Python深度学习：逻辑、算法与编程实战

适读人群 ：深度学习相关从业人员、大中专院校人工智能相关专业的师生，以及广大人工智能爱好者
本书是关于深度学习的理论、算法、应用的实战教程，通过各种典型实例，展示了深度学习的整个流程和精髓。

前言

第1章 Python语言基础
11 Python简介
12 Python开发环境
121 PyCharm的下载和安装
122 PyCharm的使用
123 树莓派Python IDLE的使用
13 Python基本语法
131 保留字和标识符
132 变量和数据类型
133 基本控制结构
134 运算符
135 函数
136 with语句
137 字符串操作
138 异常处理
14 Python序列
141 列表
142 元组
143 字典
144 集合
145 列表、元组、字典和集合的区别
15 Python操作文件
151 操作文本文件
152 操作目录
153 操作Excel文件
154 操作CSV文件
16 Python模块
161 模块分类
162 自定义模块
163 第三方模块的安装
17 Python类
171 面向对象概述
172 类和对象
173 面向对象程序设计方法
174 类的定义和使用
175 多线程
18 本章小结

第2章 Python操作数据库及Web框架
21 操作数据库
211 操作SQLite
212 操作MySQL
22 Web框架
221 主流Web框架
222 Django框架
223 Flask框架
23 本章小结

第3章 Python深度学习环境
31 Anaconda介绍
32 Anaconda环境搭建
33 Anaconda使用方法
331 管理工具Navigator
332 Anaconda的Python开发环境Spyder
34 深度学习的一些常备库
341 NumPy—基础科学计算库
342 SciPy—科学计算工具集
343 Pandas—数据分析的利器
344 Matplotlib—画出优美的图形
345 Tqdm—Python 进度条库
35 机器学习通用库Sklearn
351 Sklearn的安装
352 Sklearn的数据集
353 Sklearn的机器学习方式
36 机器学习深度库TensorFlow
361 TensorFlow的安装
362 TensorFlow的深度学习方式
363 TensorLayer
364 可视化工具TensorBoard
37 机器学习深度库Keras
371 Keras的安装
372 Keras的深度学习方式
38 自然语言处理
381 NLTK
382 SpaCy
383 Gensim
39 视觉OpenCV
391 OpenCV的安装
392 OpenCV的使用
310 其他深度学习框架
3101 PyTorch
3102 TFLearn
3103 Chainer
3104 Theano
311 本章小结

第4章 深度学习典型结构
41 人工智能、机器学习、神经网络和深度学习的关系
42 深度学习的发展历程
43 深度学习的应用
431 计算机视觉
432 语音识别
433 自然语言处理
434 人机博弈
44 神经网络
441 神经网络的结构
442 神经网络的算法
443 神经网络的训练
444 神经网络的参数
445 深度学习与深层神经网络
45 卷积神经网络（CNN）
451 卷积神经网络结构
452 经典卷积网络模型
453 卷积神经网络应用
46 循环神经网络（RNN）
461 循环神经网络结构
462 长短期记忆网络（LSTM）
463 循环神经网络改进
464 循环神经网络应用
47 递归神经网络（RNN）
471 递归神经网络结构
472 递归神经网络应用
48 生成对抗网络（GAN）
481 生成对抗网络原理
482 生成对抗网络架构
483 生成对抗网络应用
484 生成对抗网络变种
49 本章小结

第5章 深度学习数据准备—数据爬取和清洗
51 爬虫框架
511 Crawley爬虫框架
512 Scrapy爬虫框架
513 PySpider爬虫框架
514 Beautiful Soup爬虫框架
52 数据爬取
521 Urllib3爬取
522 Requests爬取
523 Scrapy框架爬取
524 实例—爬取招聘网站职位信息
525 实例—爬取网站指定的图片集合
526 实例—爬取二手车市场数据
53 数据清洗
531 数据清洗库Pandas
532 缺失值处理
533 去重处理
534 异常值处理
535 实例—清洗CSV文件
536 噪声数据处理
537 实例—天气数据分析与处理
54 数据显示
541 Pandas统计分析
542 Matplotlib绘图
543 Bokeh绘图
544 Pyecharts绘图
55 实例—爬取并保存图片
56 本章小结

