深度学习训练营 21天实战TensorFlow+Keras+scikit-learn

张强，现任特拉字节（北京）科技有限公司执行董事，曾任职奇虎360企业安全集团蓝信团队高级研发工程师、知乎移动端高级研发工程师。具有丰富的人工智能深度学习领域知识，多年前端、iOS移动端、Python后端、数据分析和.Net后端的研发经验，对深度学习、神经网络、App、网站、服务器具有一定的研发工作经验和深度见解，运营公众号“小强AI”。

以Python为基础的编程语言编写神经网络代码
21个常见的深度学习的现实应用场景
以*流行的TensorFlow和Keras的深度学习框架为基础的编写
没有复杂的公式和方程，不需要推导和求解，直接上手编写代码
熟悉其它编程语言的初级程序员也可以快速上手
借助Linux创始人的一句话来说：Talk is cheap, show me the code

第 一篇 预测类项目实战
第 1章 房价预测
1．1 数据准备
1．1．1 环境准备
1．1．2 预处理数据
1．1．3 数据可视化分析
1．2 基于scikit-learn实现房价预测
1．2．1 衡量R2值
1．2．2 模型性能对比
1．2．3 网格搜索模型
1．2．4 波士顿房价预测
1．2．5 北京房价预测
1．3 基于Keras实现房价预测
1．3．1 数据准备
1．3．2 创建神经网络模型
1．3．3 训练网络模型
1．3．4 可视化模型的结果
1．3．5 评估和预测模型
1．3．6 预测可视化显示
1．4 小结
第 2章 泰坦尼克号生还预测
2．1 数据准备
2．1．1 环境准备
2．1．2 预处理数据
2．1．3 缺失值处理
2．1．4 数据清洗与分割
2．2 基于决策树模型预测
2．2．1 训练
2．2．2 预测
2．3 基于逻辑回归模型预测
2．3．1 训练
2．3．2 预测
2．4 基于梯度提升分类器模型预测
2．4．1 训练
2．4．2 预测
2．5 基于神经网络模型预测
2．5．1 训练
2．5．2 预测
2．5．3 绘制曲线图
2．6 基于Keras的神经网络模型预测
2．6．1 训练
2．6．2 预测
2．7 小结
第3章 共享单车使用情况预测
3．1 数据准备
3．1．1 环境准备
3．1．2 数据可视化
3．1．3 预处理数据
3．1．4 数据清洗与分割
3．2 基于TensorFlow的长短期记忆网络模型预测
3．2．1 处理序列
3．2．2 参数准备
3．2．3 创建LSTM模型
3．2．4 训练模型
3．2．5 模型预览与测试
3．2．6 对比预测值模型预览
3．3 小结
第4章 福彩3D中奖预测
4．1 数据准备
4．1．1 环境准备
4．1．2 数据准备
4．1．3 数据预处理
4．1．4 数据可视化
4．2 基于神经网络模型预测
4．2．1 决策树
4．2．2 多层感知器
4．2．3 时间序列基础
4．2．4 时间序列预测
4．2．5 根据开奖号码单变量单个位数预测
4．3 小结
第5章 股票走势预测
5．1 数据准备
5．1．1 环境准备
5．1．2 数据集说明
5．2 百度股票预测
5．2．1 数据准备
5．2．2 数据可视化
5．2．3 计算购买的股票收益
5．2．4 训练和评估模型
5．2．5 股票预测
5．2．6 股票买入策略
5．3 微软股票预测
5．3．1 数据准备
5．3．2 数据可视化
5．3．3 计算购买的股票收益
5．3．4 训练和评估模型
5．3．5 股票预测
5．3．6 股票买入战略
5．4 小结
第6章 垃圾邮件预测
6．1 数据准备
6．1．1 环境准备
6．1．2 数据准备
6．1．3 数据预处理
6．2 基于多项式朴素贝叶斯的邮件分类
6．2．1 数据处理
6．2．2 创建和训练模型
6．2．3 测试模型
6．3 基于TensorFlow的神经网络模型的邮件分类
6．3．1 构建N-Gram向量化数据
6．3．2 创建模型
6．3．3 训练模型
6．3．4 可视化训练结果
6．4 小结
第7章 影评的情感分析
7．1 数据准备
7．1．1 环境准备
7．1．2 预处理数据
7．1．3 数据集编码
7．1．4 数据集分割
7．2 基于TensorFlow的长短期记忆网络实现影评的情感分析
7．2．1 参数准备
7．2．2 创建LSTM模型
7．2．3 训练模型
7．2．4 模型测试
7．3 基于Keras的长短期记忆网络实现影评的情感分析
7．3．1 数据预处理
7．3．2 创建模型
7．3．3 预览模型架构
7．3．4 训练模型
7．3．5 模型评估
7．4 小结
第8章 语言翻译
8．1 数据准备
8．1．1 环境准备
8．1．2 数据准备
8．1．3 数据预处理
8．2 基于Keras的长短期记忆网络实现语言翻译
8．2．1 Tokenize文本数据
8．2．2 数据编码和填充
8．2．3 创建模型
