新書推薦:
《
新民说·现实政治史:从马基雅维利到基辛格
》
售價:NT$
454.0
《
宽容是件奢侈品(人生360度·一分钟经典故事)
》
售價:NT$
203.0
《
甲骨拼合六集
》
售價:NT$
1520.0
《
视觉美食家:商业摄影实战与创意解析
》
售價:NT$
602.0
《
中国经济发展的新阶段:机会与选择
》
售價:NT$
454.0
《
DK月季玫瑰百科
》
售價:NT$
959.0
《
为你想要的生活
》
售價:NT$
301.0
《
关键改变:如何实现自我蜕变
》
售價:NT$
352.0
|
內容簡介: |
本书以一个彩票预测的实战项目开发为主线,详细介绍了爬虫基础、概率论、时间序列、深度学习等热门的人工智能技术及TensorFlow+Keras这种主流的深度学习框架的使用方法。 本书分为8章,涵盖的主要内容有深度学习基础、数据抓取与存储、概率论基础、时间序列、深度学习框架简介及环境安装、深度学习原理、Keras入门、福彩3D预测平台工程搭建等。
|
關於作者: |
郑敦庄毕业于北京交通大学计算机科学与技术专业,曾就职于华为软件公司云计算部门,全栈开发人员,精通多种语言,曾到新浪爱彩、旺彩彩票工作过,深入研究各种预测算法,大自然预测公众号超过四万关注用户,对比特币量化交易、人工智能深度学习各类算法有过深入研究。胡承志现就职于世界500强公司高级研发工程师,当前职位为驱动与Android软件开发工程师,2013年开始接触彩票与比特币领域,先后深入研究传统算法模型、机器学习、深度学习等领域的各类算法,对各类算法模型在彩票开奖、比特币价格波动预测等方面有过深入研究。
|
目錄:
|
目 录
第1章 深度学习基础 1
1.1 人工智能、机器学习与深度学习 1
1.1.1 人工智能的诞生 1
1.1.2 人工智能、机器学习和深度学习的关系 3
1.1.3 深度学习的发展 3
1.2 深度学习的应用领域 4
1.2.1 语音搜索和语音助手 4
1.2.2 图像识别 4
1.2.3 自动驾驶 5
1.2.4 金融领域 5
1.3 深度学习的主要框架 5
1.3.1 Theano 6
1.3.2 TensorFlow 6
1.3.3 Keras 7
1.3.4 PyTorch 8
1.3.5 Microsoft CNTK 8
1.3.6 MXNet 9
第2章 数据抓取与存储 10
2.1 Windows系统下Python开发环境的安装 10
2.1.1 Windows系统下安装Anaconda 11
2.1.2 下载并安装Python 3安装包 11
2.1.3 检查环境安装是否成功 13
2.2 Linux系统下Python开发环境的安装 13
2.2.1 CentOS 7系统下安装Python 3.6 14
2.2.2 Ubuntu 18.04系统下安装Python 3.6.6 15
2.2.3 Linux系统下安装Anaconda 15
2.3 第三方库的安装 16
2.3.1 数据收集与处理流程 16
2.3.2 请求库的安装 17
2.3.3 解析库的安装 17
2.4 数据库的安装 19
2.4.1 Windows系统下安装MySQL 8.0 19
2.4.2 Ubuntu系统下安装MySQL 8.0 23
2.4.3 存储库的安装 24
2.5 爬虫基础 25
2.5.1 URI和URL 25
2.5.2 超文本 25
2.5.3 HTTP协议和HTTPS协议 26
2.5.4 HTTP请求 27
2.5.5 Request请求 29
2.5.6 Reponse响应 33
2.6 实战案例:抓取双色球开奖数据 35
2.6.1 项目介绍 35
2.6.2 抓取最新期开奖数据 35
2.6.3 抓取历史期开奖数据 49
第3章 概率论基础 57
3.1 样本空间及随机变量 57
3.1.1 样本空间 57
3.1.2 随机变量 58
3.2 概率分布及分布函数 59
3.2.1 概率分布 59
3.2.2 分布函数 60
3.3 离散随机变量 61
3.3.1 离散随机变量概述 61
3.3.2 离散随机变量的均匀分布 62
3.3.3 伯努利分布(Bernoulli Distribution) 65
3.3.4 二项分布(Binomial Distribution) 65