第6章 图像识别分类
61 图像识别分类简介
62 经典图片数据集
621 MNIST数据集
622 CIFAR-10数据集
623 ImageNet数据集
624 LFW人脸数据库
625 Flowers-17数据集
626 Pascal VOC数据集
627 MS COCO 数据集
63 OpenCV识别
631 实例—人眼识别
632 实例—两张相似图片识别
633 实例—性别识别
64 VGGNet花朵识别
641 VGGNet介绍
642 花朵数据库
643 实例—花朵识别
65 车牌识别
651 利用OpenCV实现车牌识别
652 实例—EasyPR车牌识别
66 Inception图像分类处理
661 Inception模型简介
662 实例—花朵和动物识别
663 实例—自定义图像分类
67 本章小结

第7章 自然语言处理
71 自然语言处理的典型工具
711 NLTK
712 TextBlob
713 Gensim
714 Polyglot
72 Jieba实现关键词抽取
721 Jieba实现词性标注
722 基于TF-IDF算法的关键词抽取
723 基于TextRank算法的关键词抽取

感谢您选择本书，为了帮助您更好地学习本书的知识，请阅读下面的内容。
深度学习是机器学习研究中的一个新的领域，其思路在于建立进行分析学习的神经网络，模仿人脑的机制来解释数据。
深度学习是无监督学习的一种，其概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层，表示属性类别或特征，以发现数据的分布式特征。
深度学习和人脑相似，人脑和深度学习模型都拥有大量的神经元，这些神经元在独立的情况下并不太智能，但当其相互作用时，就会变得相当智能。深度学习主要由神经网络构成，当数据穿过这个神经网络时，每一层都会处理这些数据，对数据进行过滤、聚合、辨别、分类及识别等操作，并产生最终输出。
本书是关于深度学习的实战教程，全书共11章，从深度学习整个流程出发，有序介绍了深度学习的语言基础、理论基础、各个典型应用等内容，具体内容如下。
第1章Python语言基础，介绍了Python典型的开发环境、基本语法、数据结构、文件操作、函数以及类等知识。
第2章Python操作数据库及Web框架，介绍了SQLite、MySQL的操作方法，以及典型Web的框架等知识。
第3章Python深度学习环境，介绍了Anaconda环境的搭建及操作方法、机器学习通用库Sklearn、机器学习深度库TensorFlow和Keras、视觉库OpenCV的安装和使用方法、自然语言处理的多种工具，以及其他典型的深度学习框架等知识。
第4章深度学习典型结构，介绍了深度学习的发展历程和应用领域，神经网络的结构、算法、训练和参数设置，以及卷积神经网络、循环神经网络、递归神经网络、生成对抗网络的结构和应用等知识。
第5章深度学习数据准备—数据爬取和清洗，介绍了典型的爬虫框架和数据爬取过程，数据清洗的内容和方法，以及数据显示等知识。
第6章图像识别分类，介绍了经典的图片数据集，以及识别人眼、性别、花朵、动物、车牌及相似图片等知识。
第7章自然语言处理，介绍了多种典型的自然语言处理工具，以及使用Jieba库提取关键词，使用Gensim查找相似词，使用TextBlob进行情感分析，使用CountVectorizer和TfidfVectorize提取文本特征等知识，并演示了语法分析和语义分析的相关应用实例。
第8章情感分析，介绍了情感分析的过程，典型的情感数据库，基于LSTM的情感分析，基于SnowNLP的新闻评论的数据分析，以及基于Dlib实现人脸颜值预测等知识。
第9章机器翻译，介绍了机器翻译的模型Encoder-Decoder，机器翻译平台PaddlePaddle的安装和使用等知识，并演示了看图说话的相关应用实例。
第10章目标检测，介绍了目标检测的过程、典型的目标检测算法，以及利用Faster R-CNN模型、YOLO模型和SSD模型实现目标检测的方法等知识。
第11章语音处理，介绍了语音识别过程及声学模型和语言模型，并演示了语音识别的相关应用实例。
本书具有下列特点。
（1）内容全面：涵盖深度学习的各个方面，包括语言基础、环境使用、典型深度库、理论基础、典型实践等，构建了深度学习的完整知识体系。
（2）贴近实战：应用内容涵盖数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等。
（3）循序渐进：从简单到复杂、从理论到实践，辅以大量实例帮读者所学即所用。
由于编者水平有限，书中不足之处在所难免，望广大专家、读者提出宝贵意见，以便修订时加以改正。