譯者序

前言

作者簡介

審校者簡介

第1章　人工智能系統基礎知識1

1.1　神經網絡2

1.2　神經激活單元5

1.2.1　線性激活單元5

1.2.2　sigmoid激活單元6

1.2.3　雙曲正切激活函數6

1.2.4　修正線性單元7

1.2.5　softmax激活單元9

1.3　用反向傳播算法訓練神經網絡9

1.4　卷積神經網絡12

1.5　循環神經網絡13

1.6　生成對抗網絡16

1.7　強化學習18

1.7.1　Q學習19

1.7.2　深度Q學習20

1.8　遷移學習21

1.9　受限玻爾茲曼機22

1.10　自編碼器23

1.11　總結24

第2章　遷移學習26

2.1　技術要求26

2.2　遷移學習簡介27

2.3　遷移學習和糖尿病視網膜病變檢測28

2.4　糖尿病視網膜病變數據集29

2.5　定義損失函數30

2.6　考慮類別不平衡問題31

2.7　預處理圖像32

2.8　使用仿射變換生成額外數據33

2.8.1　旋轉34

2.8.2　平移34

2.8.3　縮放35

2.8.4　反射35

2.8.5　通過仿射變換生成額外的圖像36

2.9　網絡架構36

2.9.1　VGG16遷移學習網絡38

2.9.2　InceptionV3遷移學習網絡39

2.9.3　ResNet50遷移學習網絡39

2.10　優化器和初始學習率40

2.11　交叉驗證40

2.12　基于驗證對數損失的模型檢查點40

2.13　訓練過程的Python實現41

2.14　類別分類結果50

2.15　在測試期間進行推斷50

2.16　使用回歸而非類別分類52

2.17　使用keras sequential工具類生成器53

2.18　總結57

第3章　神經機器翻譯58

3.1　技術要求59

3.2　基于規則的機器翻譯59

3.2.1　分析階段59

3.2.2　詞匯轉換階段60

3.2.3　生成階段60

3.3　統計機器學習系統60

3.3.1　語言模型61

3.3.2　翻譯模型63

3.4　神經機器翻譯65

3.4.1　編碼器–解碼器模型65

3.4.2　使用編碼器–解碼器模型進行推斷66

3.5　實現序列到序列的神經機器翻譯67

3.5.1　處理輸入數據67

3.5.2　定義神經翻譯機器的模型71

3.5.3　神經翻譯機器的損失函數73

3.5.4　訓練模型73

3.5.5　構建推斷模型74

3.5.6　單詞向量嵌入78

3.5.7　嵌入層79

3.5.8　實現基于嵌入的NMT79

3.6　總結84

第4章　基于GAN的時尚風格遷移85

4.1　技術要求85

4.2　DiscoGAN86

4.3　CycleGAN88

4.4　學習從手繪輪廓生成自然手提包89

4.5　預處理圖像89

4.6　DiscoGAN的生成器91

4.7　DiscoGAN的判別器93

4.8　構建網絡和定義損失函數94

4.9　構建訓練過程97

4.10　GAN訓練中的重要參數值99

4.11　啟動訓練100

4.12　監督生成器和判別器的損失101

4.13　DiscoGAN生成的樣例圖像103

4.14　總結104

第5章　視頻字幕應用105

5.1　技術要求105

5.2　視頻字幕中的CNN和LSTM106

5.3　基于序列到序列的視頻字幕系統107

5.4　視頻字幕系統數據集109

5.5　處理視頻圖像以創建CNN特征110

5.6　處理視頻的帶標簽字幕113

5.7　構建訓練集和測試集114

5.8　構建模型115

5.8.1　定義模型的變量116

5.8.2　編碼階段117

5.8.3　解碼階段117

5.8.4　計算小批量損失118

5.9　為字幕創建單詞詞匯表118

5.10　訓練模型119

5.11　訓練結果123

5.12　對未見過的視頻進行推斷124

5.12.1　推斷函數126

5.12.2　評估結果127

5.13　總結128

第6章　智能推薦系統129

6.1　技術要求129

6.2　什么是推薦系統129

6.3　基于潛在因子分解的推薦系統131

6.4　深度學習與潛在因子協同過濾132

6.5　SVD++136

6.6　基于受限玻爾茲曼機的推薦系統138

6.7　對比分歧139

6.8　使用RBM進行協同過濾140

6.9　使用RBM實現協同過濾142

6.9.1　預處理輸入143

6.9.2　構建RBM網絡進行協作過濾144

6.9.3　訓練RBM 147

6.10　使用訓練好的RBM進行推斷149

6.11　總結150

第7章　用于電影評論情感分析的移動應用程序151

7.1　技術要求152

7.2　使用TensorFlow mobile構建Android移動應用程序152

7.3　Android應用中的電影評論評分153

7.4　預處理電影評論文本154

7.5　構建模型156

7.6　訓練模型157

7.7　將模型凍結為protobuf格式159

7.8　為推斷創建單詞到表征的字典161

7.9　應用程序交互界面設計162

7.10　Android應用程序的核心邏輯164

7.11　測試移動應用168

7.12　總結170

第8章　提供客戶服務的AI聊天機器人171

8.1　技術要求172

8.2　聊天機器人的架構172

8.3　基于LSTM的序列到序列模型173

8.4　建立序列到序列模型174

8.5　Twitter平臺上的聊天機器人174

8.5.1　構造聊天機器人的訓練數據175

8.5.2　將文本數據轉換為單詞索引175

8.5.3　替換匿名用戶名176

8.5.4　定義模型176

8.5.5　用于訓練模型的損失函數178

8.5.6　訓練模型179

8.5.7　從模型生成輸出響應180

8.5.8　所有代碼連起來180

8.5.9　開始訓練181

8.5.10　對一些輸入推特的推斷結果181

8.6　總結182

第9章　基于增強學習的無人駕駛183

9.1　技術要求183

9.2　馬爾科夫決策過程184

9.3　學習Q值函數185

9.4　深度Q學習186

9.5　形式化損失函數186

9.6　深度雙Q學習187

9.7　實現一個無人駕駛車的代碼189

9.8　深度Q學習中的動作離散化189

9.9　實現深度雙Q值網絡190

9.10　設計智能體191

9.11　自動駕駛車的環境194

9.12　將所有代碼連起來197

9.13　訓練結果202

9.14　總結203

第10章　從深度學習的角度看CAPTCHA204

10.1　技術要求205

10.2　通過深度學習破解CAPTCHA205

10.2.1　生成基本的CAPTCHA205

10.2.2　生成用于訓練CAPTCHA破解器的數據206

10.2.3　CAPTCHA破解器的CNN架構208

10.2.4　預處理CAPTCHA圖像208

10.2.5　將CAPTCHA字符轉換為類別209

10.2.6　數據生成器210

10.2.7　訓練CAPTCHA破解器211

10.2.8　測試數據集的準確性212

10.3　通過對抗學習生成CAPTCHA214

10.3.1　優化GAN損失215

10.3.2　生成器網絡215

10.3.3　判別器網絡216

10.3.4　訓練GAN219

10.3.5　噪聲分布220

10.3.6　數據預處理220

10.3.7　調用訓練221

10.3.8　訓練期間CAPTCHA的質量222

10.3.9　使用訓練后的生成器創建CAPTCHA224

10.4　總結225

總結

以上是生活随笔為你收集整理的python人工智能项目实战 桑塔努·帕塔纳亚克 pdf_Python人工智能项目实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。