使用高级架构开发和优化深度学习模型。这本书教你错综复杂的细节和微妙的算法,是卷积神经网络的核心。在高级应用深度学习中,您将学习CNN的高级主题和使用Keras和TensorFlow的对象检测。

在此过程中,您将了解CNN中的基本操作,如卷积和池化,然后了解更高级的架构,如inception networks、resnets等等。当这本书讨论理论主题时,你会发现如何有效地与Keras工作,其中有许多技巧和提示,包括如何用自定义回调类自定义Keras登录,什么是迫切执行,以及如何在你的模型中使用它。最后,您将学习对象检测是如何工作的,并在Keras和TensorFlow中构建YOLO(只查看一次)算法的完整实现。在书的最后,你将实现各种各样的模型在Keras和学习许多高级技巧,将把你的技能到下一个水平。

你将学到什么

  • 看看卷积神经网络和目标检测是如何工作的
  • 在磁盘上的权值和模型
  • 暂停训练,在稍后的阶段重新开始
  • 在代码中使用硬件加速
  • 使用数据集TensorFlow抽象和使用预先训练的模型和迁移学习
  • 删除和添加层到预先训练的网络,使其适应您的特定项目
  • 将预先训练好的模型(如Alexnet和VGG16)应用到新的数据集

这本书是给谁的

  • 拥有中级到高级Python和机器学习技能的科学家和研究人员。此外,还需要Keras和TensorFlow的中级知识。
成为VIP会员查看完整内容
0
98

相关内容

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
119

利用实用的、循序渐进的方法运用计算机视觉和机器学习概念开发商业和工业应用。

这本书包括四个主要部分,从设置编程环境开始。第1节介绍了图像和视频处理的基础知识,并提供了如何操作和从图像中提取有用信息的代码示例。您将主要使用OpenCV和Python来处理本节中的示例。

第2节描述机器学习和神经网络的概念应用于计算机视觉。你将学习神经网络的不同算法,比如convolutional neural network (CNN), region-based convolutional neural network (R-CNN), YOLO。在本节中,您还将学习如何训练、调整和管理计算机视觉的神经网络。第3节提供了逐步发展商业和工业应用的例子,如视频监控中的面部识别和制造中的表面缺陷检测。

最后一部分是关于在云基础设施(如Amazon AWS、谷歌云平台和Microsoft Azure)上训练大量图像的神经网络。它引导您完成在基于gpu的云基础设施上为计算机视觉训练分布式神经网络的过程。当您读完《使用人工神经网络构建计算机视觉应用程序》并完成代码示例时,您将开发出一些使用深度学习的计算机视觉的真实使用案例。

你将学到什么

  • 运用图像处理、操作和特征提取技术
  • 处理计算机视觉的各种深度学习算法
  • 训练、管理和调优CNNs和对象检测模型的超参数,如R-CNN、SSD、YOLO
  • 使用Keras和TensorFlow建立神经网络模型
  • 发现在商业和工业中实施计算机视觉应用的最佳实践
  • 在基于gpu的云基础设施上训练分布式模型

这本书是给谁的

  • 具有Python编程知识的数据科学家、分析师、机器学习和软件工程专业人员。
成为VIP会员查看完整内容
1
109

在不同的编程环境中理解和使用高级C#最重要的特性。这本书教你高级C#的基本特性,以及如何使用Visual Studio 2019将它们合并到不同的编程技术中。

这本书分为两部分。第一部分介绍了c#高级编程的基本原理和要点。您将了解委托和事件,然后转向lambda表达式。第二部分将介绍如何用不同的编程技术实现这些特性,首先从泛型编程开始。之后,您将学习线程编程和异步编程,以便从多线程环境中获益。最后,您将学习使用ADO进行数据库编程。你将知道如何通过你的c#应用程序执行SQL语句和存储过程。

你将学到什么

  • 在高级编程中使用委托、事件和lambda表达式
  • 利用泛型使应用程序更加灵活
  • 创建一个使用多线程和异步编程的快速应用程序
  • 在Visual Studio Community Edition中工作,这是使用c#最常见的IDE
  • 理解替代实现及其优缺点

