机器学习是人工智能领域一个极其重要的研究方向，而深度学习则是机器学习中一个非常接近AI的分支，其思路在于建立进行分析学习的神经网络，模仿人脑感知与组织的方式，根据输入数据做出决策。深度学习在快速的发展过程中，不断有与其相关的产品推向市场，显然，深度学习的应用将会日趋广泛。
《Python深度学习：逻辑、算法与编程实战》是关于深度学习的理论、算法、应用的实战教程，内容涵盖深度学习的语言、学习环境、典型结构、数据爬取和清洗、图像识别分类、自然语言处理、情感分析、机器翻译、目标检测和语音处理等知识，通过各种实例，读者能了解、掌握深度学习的整个流程和典型应用。
《Python深度学习：逻辑、算法与编程实战》可作为深度学习相关从业人员的参考指南，也可作为大中专院校人工智能相关专业的教材，还可作为广大人工智能爱好者的拓展学习手册。
前言
第1章 Python语言基础
1.1 Python简介
1.2 Python开发环境
1.2.1 PyCharm的下载和安装
1.2.2 PyCharm的使用
1.2.3 树莓派Python IDLE的使用
1.3 Python基本语法
1.3.1 保留字和标识符
1.3.2 变量和数据类型
1.3.3 基本控制结构
1.3.4 运算符
1.3.5 函数
1.3.6 with语句
1.3.7 字符串操作
1.3.8 异常处理
1.4 Python序列
1.4.1 列表
1.4.2 元组
1.4.3 字典
1.4.4 集合
1.4.5 列表、元组、字典和集合的区别
1.5 Python操作文件
1.5.1 操作文本文件
1.5.2 操作目录
1.5.3 操作Excel文件
1.5.4 操作CSV文件
1.6 Python模块
1.6.1 模块分类
1.6.2 自定义模块
1.6.3 第三方模块的安装
1.7 Python类
1.7.1 面向对象概述
1.7.2 类和对象
1.7.3 面向对象程序设计方法
1.7.4 类的定义和使用
1.7.5 多线程
1.8 本章小结
第2章 Python操作数据库及Web框架
2.1 操作数据库
2.1.1 操作SQLite
2.1.2 操作MySQL
2.2 Web框架
2.2.1 主流Web框架
2.2.2 Django框架
2.2.3 Flask框架
2.3 本章小结
第3章 Python深度学习环境
3.1 Anaconda介绍
3.2 Anaconda环境搭建
3.3 Anaconda使用方法
3.3.1 管理工具Navigator
3.3.2 Anaconda的Python开发环境Spyder
3.4 深度学习的一些常备库
3.4.1 NumPy—基础科学计算库
3.4.2 SciPy—科学计算工具集
3.4.3 Pandas—数据分析的利器
3.4.4 Matplotlib—画出优美的图形
3.4.5 Tqdm—Python 进度条库
3.5 机器学习通用库Sklearn
3.5.1 Sklearn的安装
3.5.2 Sklearn的数据集
3.5.3 Sklearn的机器学习方式
3.6 机器学习深度库TensorFlow
3.6.1 TensorFlow的安装
3.6.2 TensorFlow的深度学习方式
3.6.3 TensorLayer
3.6.4 可视化工具TensorBoard
3.7 机器学习深度库Keras
3.7.1 Keras的安装
3.7.2 Keras的深度学习方式
3.8 自然语言处理
3.8.1 NLTK
3.8.2 SpaCy
3.8.3 Gensim
3.9 视觉OpenCV
3.9.1 OpenCV的安装
3.9.2 OpenCV的使用
3.10 其他深度学习框架
3.10.1 PyTorch
3.10.2 TFLearn
3.10.3 Chainer
3.10.4 Theano
3.11 本章小结
第4章 深度学习典型结构
4.1 人工智能、机器学习、神经网络和深度学习的关系
4.2 深度学习的发展历程
4.3 深度学习的应用
4.3.1 计算机视觉
4.3.2 语音识别
4.3.3 自然语言处理
4.3.4 人机博弈
4.4 神经网络
4.4.1 神经网络的结构
4.4.2 神经网络的算法
4.4.3 神经网络的训练
4.4.4 神经网络的参数
4.4.5 深度学习与深层神经网络
4.5 卷积神经网络（CNN）
4.5.1 卷积神经网络结构
4.5.2 经典卷积网络模型
4.5.3 卷积神经网络应用
4.6 循环神经网络（RNN）
4.6.1 循环神经网络结构
4.6.2 长短期记忆网络（LSTM）
4.6.3 循环神经网络改进
4.6.4 循环神经网络应用
4.7 递归神经网络（RNN）
4.7.1 递归神经网络结构
4.7.2 递归神经网络应用
4.8 生成对抗网络（GAN）
4.8.1 生成对抗网络原理
4.8.2 生成对抗网络架构
4.8.3 生成对抗网络应用
4.8.4 生成对抗网络变种
4.9 本章小结
第5章 深度学习数据准备—数据爬取和清洗
5.1 爬虫框架
5.1.1 Crawley爬虫框架
5.1.2 Scrapy爬虫框架
