Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
D_ACMER
apachecn-dl-zh
提交
d9041ffe
A
apachecn-dl-zh
项目概览
D_ACMER
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
d9041ffe
编写于
12月 20, 2020
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2020-12-20 17:52:06
上级
c24a9b67
变更
4
隐藏空白更改
内联
并排
Showing
4 changed file
with
15 addition
and
15 deletion
+15
-15
new/intel-proj-py/00.md
new/intel-proj-py/00.md
+8
-8
new/intel-proj-py/01.md
new/intel-proj-py/01.md
+1
-1
new/intel-proj-py/04.md
new/intel-proj-py/04.md
+1
-1
new/master-pred-anal-sklearn-tf/0.md
new/master-pred-anal-sklearn-tf/0.md
+5
-5
未找到文件。
new/intel-proj-py/00.md
浏览文件 @
d9041ffe
...
...
@@ -8,25 +8,25 @@
# 本书涵盖的内容
第 1 章
和
“基于人工智能的系统”的基础知识,涵盖了如何使用机器学习,深度学习和强化学习来构建智能人工智能系统的基础知识。 我们将讨论各种人工神经网络,包括用于图像处理目的的 CNN 和用于自然语言处理目的的 RNN。
第 1 章
,
“基于人工智能的系统”的基础知识,涵盖了如何使用机器学习,深度学习和强化学习来构建智能人工智能系统的基础知识。 我们将讨论各种人工神经网络,包括用于图像处理目的的 CNN 和用于自然语言处理目的的 RNN。
第 2 章
和
“迁移学习”涵盖了如何使用迁移学习来检测人眼中糖尿病性视网膜病变的情况以及确定视网膜病变的严重程度。 我们将探索 CNN,并学习如何使用能够在人眼眼底图像中检测出糖尿病性视网膜病变的 CNN 训练模型。
第 2 章
,
“迁移学习”涵盖了如何使用迁移学习来检测人眼中糖尿病性视网膜病变的情况以及确定视网膜病变的严重程度。 我们将探索 CNN,并学习如何使用能够在人眼眼底图像中检测出糖尿病性视网膜病变的 CNN 训练模型。
第 3 章,“神经机器翻译”涵盖了
**递归神经网络**
(
**RNN**
)体系结构的基础。 我们还将学习三种不同的机器翻译系统:基于规则的机器翻译,统计机器翻译和神经机器翻译。
第 4 章
和
“在 GAN 中使用 GAN” 进行时尚行业中的样式迁移,说明如何创建智能 AI 模型以生成具有与给定手袋相似样式的鞋子,反之亦然。 我们将使用 Vanilla GAN 通过 GAN 的定制版本(例如 DiscoGAN 和 CycleGAN)来实施项目。
第 4 章
,
“在 GAN 中使用 GAN” 进行时尚行业中的样式迁移,说明如何创建智能 AI 模型以生成具有与给定手袋相似样式的鞋子,反之亦然。 我们将使用 Vanilla GAN 通过 GAN 的定制版本(例如 DiscoGAN 和 CycleGAN)来实施项目。
第 5 章
和
“视频字幕应用程序”讨论了 CNN 和 LSTM 在视频字幕中的作用,并说明了如何利用序列到视频(视频到文本)架构来构建视频字幕系统。
第 5 章
,
“视频字幕应用程序”讨论了 CNN 和 LSTM 在视频字幕中的作用,并说明了如何利用序列到视频(视频到文本)架构来构建视频字幕系统。
第 6 章
和
“智能推荐系统”讨论了推荐器系统,这些系统是处理数字数据过载问题的信息过滤系统,以便根据这些信息或信息提取信息。 我们将使用潜在分解进行协同过滤,并使用受限的 Boltzmann 机器来构建推荐系统。
第 6 章
,
“智能推荐系统”讨论了推荐器系统,这些系统是处理数字数据过载问题的信息过滤系统,以便根据这些信息或信息提取信息。 我们将使用潜在分解进行协同过滤,并使用受限的 Boltzmann 机器来构建推荐系统。
第 7 章
和
“用于电影评论情感分析的移动应用程序”解释了如何使用机器学习即服务来使移动应用程序受益。 我们将使用 TensorFlow 创建一个 Android 移动应用,该应用将以电影评论作为输入并基于情感分析提供评分。
第 7 章
,
“用于电影评论情感分析的移动应用程序”解释了如何使用机器学习即服务来使移动应用程序受益。 我们将使用 TensorFlow 创建一个 Android 移动应用,该应用将以电影评论作为输入并基于情感分析提供评分。
第 8 章
和
“用于客户服务的会话式 AI 聊天机器人”,介绍了聊天机器人在此期间的发展历程,并探讨了使用会话聊天机器人的好处。 我们还将研究如何创建聊天机器人以及什么是 LSTM 序列到序列模型。 我们还将为 Twitter 支持聊天机器人构建序列到序列模型。
第 8 章
,
“用于客户服务的会话式 AI 聊天机器人”,介绍了聊天机器人在此期间的发展历程,并探讨了使用会话聊天机器人的好处。 我们还将研究如何创建聊天机器人以及什么是 LSTM 序列到序列模型。 我们还将为 Twitter 支持聊天机器人构建序列到序列模型。
第 9 章,“使用强化学习的自主式无人驾驶汽车”,介绍了强化学习和 Q 学习。 我们还将使用深度学习和强化学习来创建自动驾驶汽车。
第 10 章
和
“来自深度学习角度的验证码”,我们讨论了验证码是什么以及为什么需要验证码。 我们还将创建一个模型,以使用深度学习来打破验证码,然后如何使用对抗学习来生成它们。
第 10 章
,
“来自深度学习角度的验证码”,我们讨论了验证码是什么以及为什么需要验证码。 我们还将创建一个模型,以使用深度学习来打破验证码,然后如何使用对抗学习来生成它们。
# 充分利用这本书
...