这本书是给谁的

  • 已经在使用c#的开发人员和程序员
成为VIP会员查看完整内容
0
42

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
183

使用Python进行计算机视觉的深度学习将使您成为计算机视觉和视觉识别任务的深度学习专家。

在书中,我们将重点学习:

  • 神经网络和机器学习
  • 卷积神经网络(CNNs)
  • 目标检测/定位与深度学习
  • 训练大型(图像级)网络
  • 掌握使用Python编程语言和Keras、TensorFlow 2.0和mxnet深度学习库的实现

在用Python进行了计算机视觉的深度学习之后,您将能够用深度学习解决实际问题。

下载地址:链接: https://pan.baidu.com/s/1I8r-Vjvv4n8v-6t_5I679g 提取码: j69b

成为VIP会员查看完整内容
0
145

获得高级数据分析概念的广泛基础,并发现数据库中的最新革命,如Neo4j、Elasticsearch和MongoDB。这本书讨论了如何实现ETL技术,包括主题爬行,这是应用在诸如高频算法交易和面向目标的对话系统等领域。您还将看到机器学习概念的示例,如半监督学习、深度学习和NLP。使用Python的高级数据分析还包括时间序列和主成分分析等重要的传统数据分析技术。

读完这本书,你将对分析项目的每个技术方面都有了经验。您将了解使用Python代码的概念,并提供在您自己的项目中使用的示例。

你会学到什么

  • 使用数据分析技术,如分类、聚类、回归和预测
  • 处理结构化和非结构化数据、ETL技术以及不同类型的数据库,如Neo4j、Elasticsearch、MongoDB和M- ySQL
  • 考察不同的大数据框架,包括Hadoop和Spark
  • 发现先进的机器学习概念,如半监督学习,深度学习,和NLP

这本书是给谁看的

对数据分析领域感兴趣的数据科学家和软件开发人员。

成为VIP会员查看完整内容
0
114

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
242

简介:

利用先进的架构开发和优化深度学习模型。这本书教你复杂的细节和微妙的算法是卷积神经网络的核心。在高级应用深度学习中,你将学习CNN的高级主题和使用Keras和TensorFlow的对象检测。

在此过程中,将了解CNN中的基本操作,如卷积和池,然后了解更高级的体系结构,如先启网络、resnets等。在本书讨论理论主题的同时,您将通过许多技巧和技巧发现如何有效地使用Keras,包括如何使用自定义回调类自定义登录Keras、什么是即时执行以及如何在模型中使用它。最后,您将研究对象检测如何工作,并在Keras和TensorFlow中构建YOLO算法的完整实现。在这本书的最后,你将在Keras中实现各种各样的模型,并学习到许多将你的技能带到下一个层次的高级技巧。

这本书将会让我们学到:

  • 了解卷积神经网络和对象检测的工作原理
  • 将重量和模型保存在磁盘上
  • 暂停训练,稍后再重新开始
  • 在代码中使用硬件加速(gpu)
  • 使用数据集TensorFlow抽象并使用预训练模型和传输学习
  • 删除和添加层到预先训练的网络,以适应您的具体项目
  • 将预先训练好的模型(如Alexnet和VGG16)应用于新数据集

作者:

Umberto Michelucci,TOELT llc的创始人,该公司专注于人工智能科学研究。同样是数值模拟、统计学、数据科学和机器学习方面的专家。多年来,他不断拓展研究生课程和研究项目的专业知识。除了在乔治华盛顿大学(美国)和奥格斯堡大学(DE)有几年的研究经验,他还有15年的数据库、数据科学和机器学习的实践经验。他目前在Helsana Versicherung AG公司负责深度学习、新技术和研究。

成为VIP会员查看完整内容
0
64

简介:

科学专业人员可以通过本书学习Scikit-Learn库以及机器学习的基础知识。该书将Anaconda Python发行版与流行的Scikit-Learn库结合在一起,展示了各种有监督和无监督的机器学习算法。通过Python编写的清晰示例向读者介绍机器学习的原理,以及相关代码。

本书涵盖了掌握这些内容所需的所有应用数学和编程技能。不需要深入的面向对象编程知识,因为可以提供并说明完整的示例。必要时,编码示例很深入且很复杂。它们也简洁,准确,完整,是对引入的机器学习概念的补充。处理示例有助于建立理解和应用复杂机器学习算法所需的技能。