5.1.3 PySpider爬虫框架
5.1.4 Beautiful Soup爬虫框架
5.2 数据爬取
5.2.1 Urllib3爬取
5.2.2 Requests爬取
5.2.3 Scrapy框架爬取
5.2.4 实例—爬取招聘网站职位信息
5.2.5 实例—爬取网站指定的图片集合
5.2.6 实例—爬取二手车市场数据
5.3 数据清洗
5.3.1 数据清洗库Pandas
5.3.2 缺失值处理
5.3.3 去重处理
5.3.4 异常值处理
5.3.5 实例—清洗CSV文件
5.3.6 噪声数据处理
5.3.7 实例—天气数据分析与处理
5.4 数据显示
5.4.1 Pandas统计分析
5.4.2 Matplotlib绘图
5.4.3 Bokeh绘图
5.4.4 Pyecharts绘图
5.5 实例—爬取并保存图片
5.6 本章小结
第6章 图像识别分类
6.1 图像识别分类简介
6.2 经典图片数据集
6.2.1 MNIST数据集
6.2.2 CIFAR-10数据集
6.2.3 ImageNet数据集
6.2.4 LFW人脸数据库
6.2.5 Flowers-17数据集
6.2.6 Pascal VOC数据集
6.2.7 MS COCO 数据集
6.3 OpenCV识别
6.3.1 实例—人眼识别
6.3.2 实例—两张相似图片识别
6.3.3 实例—性别识别
6.4 VGGNet花朵识别
6.4.1 VGGNet介绍
6.4.2 花朵数据库
6.4.3 实例—花朵识别
6.5 车牌识别
6.5.1 利用OpenCV实现车牌识别
6.5.2 实例—EasyPR车牌识别
6.6 Inception图像分类处理
6.6.1 Inception模型简介
6.6.2 实例—花朵和动物识别
6.6.3 实例—自定义图像分类
6.7 本章小结
第7章 自然语言处理
7.1 自然语言处理的典型工具
7.1.1 NLTK
7.1.2 TextBlob
7.1.3 Gensim
7.1.4 Polyglot
7.2 Jieba实现关键词抽取
7.2.1 Jieba实现词性标注
7.2.2 基于TF-IDF算法的关键词抽取
7.2.3 基于TextRank算法的关键词抽取
7.3 Gensim查找相似词
7.3.1 Gensim的使用
7.3.2 实例—Gensim查找相似词
7.4 TextBlob
7.4.1 词性标注
7.4.2 情感分析
7.4.3 分句提取
7.4.4 中文情感分析
7.5 CountVectorizer与TfidfVectorize
7.5.1 CountVectorizer文本特征提取
7.5.2 TfidfVectorizer文本特征提取
7.5.3 实例—新闻分类
7.6 语法分析和语义分析
7.6.1 SpaCy介绍及安装
7.6.2 SpaCy流水线和属性
7.6.3 Bosonnlp介绍及安装
7.6.4 Bosonnlp语义分析
7.7 实例—小说文学数据挖掘
7.8 本章小结
第8章 情感分析
8.1 情感分析简介
8.1.1 词集、词袋、TF-IDF和词汇表
8.1.2 深度学习的情感分析
8.2 情感分析过程
8.2.1 获取情感数据
8.2.2 将单词转换为特征向量
8.2.3 TF-IDF计算单词关联度
8.2.4 构建模型
8.2.5 情感分析
8.3 典型情感数据库
8.3.1 Bosonnlp情感平台
8.3.2 CASIA汉语情感语料库
8.3.3 Pickle读取存储的情感词典数据
8.4 基于LSTM的情感分析
8.5 基于SnowNLP的新闻评论数据分析
8.6 Dlib实现人脸颜值预测
8.7 实例—表情识别
8.8 本章小结
第9章 机器翻译
9.1 机器翻译简介
9.2 Encoder-Decoder模型
9.3 TensorFlow机器翻译
9.4 看图说话5
9.4.1 实例—Google的im2txt模型实现看图说话
9.4.2 实例—Show-Attend-And-Tell实现看图说话
9.5 PaddlePaddle机器翻译
9.6 本章小结
第10章 目标检测
10.1 目标检测的过程
10.2 典型的目标检测算法
10.3 Faster R-CNN模型目标检测
10.3.1 Faster R-CNN模型简介
10.3.2 实例—Faster R-CNN实现目标检测
10.4 YOLO模型目标检测
10.4.1 YOLO模型简介
10.4.2 实例—静态目标检测和动态目标检测
10.5 SSD模型目标检测
10.5.1 SSD模型简介
10.5.2 实例—SSD实现目标检测
10.6 本章小结
第11章 语音处理
11.1 语音处理概述
11.2 语音识别过程
11.2.1 声学模型
11.2.2 语言模型
11.2.3 语音数据集
11.3 语音识别实例
11.4 树莓派语音应用
11.4.1 文字转语音
11.4.2 语音转文字
11.4.3 实例—天气预报
11.4.4 智能对话图灵机
11.4.5 实例—聊天机器人
11.5 本章小结
书单推荐
