經網絡模型預測
10．2．1 創(chuàng)建模型
10．2．2 訓練模型
10．2．3 模型評估
10．3 基于Keras的InceptionV3預訓練模型實現(xiàn)預測
10．3．1 模型函數聲明
10．3．2 預測單張圖片
10．4 基于TFHUB的Keras的遷移學習實現(xiàn)預測
10．4．1 數據集下載和準備
10．4．2 預訓練模型下載
10．4．3 創(chuàng)建模型
10．4．4 訓練模型
10．4．5 測試模型
10．4．6 模型預測單張圖片
10．5 小結
第 11章 人臉識別
11．1 數據準備
11．1．1 環(huán)境準備
11．1．2 數據下載和分析
11．1．3 人臉圖像數據預覽
11．2 基于FaceNet的人臉對齊和驗證
11．2．1 下載和對齊圖像
11．2．2 在LFW上驗證
11．3 訓練自己的人臉識別模型
11．3．1 圖像數據準備和對齊
11．3．2 訓練模型
11．3．3 驗證模型
11．3．4 再訓練模型
11．3．5 再評估模型
11．3．6 將模型CheckPoints文件轉換成pb文件
11．4 基于FaceRecognition的人臉識別
11．4．1 配置環(huán)境
11．4．2 人臉圖像檢測
11．4．3 實時人臉識別
11．5 小結
第 12章 人臉面部表情識別
12．1 基于Keras的卷積神經網絡實現(xiàn)人臉面部表情識別
12．1．1 環(huán)境準備
12．1．2 數據準備
12．1．3 數據集分割
12．1．4 數據集預處理
12．1．5 構建CNN模型
12．1．6 圖片增強與訓練模型
12．1．7 評估模型
12．1．8 保存與讀取模型
12．1．9 單張圖片測試模型
12．2 對視頻中的人臉面部做表情識別
12．2．1 讀取模型
12．2．2 模型參數定義
12．2．3 視頻的幀處理函數定義
12．2．4 識別與轉換視頻
12．3 實時人臉面部表情識別
12．3．1 模型參數定義
12．3．2 啟動攝像頭和識別處理
12．4 小結
第 13章 人體姿態(tài)識別
13．1 基于TensorFlow實現(xiàn)人體姿態(tài)識別
13．1．1 環(huán)境準備
13．1．2 下載與安裝
13．1．3 單張圖像識別
13．1．4 視頻內容里的人的姿態(tài)識別
13．1．5 實時攝像識別
13．2 基于Keras實現(xiàn)人體姿態(tài)識別
13．2．1 環(huán)境準備
13．2．2 下載倉庫
13．2．3 單張圖像識別
13．2．4 視頻內容里的人的姿態(tài)識別
13．2．5 實時攝像識別
13．3 小結
第 14章 皮膚癌分類
14．1 數據準備
14．1．1 環(huán)境準備
14．1．2 數據下載
14．1．3 數據可視化
14．2 基于Keras的卷積神經網絡實現(xiàn)分類
14．2．1 數據預處理
14．2．2 創(chuàng)建CNN模型
14．2．3 編譯模型
14．2．4 訓練模型
14．2．5 評估模型和圖像測試
14．3 基于TensorFlow的遷移學習實現(xiàn)分類
14．3．1 數據準備
14．3．2 訓練模型
14．3．3 驗證模型
14．3．4 Tensorboard可視化
14．4 小結
第 15章 對象檢測
15．1 對象檢測的應用領域
15．1．1 無人機應用領域
15．1．2 自動駕駛汽車應用領域
15．1．3 無人超市應用領域
15．2 原理分析
15．2．1 R-CNN的介紹與分析
15．2．2 Faster R-CNN的介紹與分析
15．2．3 Mask R-CNN的介紹與分析
15．3 基于Mask R-CNN Inception COCO的圖片對象檢測
15．3．1 環(huán)境準備
15．3．2 導入Packages
15．3．3 下載 Mask R-CNN Inception 2018 預訓練模型
15．3．4 加載模型到內存中
15．3．5 加載類別映射
15．3．6 定義函數將圖片轉為Numpy數組
15．3．7 定義圖像對象檢測函數
15．3．8 檢測圖像中的對象
15．3．9 效果預覽
15．4 基于Faster R-CNN Inception COCO的視頻實時對象檢測
15．4．1 環(huán)境準備
15．4．2 導入Packages
15．4．3 下載Faster R-CNN Inception 2018預訓練模型
15．4．4 加載模型到內存中
15．4．5 加載類別映射
15．4．6 定義視頻中的圖像對象檢測函數
