《Python人工智能项目实战》读书笔记模板

Python人工智能项目实战读书笔记模板01思维导图读书笔记精彩摘录内容摘要目录分析作者介绍目录0305020406思维导图项目实战应用项目智能领域深度训练技术模型损失数据网络要求函数系统推断深度器本书关键字分析思维导图内容摘要内容摘要本书可帮助你结合深度学习和强化学习来构建智能而且实用的基于人工智能的系统。本书涉及的项目涵盖众多领域，例如医疗健康、电子商务、专家系统、智能安防、移动应用和自动驾驶，使用的技术包括卷积神经络、深度强化学习、基于LSTM的RNN、受限玻尔兹曼机、生成对抗络、机器翻译和迁移学习。本书有关构建智能应用的理论知识将帮助读者使用有趣的方法来拓展项目，以便快速创建有影响力的AI应用。读完本书之后，你将有足够的能力建立自己的智能模型，轻松地解决来自任何领域的问题。读书笔记读书笔记一些例子和代码，书中是以tensofrlow和keras为语言的，前后没有依赖，可以挑着章节看。机器学习其实很有意思，本书更多基于应用实例层面。ai如何更好的服务客户而不是取悦研究人员才是ai的商业落地的路子。目录分析1.1神经络1.2神经激活单元1.3用反向传播算法训练神经络1.4卷积神经络1.5循环神经络1.6生成对抗络010302040506第1章人工智能系统基础知识1.7强化学习1.8迁移学习1.9受限玻尔兹曼机1.10自编码器1.11总结12345第1章人工智能系统基础知识1.2神经激活单元1.2.1线性激活单元1.2.2sigmoid激活单元1.2.3双曲正切激活函数1.2.4修正线性单元1.2.5softmax激活单元1.7强化学习1.7.1Q学习1.7.2深度Q学习2.1技术要求2.2迁移学习简介2.3迁移学习和糖尿病视膜病变检测2.4糖尿病视膜病变数据集2.5定义损失函数2.6考虑类别不平衡问题010302040506第2章迁移学习2.7预处理图像2.8使用仿射变换生成额外数据2.9络架构2.10优化器和初始学习率2.11交叉验证2.12基于验证对数损失的模型检查点010302040506第2章迁移学习2.13训练过程的Python实现2.14类别分类结果2.15在测试期间进行推断2.16使用回归而非类别分类2.17使用kerassequential工具类生成器2.18总结010302040506第2章迁移学习2.8使用仿射变换生成额外数据2.8.1旋转2.8.2平移2.8.3缩放2.8.4反射2.8.5通过仿射变换生成额外的图像2.9络架构2.9.1VGG16迁移学习络2.9.2InceptionV3迁移学习络2.9.3ResNet50迁移学习络3.1技术要求3.2基于规则的机器翻译3.3统计机器学习系统3.4神经机器翻译第3章神经机器翻译3.6总结3.5实现序列到序列的神经机器翻译第3章神经机器翻译3.2基于规则的机器翻译3.2.1分析阶段3.2.2词汇转换阶段3.2.3生成阶段3.3统计机器学习系统3.3.1语言模型3.3.2翻译模型3.4神经机器翻译3.4.1编码器-解码器模型3.4.2使用编码器-解码器模型进行推断3.5实现序列到序列的神经机器翻译3.5.1处理输入数据3.5.2定义神经翻译机器的模型3.5.3神经翻译机器的损失函数3.5.4训练模型3.5.5构建推断模型3.5.6单词向量嵌入3.5.7嵌入层3.5.8实现基于嵌入的NMT4.1技术要求4.3CycleGAN4.2DiscoGAN第4章基于GAN的时尚风格迁移4.4学习从手绘轮廓生成自然手提包4.5预处理图像4.6DiscoGAN的生成器4.7DiscoGAN的判别器4.8构建络和定义损失函数12345第4章基于GAN的时尚风格迁移4.9构建训练过程4.10GAN训练中的重要参数值4.11启动训练4.12监督生成器和判别器的损失4.13DiscoGAN生成的样例图像4.14总结010302040506第4章基于GAN的时尚风格迁移5.1技术要求5.2视频字幕中的CNN和LSTM5.3基于序列到序列的视频字幕系统5.4视频字幕系统数据集第5章视频字幕应用5.5处理视频图像以创建CNN特征5.6处理视频的带标签字幕5.7构建训练集和测试集5.8构建模型5.9为字幕创建单词词汇表5.10训练模型010302040506第5章视频字幕应用5.11训练结果5.13总结5.12对未见过的视频进行推断第5章视频字幕应用5.8构建模型5.8.1定义模型的变量5.8.2编码阶段5.8.3解码阶段5.8.4计算小批量损失5.12对未见过的视频进行推断5.12.1推断函数5.12.2评估结果6.1技术要求6.2什么是推荐系统6.3基于潜在因子分解的推荐系统6.4深度学习与潜在因子协同过滤6.5SVD++6.6基于受限玻尔兹曼机的推荐系统010302040506第6章智能推荐系统6.7对比分歧6.8使用RBM进行协同过滤6.9使用RBM实现协同过滤6.10使用训练好的RBM进行推断6.11总结12345第6章智能推荐系统6.9使用RBM实现协同过滤6.9.1预处理输入6.9.2构建RBM络进行协作过滤6.9.3训练RBM7.1技术要求7.2使用TensorFlowmobile构建Android移动应用程序7.3Android应用中的电影评论评分7.4预处理电影评论文本7.5构建模型7.6训练模型010302040506第7章用于电影评论情感分析的移动应用程序7.7将模型冻结为protobuf格式7.8为推断创建单词到表征的字典7.9应用程序交互界面设计7.10Android应用程序的核心逻辑7.11测试移动应用7.12总结010302040506第7章用于电影评论情感分析的移动应用程序8.1技术要求8.3基于LSTM的序列到序列模型8.2聊天机器人的架构第8章提供客户服务的AI聊天机器人8.4建立序列到序列模型8.6总结8.5Twitter平台上的聊天机器人第8章提供客户服务的AI聊天机器人8.5Twitter平台上的聊天机器人8.5.1构造聊天机器人的训练数据8.5.2将文本数据转换为单词索引8.5.3替换匿名用户名8.5.4定义模型8.5.5用于训练模型的损失函数8.5.6训练模型8.5.7从模型生成输出响应8.5.8所有代码连起来8.5.9开始训练9.1技术要求9.3学习Q值函数9.2马尔科夫决策过程第9章基于增强学习的无人驾驶9.4深度Q学习9.5形式化损失函数9.6深度双Q学习9.7实现一个无人驾驶车的代码第9章基于增强学习的无人驾驶9.8深度Q学习中的动作离散化9.9实现深度双Q值络9.10设计智能体9.11自动驾驶车的环境9.12将所有代码连起来12345第9章基于增强学习的无人驾驶9.14总结9.13训练结果第9章基于增强学习的无人驾驶10.1技术要求10.2通过深度学习破解CAPTCHA10.3通过对抗学习生成CAPTCHA10.4总结第10章从深度学习的角度看CAPTCHA10.2通过深度学习破解CAPTCHA10.2.1生成基本的CAPTCHA10.2.2生成用于训练CAPTCHA破解器的数据10.2.3CAPTCHA破解器的CNN架构10.2.4预处理CAPTCHA图像10.2.5将CAPTCHA字符转换为类别10.2.6数据生成器10.2.7训练CAPTCHA破解器10.2.8测试数据集的准确性10.3通过对抗学习生成CAPTCHA10.3.1优化GAN损失10.3.2生成器络10.3.3判别器络10.3.4训练GAN10.3