本书的学生将学习作为胜任力前提的基础知识。读者将了解专门为数据科学专业人员设计的Python Anaconda发行版,并将在流行的Scikit-Learn库中构建技能,该库是Python领域许多机器学习应用程序的基础。

本书内容包括:

  • 使用Scikit-Learn通用的简单和复杂数据集
  • 将数据处理为向量和矩阵以进行算法处理
  • 熟悉数据科学中使用的Anaconda发行版
  • 通过分类器,回归器和降维应用机器学习
  • 调整算法并为每个数据集找到最佳算法
  • 从CSV,JSON,Numpy和Pandas格式加载数据并保存

内容介绍:

这本书分为八章。 第1章介绍了机器学习,Anaconda和Scikit-Learn的主题。 第2章和第3章介绍算法分类。 第2章对简单数据集进行分类,第3章对复杂数据集进行分类。 第4章介绍了回归预测模型。 第5章和第6章介绍分类调整。 第5章调整简单数据集,第6章调整复杂数据集。 第7章介绍了预测模型回归调整。 第8章将所有知识汇总在一起,以整体方式审查和提出发现。

作者介绍:

David Paper博士是犹他州立大学管理信息系统系的教授。他写了两本书-商业网络编程:Oracle的PHP面向对象编程和Python和MongoDB的数据科学基础。他在诸如组织研究方法,ACM通讯,信息与管理,信息资源管理期刊,AIS通讯,信息技术案例与应用研究期刊以及远程计划等参考期刊上发表了70余篇论文。他还曾在多个编辑委员会担任过各种职务,包括副编辑。Paper博士还曾在德州仪器(TI),DLS,Inc.和凤凰城小型企业管理局工作。他曾为IBM,AT&T,Octel,犹他州交通运输部和空间动力实验室执行过IS咨询工作。 Paper博士的教学和研究兴趣包括数据科学,机器学习,面向对象的程序设计和变更管理。

目录:

成为VIP会员查看完整内容
0
89
小贴士
相关主题
相关资讯
【教程】TensorFlow2 最新迁移学习教程和实战
深度学习超参数搜索实用指南
云栖社区
22+阅读 · 2018年10月14日
知识图谱中的深度学习技术应用概述
深度学习与NLP
7+阅读 · 2018年9月13日
【迁移学习】简述迁移学习在深度学习中的应用
产业智能官
12+阅读 · 2018年1月9日
入门 | 简述迁移学习在深度学习中的应用
机器之心
5+阅读 · 2018年1月5日
迁移学习在深度学习中的应用
专知
17+阅读 · 2017年12月24日
相关论文
Adversarial Objects Against LiDAR-Based Autonomous Driving Systems
Yulong Cao,Chaowei Xiao,Dawei Yang,Jing Fang,Ruigang Yang,Mingyan Liu,Bo Li
5+阅读 · 2019年7月11日
Bryan Wilder,Eric Ewing,Bistra Dilkina,Milind Tambe
6+阅读 · 2019年5月31日
Learning to Importance Sample in Primary Sample Space
Quan Zheng,Matthias Zwicker
5+阅读 · 2018年8月23日
Tiny-DSOD: Lightweight Object Detection for Resource-Restricted Usages
Yuxi Li,Jiuwei Li,Weiyao Lin,Jianguo Li
5+阅读 · 2018年7月29日
Bryan McCann,James Bradbury,Caiming Xiong,Richard Socher
5+阅读 · 2018年6月20日
Binghui Chen,Weihong Deng
5+阅读 · 2018年6月5日
Ryota Yoshihashi,Tu Tuan Trinh,Rei Kawakami,Shaodi You,Makoto Iida,Takeshi Naemura
3+阅读 · 2018年5月15日
Jordan Prosky,Xingyou Song,Andrew Tan,Michael Zhao
6+阅读 · 2018年1月18日
Anand Gupta,Hardeo Thakur,Ritvik Shrivastava,Pulkit Kumar,Sreyashi Nag
3+阅读 · 2017年11月25日
Tianfu Wu,Xilai Li,Xi Song,Wei Sun,Liang Dong,Bo Li
4+阅读 · 2017年11月14日
Top