8．2．4 训练模型
8．2．5 测试模型
第二篇 识别类项目实战
第9章 MNIST手写数字识别
9．1 MNIST数据集
9．1．1 简介
9．1．2 数据下载
9．1．3 可视化数据
9．2 基于多层感知器的TensorFlow实现MNIST识别
9．2．1 参数准备
9．2．2 创建模型
9．2．3 训练模型
9．2．4 模型预测
9．3 基于多层感知器的Keras实现MNIST识别
9．3．1 数据准备
9．3．2 创建模型
9．3．3 训练模型
9．3．4 模型预测
9．3．5 单张图像预测
9．4 基于卷积神经网络的TensorFlow实现MNIST识别
9．4．1 参数准备
9．4．2 创建模型
9．4．3 训练模型
9．4．4 模型预测
9．5 基于卷积神经网络的Keras实现MNIST识别
9．5．1 数据准备
9．5．2 创建模型
9．5．3 训练模型
9．5．4 模型预测
9．5．5 单张图像预测
9．6 小结
第 10章 狗狗的品种识别
10．1 数据准备
10．1．1 环境准备
10．1．2 数据可视化
10．1．3 预处理数据
10．2 基于Keras的卷积神经网络模型预测
10．2．1 创建模型
10．2．2 训练模型
10．2．3 模型评估
10．3 基于Keras的InceptionV3预训练模型实现预测
10．3．1 模型函数声明
10．3．2 预测单张图片
10．4 基于TFHUB的Keras的迁移学习实现预测
10．4．1 数据集下载和准备
10．4．2 预训练模型下载
10．4．3 创建模型
10．4．4 训练模型
10．4．5 测试模型
10．4．6 模型预测单张图片
10．5 小结
第 11章 人脸识别
11．1 数据准备
11．1．1 环境准备
11．1．2 数据下载和分析
11．1．3 人脸图像数据预览
11．2 基于FaceNet的人脸对齐和验证
11．2．1 下载和对齐图像
11．2．2 在LFW上验证
11．3 训练自己的人脸识别模型
11．3．1 图像数据准备和对齐
11．3．2 训练模型
11．3．3 验证模型
11．3．4 再训练模型
11．3．5 再评估模型
11．3．6 将模型CheckPoints文件转换成pb文件
11．4 基于FaceRecognition的人脸识别
11．4．1 配置环境
11．4．2 人脸图像检测
11．4．3 实时人脸识别
11．5 小结
第 12章 人脸面部表情识别
12．1 基于Keras的卷积神经网络实现人脸面部表情识别
12．1．1 环境准备
12．1．2 数据准备
12．1．3 数据集分割
12．1．4 数据集预处理
12．1．5 构建CNN模型
12．1．6 图片增强与训练模型
12．1．7 评估模型
12．1．8 保存与读取模型
12．1．9 单张图片测试模型
12．2 对视频中的人脸面部做表情识别
12．2．1 读取模型
12．2．2 模型参数定义
12．2．3 视频的帧处理函数定义
12．2．4 识别与转换视频
12．3 实时人脸面部表情识别
12．3．1 模型参数定义
12．3．2 启动摄像头和识别处理
12．4 小结
第 13章 人体姿态识别
13．1 基于TensorFlow实现人体姿态识别
13．1．1 环境准备
13．1．2 下载与安装
13．1．3 单张图像识别
13．1．4 视频内容里的人的姿态识别
13．1．5 实时摄像识别
13．2 基于Keras实现人体姿态识别
13．2．1 环境准备
13．2．2 下载仓库
13．2．3 单张图像识别
13．2．4 视频内容里的人的姿态识别
13．2．5 实时摄像识别
13．3 小结
第 14章 皮肤癌分类
14．1 数据准备
14．1．1 环境准备
14．1．2 数据下载
14．1．3 数据可视化
14．2 基于Keras的卷积神经网络实现分类
14．2．1 数据预处理
14．2．2 创建CNN模型
14．2．3 编译模型
14．2．4 训练模型
14．2．5 评估模型和图像测试
14．3 基于TensorFlow的迁移学习实现分类
14．3．1 数据准备
14．3．2 训练模型
14．3．3 验证模型
14．3．4 Tensorboard可视化
14．4 小结
第 15章 对象检测
15．1 对象检测的应用领域
15．1．1 无人机应用领域
15．1．2 自动驾驶汽车应用领域
15．1．3 无人超市应用领域
15．2 原理分析
15．2．1 R-CNN的介绍与分析
15．2．2 Faster R-CNN的介绍与分析
15．2．3 Mask R-CNN的介绍与分析
15．3 基于Mask R-CNN Inception COCO的图片对象检测
15．3．1 环境准备
15．3．2 导入Packages
15．3．3 下载 Mask R-CNN Inception 2018 预训练模型