...
new/intel-proj-py/01.md
浏览文件 @
d9041ffe
...
...
@@ -562,4 +562,4 @@ Figure 1.14: GAN architecture
您现在应该熟悉本书其余各章中构建智能 AI 应用程序时将要使用的核心技术。 在构建应用程序时,我们将在需要时进行一些技术上的改动。 建议不熟悉深度学习的读者探索更多有关本章涉及的核心技术的信息,以便更全面地理解。
在随后的章节中,我们将讨论实用的 AI 项目,并使用本章中讨论的技术来实现它们。 在第 2 章和“迁移学习”中,我们将从使用迁移学习实现医疗保健应用程序进行医学图像分析开始。 我们希望您期待您的参与。
\ No newline at end of file
在随后的章节中,我们将讨论实用的 AI 项目,并使用本章中讨论的技术来实现它们。 在第 2 章,“迁移学习”中,我们将从使用迁移学习实现医疗保健应用程序进行医学图像分析开始。 我们希望您期待您的参与。
\ No newline at end of file
new/intel-proj-py/04.md
浏览文件 @
d9041ffe
...
...
@@ -745,4 +745,4 @@ Epoch: [ 0] [ 19/ 156] time: 13.7525
现在,我们到了本章的结尾。 您现在应该精通 DiscoGAN 的技术知识和实施复杂性。 我们在本章中探讨的概念可用于实施各种生成性对抗性网络,这些网络具有适合当前问题的细微变化。 DiscoGAN 网络的端到端实现位于 GitHub 存储库中,位于
[
这里
](
https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter04
)
。
在第 5 章和“视频字幕应用程序”中,我们将研究视频到文本翻译应用程序,它们属于人工智能领域的专家系统。
\ No newline at end of file
在第 5 章,“视频字幕应用程序”中,我们将研究视频到文本翻译应用程序,它们属于人工智能领域的专家系统。
\ No newline at end of file
new/master-pred-anal-sklearn-tf/0.md
浏览文件 @
d9041ffe
...
...
@@ -12,15 +12,15 @@ Python 是一种编程语言,可提供数据科学领域的各种功能。 在
# 本书涵盖的内容
第 1 章
和
*回归和分类的集成方法*
涵盖了集成方法或算法的应用,以产生模型的准确预测。 我们将通过集成方法来解决回归和分类问题。
第 1 章
,“回归和分类的集成方法”
涵盖了集成方法或算法的应用,以产生模型的准确预测。 我们将通过集成方法来解决回归和分类问题。
第 2 章
和
*交叉验证和参数调整*
探索了各种技术来组合和构建更好的模型。 我们将学习不同的交叉验证方法,包括保持交叉验证和 k 折交叉验证。 我们还将讨论什么是超参数调整。
第 2 章
,“交叉验证和参数调整”
探索了各种技术来组合和构建更好的模型。 我们将学习不同的交叉验证方法,包括保持交叉验证和 k 折交叉验证。 我们还将讨论什么是超参数调整。
第 3 章
和
*处理要素*
,探讨了要素
选择方法,降维,PCA 和要素工程。 我们还将研究通过特征工程改进模型的方法。
第 3 章
,“处理特征”,探讨了特征
选择方法,降维,PCA 和要素工程。 我们还将研究通过特征工程改进模型的方法。
第 4 章,
*人工神经网络和 TensorFlow 简介*
是 ANN 和 TensorFlow 的简介。 我们将探索网络中的各种元素及其功能。 我们还将在其中学习 TensorFlow 的基本概念。
第 4 章,
“人工神经网络和 TensorFlow 简介”
是 ANN 和 TensorFlow 的简介。 我们将探索网络中的各种元素及其功能。 我们还将在其中学习 TensorFlow 的基本概念。
第 5 章
和
*使用 TensorFlow 和深度神经网络*
进行预测分析
,在 TensorFlow 和深度学习的帮助下探索预测分析。 我们将研究 MNIST 数据集和使用该数据集的模型分类。 我们将学习 DNN,它们的功能以及 DNN 在 MNIST 数据集中的应用。
第 5 章
,“使用 TensorFlow 和深度神经网络进行预测分析”
,在 TensorFlow 和深度学习的帮助下探索预测分析。 我们将研究 MNIST 数据集和使用该数据集的模型分类。 我们将学习 DNN,它们的功能以及 DNN 在 MNIST 数据集中的应用。
# 充分利用这本书
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录