乔·穆拉伊尔（Jojo Moolayil）是人工智能、深度学习、机器学习和决策科学领域的专家，曾撰写Smarter Decisions：The Intersection of IoT and Decision Science （Packt，2016）一书。他与一些行业领导者在多个垂直领域共同研发了几个影响重大的数据科学和机器学习项目。他目前是Amazon Web Services（laaS提供商）的人工智能领域高级研究员。
　　Jojo出生并成长在印度浦那，毕业于浦那大学信息技术工程专业。他的职业生涯始于世界上**的纯游戏分析提供商Mu Sigma公司，与许多《财富》50强客户共过事。后来他就职于物联网分析初创公司Flutura以及工业人工智能的先驱和领导者GE公司。
　　他目前居住在加拿大温哥华市。除了撰写有关深度学习、决策科学和物联网的书籍外，Jojo还为Apress和Packt Publishing出版社就上述领域的各种书籍担任技术编辑。他是一位活跃的数据科学导师。

主要内容

● 用数学和编程思维快速掌握实用的深度学习概念

● 利用Keras框架设计、开发、训练、验证和部署深度神经网络

● 呈现调试和验证深度学习模型的最佳实践

● 将深度学习作为服务部署并集成到大型软件服务或产品中

● 将深度学习基本原理扩展到其他主流框架

目    录

第1章  深度学习和Keras简介   1

1.1  深度学习简介   1

1.1.1  揭开流行术语的神秘面纱   1

1.1.2  深度学习可求解当今世界中的哪些经典问题   4

1.1.3  深度学习模型分解   4

1.2  探索流行的深度学习框架   6

1.2.1  低级深度学习框架   7

1.2.2  高级深度学习框架   9

1.3  初步了解Keras框架   10

1.3.1  准备数据   11

1.3.2  定义模型结构   12

1.3.3  训练模型和预测   12

1.4  本章小结   12

第2章  上手Keras   13

2.1  设置环境   13

2.1.1  选择Python版本   13

2.1.2  在Windows、Linux或macOS中安装Python   14

2.1.3  安装Keras和TensorFlow后端   14

2.2  Keras深度学习入门   16

2.2.1  输入数据   17

2.2.2  神经元   18

2.2.3  激活函数   19

2.2.4  sigmoid激活函数   19

2.2.5  模型   21

2.2.6  层   22

2.2.7  损失函数   24

2.2.8  优化器   26

2.2.9  评价指标   29

2.2.10  配置模型   30

2.2.11  训练模型   30

2.2.12  模型评估   33

2.3  组合所有基本模块   34

2.4  本章小结   39

第3章  基于深度神经网络的监督学习：回归   41

3.1  引言   41

3.2  问题表述   43

3.2.1  为什么利用一种设计原则来表示问题表述很重要   43

3.2.2  设计SCQ   44

3.2.3  设计解决方案   45

3.3  探索数据   46

3.3.1  查看数据字典   48

3.3.2  查找数据类型   50

3.3.3  处理时间   51

3.3.4  预测销售额   53

3.3.5  探索数值列   54

3.3.6  了解分类特征   56

3.4  数据工程   60

3.5  定义模型的基准性能   64

3.6  设计深度神经网络   65

3.6.1  测试模型性能   68

3.6.2  改进模型   68

3.6.3  增加神经元数量   71

3.6.4  绘制跨历元的损失指标曲线   73

3.6.5  人工测试模型   74

3.7  本章小结   75

第4章  基于深度神经网络的监督学习：分类   77

4.1  引言   77

4.2  问题表述   78

4.2.1  设计SCQ   78

4.2.2  设计解决方案   79

4.3  探索数据   80

4.4  数据工程   84

4.5  定义模型的准确率基准   89

4.6  设计分类深度神经网络   90

4.7  重访数据   94

4.7.1  标准化、归一化和缩放数据   94

4.7.2  转换输入数据   95

4.8  基于改进数据的分类深度神经网络   96

4.9  本章小结   101

第5章  深度神经网络调优与部署   103

5.1  过拟合问题   103

5.2  什么是正则化   104

5.2.1  L1正则化   105

5.2.2  L2正则化   106

5.2.3  丢弃正则化   106

5.3  超参数调优   107

5.3.1  深度学习中的超参数   108

5.3.2  超参数调优方法   111

5.4  模型部署   114

5.4.1  定制测试数据   114

5.4.2  将模型保存到内存   116

5.4.3  用新数据重新训练模型   117

5.4.4  在线模型   117

5.4.5  以API形式交付模型   118

5.4.6  组件集成   118

5.5  本章小结   119

第6章  未来的学习方向   121

6.1  下一步需掌握的深度学习专业知识   121

6.1.1  CNN   122

6.1.2  RNN   125

6.1.3  CNN+RNN   127

6.2  为什么深度学习需要GPU   128

6.3  深度学习的其他热门领域   130

6.4  结束寄语   131