15．3．4 加载模型到内存中
15．3．5 加载类别映射
15．3．6 定义函数将图片转为Numpy数组
15．3．7 定义图像对象检测函数
15．3．8 检测图像中的对象
15．3．9 效果预览
15．4 基于Faster R-CNN Inception COCO的视频实时对象检测
15．4．1 环境准备
15．4．2 导入Packages
15．4．3 下载Faster R-CNN Inception 2018预训练模型
15．4．4 加载模型到内存中
15．4．5 加载类别映射
15．4．6 定义视频中的图像对象检测函数
15．4．7 定义视频中的图像处理函数
15．4．8 视频中的图像对象检测
15．4．9 效果预览
15．5 基于 SSD MobileNet COCO的实时对象检测
15．5．1 环境准备
15．5．2 导入Packages
15．5．3 下载 SSD MobileNet 2018 预训练模型
15．5．4 加载模型到内存中
15．5．5 加载类别映射
15．5．6 开启实时对象检测
15．5．7 效果预览
15．6 小结
第三篇 生成类项目实战
第 16章 看图写话
16．1 数据准备
16．1．1 环境准备
16．1．2 数据下载
16．1．3 数据预处理
16．2 基于TensorFlow的Show and Tell实现看图写话
16．2．1 数据统计
16．2．2 构建TFRecords格式数据
16．2．3 训练模型
16．2．4 评估模型
16．2．5 测试模型
16．3 小结
第 17章 生成电视剧剧本
17．1 数据准备
17．1．1 环境准备
17．1．2 数据预处理
17．1．3 数据可视化分析
17．2 基于TensorFlow的循环神经网络实现生成电视剧剧本
17．2．1 创建检查表
17．2．2 数据token化预处理
17．2．3 创建Tensor占位符和学习率
17．2．4 初始化RNN Cell
17．2．5 创建Embedding
17．2．6 创建神经网络
17．2．7 创建超参数和优化器
17．2．8 训练神经网络模型
17．2．9 生成电视剧剧本
17．3 基于Textgenrnn来实现生成电视剧剧本
17．3．1 训练模型
17．3．2 生成剧本文本
17．4 小结
第 18章 风格迁移
18．1 基于TensorFlow实现神经风格迁移
18．1．1 环境准备
18．1．2 图像预览
18．1．3 处理图像
18．1．4 模型获取
18．1．5 损失函数计算
18．1．6 训练模型与图像生成
18．2 基于Keras实现神经风格迁移
18．2．1 图像预览
18．2．2 图片处理
18．2．3 获取模型
18．2．4 损失函数计算
18．2．5 迭代与生成风格图像
18．3 小结
第 19章 生成人脸
19．1 基于TensorFlow的GAN实现MNIST数字图像生成
19．1．1 环境准备
19．1．2 MNIST数字图像数据准备
19．1．3 随机查看25张图像
19．1．4 构建模型输入
19．1．5 构建辨别器
19．1．6 构建生成器
19．1．7 计算模型损失
19．1．8 构建优化器
19．1．9 构建训练模型时的图像输出
19．1．10 构建训练模型函数
19．1．11 训练MNIST数据集的GAN模型
19．2 基于TensorFlow的GAN实现LFW人脸图像生成
19．2．1 人脸图像数据准备
19．2．2 训练LFW数据集的GAN模型
19．3 小结
第 20章 图像超分辨率
20．1 效果预览与数据准备
20．1．1 效果预览
20．1．2 环境准备
20．1．3 数据准备
20．2 基于TensorFlow的DCGAN实现超分辨率
20．2．1 下载srez代码库
20．2．2 训练模型将模糊图像生成清晰图像
20．2．3 输出效果预览
20．2．4 生成效果图视频
20．2．5 图片放大高清化
20．3 srez库的代码分析
20．3．1 主入口函数代码分析
20．3．2 创建模型代码分析
20．3．3 训练模型代码分析
20．4 小结
第 21章 移花接木
21．1 基本信息
21．1．1 三种模型效果预览
21．1．2 环境准备
21．1．3 图片数据集准备
21．1．4 CycleGAN网络模型架构
21．2 基于CycleGAN将苹果生成橘子
21．2．1 下载代码库
21．2．2 图片数据处理
21．2．3 训练模型
21．2．4 导出模型
21．2．5 测试图片
21．3 基于CycleGAN将马生成斑马
21．3．1 图片数据处理
21．3．2 训练模型
21．3．3 导出模型
21．3．4 测试图片
21．4 男性和女性的人脸面貌互换
21．4．1 环境准备
21．4．2 计算和生成模型
21．4．3 代码分析
21．5 小结