3.3.5 泊松分布(Poisson Distribution) 66
3.4 实战案例:分析双色球一等奖开奖注数是否随机 68
3.4.1 查询数据 68
3.4.2 柱形图显示 70
第4章 时间序列 77
4.1 时间序列入门 77
4.1.1 什么是时间序列 77
4.1.2 时间序列的基本概念 78
4.1.3 如何进行时间序列分析 79
4.2 彩票的特性模型选择 80
4.2.1 概率均等性 80
4.2.2 偏态性 80
4.2.3 连贯性 81
4.2.4 时序性 81
4.3 马尔可夫链模型 82
4.3.1 马尔可夫链的基本原理 82
4.3.2 基于加权马尔可夫链的模型福彩3D分析与预测 85
4.4 实战案例:马尔可夫链模型预测 87
4.4.1 项目介绍 87
4.4.2 抓取福彩3D数据 87
4.4.3 马尔可夫链预测的步骤分析 96
4.4.4 马尔可夫链预测步骤一:马尔可夫性验证 96
4.4.5 马尔可夫链预测步骤二:一步转移概率矩阵 98
4.4.6 马尔可夫链预测步骤三:n步转移概率矩阵 101
4.4.7 马尔可夫链预测步骤四:计算权重wk 101
4.4.8 马尔可夫链预测步骤五:进行预测 103
第5章 深度学习框架简介及环境安装 117
5.1 Tensorflow的发展历程 117
5.2 Ubuntu系统下安装TensorFlow Keras 120
5.2.1 安装CPU版本的TensorFlow 120
5.2.2 安装Keras 122
5.3 Windows系统下安装TensorFlow Keras 122
5.3.1 安装GPU版本的TensorFlow 122
5.3.2 安装Keras 127
第6章 深度学习原理 128
6.1 深度学习数学基础 128
6.1.1 张量 128
6.1.2 应用中的数据张量 132
6.2 神经网络基础 134
6.2.1 感知器 134
6.2.2 线性单元 140
6.2.3 线性模型 141
6.2.4 目标函数 141
6.2.5 梯度下降算法 142
6.2.6 随机梯度下降算法 148
6.2.7 线性回归代码实例 148
6.3 循环神经网络 152
6.3.1 循环神经网络的概念 152
6.3.2 实战RNN 153
6.4 LSTM神经网络 156
6.4.1 RNN的长期依赖问题 156
6.4.2 LSTM原理简介 156
6.5 参考文献 159
第7章 Keras入门 160
7.1 Keras简介 160
7.1.1 Keras在TensorFlow中的架构图 161
7.1.2 Keras基础 161
7.2 Sequential顺序模型 162
7.2.1 指定输入数据的大小 163
7.2.2 模型编译 163
7.2.3 优化器 164
7.2.4 损失函数 171
7.2.5 损失函数的选择 173
7.2.6 评价函数 181
7.2.7 模型训练 182
7.2.8 训练历史可视化 184
7.2.9 模型预测 184
7.3 Keras LSTM简介 185
7.3.1 LSTM参数介绍 185
7.3.2 LSTM序列模型搭建 186
7.4 实战案例:LSTM神经网络预测福彩3D 188
7.4.1 项目介绍 188
7.4.2 导入数据和参数 189
7.4.3 构建LotteryLSTM框架类 191
7.4.4 LotteryLSTM初始化 192
7.4.5 训练数据集和测试数据集分割 192
7.4.6 LSTM网络的创建与训练 194
7.4.7 Keras模型的保存 196
7.4.8 LSTM网络评估 199
7.4.9 LSTM网络预测结果可视化 200
7.4.10 项目代码实现 201
7.5 参考文献 211
第8章 福彩3D预测平台工程搭建 212
8.1 工程代码整合 212
8.1.1 LSTM神经网络模型保存 212
8.1.2 LSTM神经网络模型调用 218
8.1.3 抓取数据代码 220
8.1.4 MySQL数据库导入数据库文件 223
8.2 工程代码 224
8.3 结束语 246
|
內容試閱:
|
前 言