15．4．7 定義視頻中的圖像處理函數
15．4．8 視頻中的圖像對象檢測
15．4．9 效果預覽
15．5 基于 SSD MobileNet COCO的實時對象檢測
15．5．1 環(huán)境準備
15．5．2 導入Packages
15．5．3 下載 SSD MobileNet 2018 預訓練模型
15．5．4 加載模型到內存中
15．5．5 加載類別映射
15．5．6 開啟實時對象檢測
15．5．7 效果預覽
15．6 小結
第三篇 生成類項目實戰(zhàn)
第 16章 看圖寫話
16．1 數據準備
16．1．1 環(huán)境準備
16．1．2 數據下載
16．1．3 數據預處理
16．2 基于TensorFlow的Show and Tell實現(xiàn)看圖寫話
16．2．1 數據統(tǒng)計
16．2．2 構建TFRecords格式數據
16．2．3 訓練模型
16．2．4 評估模型
16．2．5 測試模型
16．3 小結
第 17章 生成電視劇劇本
17．1 數據準備
17．1．1 環(huán)境準備
17．1．2 數據預處理
17．1．3 數據可視化分析
17．2 基于TensorFlow的循環(huán)神經網絡實現(xiàn)生成電視劇劇本
17．2．1 創(chuàng)建檢查表
17．2．2 數據token化預處理
17．2．3 創(chuàng)建Tensor占位符和學習率
17．2．4 初始化RNN Cell
17．2．5 創(chuàng)建Embedding
17．2．6 創(chuàng)建神經網絡
17．2．7 創(chuàng)建超參數和優(yōu)化器
17．2．8 訓練神經網絡模型
17．2．9 生成電視劇劇本
17．3 基于Textgenrnn來實現(xiàn)生成電視劇劇本
17．3．1 訓練模型
17．3．2 生成劇本文本
17．4 小結
第 18章 風格遷移
18．1 基于TensorFlow實現(xiàn)神經風格遷移
18．1．1 環(huán)境準備
18．1．2 圖像預覽
18．1．3 處理圖像
18．1．4 模型獲取
18．1．5 損失函數計算
18．1．6 訓練模型與圖像生成
18．2 基于Keras實現(xiàn)神經風格遷移
18．2．1 圖像預覽
18．2．2 圖片處理
18．2．3 獲取模型
18．2．4 損失函數計算
18．2．5 迭代與生成風格圖像
18．3 小結
第 19章 生成人臉
19．1 基于TensorFlow的GAN實現(xiàn)MNIST數字圖像生成
19．1．1 環(huán)境準備
19．1．2 MNIST數字圖像數據準備
19．1．3 隨機查看25張圖像
19．1．4 構建模型輸入
19．1．5 構建辨別器
19．1．6 構建生成器
19．1．7 計算模型損失
19．1．8 構建優(yōu)化器
19．1．9 構建訓練模型時的圖像輸出
19．1．10 構建訓練模型函數
19．1．11 訓練MNIST數據集的GAN模型
19．2 基于TensorFlow的GAN實現(xiàn)LFW人臉圖像生成
19．2．1 人臉圖像數據準備
19．2．2 訓練LFW數據集的GAN模型
19．3 小結
第 20章 圖像超分辨率
20．1 效果預覽與數據準備
20．1．1 效果預覽
20．1．2 環(huán)境準備
20．1．3 數據準備
20．2 基于TensorFlow的DCGAN實現(xiàn)超分辨率
20．2．1 下載srez代碼庫
20．2．2 訓練模型將模糊圖像生成清晰圖像
20．2．3 輸出效果預覽
20．2．4 生成效果圖視頻
20．2．5 圖片放大高清化
20．3 srez庫的代碼分析
20．3．1 主入口函數代碼分析
20．3．2 創(chuàng)建模型代碼分析
20．3．3 訓練模型代碼分析
20．4 小結
第 21章 移花接木
21．1 基本信息
21．1．1 三種模型效果預覽
21．1．2 環(huán)境準備
21．1．3 圖片數據集準備
21．1．4 CycleGAN網絡模型架構
21．2 基于CycleGAN將蘋果生成橘子
21．2．1 下載代碼庫
21．2．2 圖片數據處理
21．2．3 訓練模型
21．2．4 導出模型
21．2．5 測試圖片
21．3 基于CycleGAN將馬生成斑馬
21．3．1 圖片數據處理
21．3．2 訓練模型
21．3．3 導出模型
21．3．4 測試圖片
21．4 男性和女性的人臉面貌互換
21．4．1 環(huán)境準備
21．4．2 計算和生成模型
21．4．3 代碼分析
21．5 小結