据统计,在如今的各个行业中,互联网与软件工程行业的薪资名列前茅,大幅领先于传统行业,其中人工智能与大数据更是在互联网领域大放异彩。除此之外,人工智能领域的薪资涨幅也远超传统行业。随着大数据时代的来临,各行各业逐步深入实践和应用人工智能领域的相关技术,导致具有实践经验的顶尖AI人才缺口逐步增大。由此可见,人工智能技术将成为第四次工业革命的发动机,成为不可或缺的力量源泉。
在人工智能领域,深度学习方向涌现出了大量的框架来提高开发效率,而Keras成为其中的佼佼者,它具备三大优势:
???Keras?能够在多种不同的底层张量库上作为前端运行,使Keras无缝衔接各类底层应用,从而具备良好的可扩展性。
???Keras?具有良好的模块化设计方案,使用它设计自己的网络层往往能够节约大量时间。
???Keras提供了对底层设备差异的封装,极大地减少了人工的工作量。
本书结合大量的实际案例,从Python入门级别的大数据实践出发,逐步深入到对Keras深度学习技术的探讨,并通过图文结合及项目实战的代码讲解,来提高读者的理论能力及代码的实践能力。
本书特色
1.入门门槛低,学习曲线平滑
本书从搭建环境开始,分别介绍了Windows和Linux两种环境的安装,然后介绍了与Python数据编程相关的基础知识和工具包,如Jupyter Notebook、Numpy、Matplotlib、Pandas、Scipy等,又介绍了深度学习的基础理论,最后介绍了通过Keras实现深度学习的各类经典应用。整个学习曲线平滑,适合深度学习和机器学习零基础的读者。
2.注重新手友好性,理论结合实践
对于一个新知识点的出现,本书会通过对比的方式给出概念或原理,让读者能举一反三,拓宽知识面。关于深度学习的一些理论概念,本书都会给出简短的示例,让读者能边学习边实践,缩短新手与老手之间的差距。
3.技术面广泛,实践技巧丰富
本书所选的案例广泛且丰富,既有以神经网络为基础的感知器和线性单元的经典案例,又有基于LSTM神经网络的实战。在代码示例中,不仅包含了模型构建和设计的核心思想,也展示了新手容易犯错的一些细节。本书还包含了在工程实践中常用的设计与实现技巧,用来提高本书的实用性,加强案例与实际系统设计和实现过程的联系。
本书内容及知识体系
第1章介绍了深度学习的基础知识,通过梳理人工智能的历史,来了解人工智能、机器学习与深度学习的概念,并认识与理解三者之间的关系。
第2章介绍了深度学习中很重要的数据的前期处理工作,包括数据抓取与存储。另外,详细介绍了在各个平台中环境的安装与配置及爬虫的基础知识。本章的最后以抓取双色球的开奖数据为例来巩固和复习前面的知识要点。
第3章介绍了概率论的基础知识,将彩票套用在离散随机变量的数学概念中进行分析。本章的最后以双色球一等奖的开奖分布论证了双色球开奖是否随机、是否有过多人工干预的假设。
第4章介绍了时间序列的基础知识。上一章论证彩票的离散性,而这一章将彩票归入时间序列的数学模型中,论证彩票的时序性。本章的最后以经典的马尔可夫链模型来进行福彩3D的开奖预测。
第5章介绍了深度学习环境的搭建,详细介绍了TensorFlow Keras环境的安装与配置,并重点介绍了GPU版本的TensorFlow Keras环境的安装与配置。
第6章介绍了深度学习的原理,包括深度学习数学基础、神经网络基础、循环神经网络、LSTM神经网络等,其中分别以逻辑与(and)的实例和房价预测来讲解感知器和线性单元的相关概念。
第7章介绍了深度学习框架Keras的基础知识,包括优化器、损失函数、评价函数、模型训练、训练历史可视化、模型预测等,同时介绍了搭建一个基础的LSTM神经网络所涉及的相关知识点,最后以LSTM神经网络预测福彩3D为例,综合应用了本章的相关知识点。
第8章介绍了福彩3D预测平台的搭建过程,将第2章中的数据抓取和第7章中的LSTM神经网络预测的代码进行整合,完成了对福彩3D预测平台的搭建。
适合阅读本书的读者
? 深度学习爱好者。
???Keras入门读者。
???Python数据分析人员。
? 算法工程设计实现工程师。
? 渴望入门深度学习相关领域的学生。
? 模型与架构设计等相关领域工程师。
? 深度学习应用研究人员。
? 人工智能产业从业人员。
本书由郑敦庄、胡承志编写,读者有什么疑问可以加入知识星球一起讨论:深度学习实战答疑讨论(星球ID:49137329)。
|
|