人工智能 类型
可以朗读 语音朗读
91千字 字数
2020-05-01 发行日期
展开全部

主编推荐语

彩票预测实战: 爬虫基础、概率论、时间序列、深度学习技术与TensorFlow+Keras框架。

内容简介

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。 本书分为 8 章，涵盖的主要内容有深度学习发展历史、数据收集与处理、概率论基础、时间序列、深度学习框架简介与安装、深度学习原理、Keras 入门、彩票抓取系统工程实战等。

目录

  • 封面
  • 前折页
  • 书名页
  • 版权页
  • 前言
  • 目录
  • 第1章 深度学习基础
  • 1.1 人工智能、机器学习与深度学习
  • 1.1.1 人工智能的诞生
  • 1.1.2 人工智能、机器学习和深度学习的关系
  • 1.1.3 深度学习的发展
  • 1.2 深度学习的应用领域
  • 1.2.1 语音搜索和语音助手
  • 1.2.2 图像识别
  • 1.2.3 自动驾驶
  • 1.2.4 金融领域
  • 1.3 深度学习的主要框架
  • 1.3.1 Theano
  • 1.3.2 TensorFlow
  • 1.3.3 Keras
  • 1.3.4 PyTorch
  • 1.3.5 Microsoft CNTK
  • 1.3.6 MXNet
  • 第2章 数据抓取与存储
  • 2.1 Windows系统下 Python开发环境的安装
  • 2.1.1 Windows系统下安装Anaconda
  • 2.1.2 下载并安装Python 3安装包
  • 2.1.3 检查环境安装是否成功
  • 2.2 Linux系统下 Python开发环境的安装
  • 2.2.1 CentOS 7系统下安装Python 3.6
  • 2.2.2 Ubuntu 18.04系统下安装Python 3.6.6
  • 2.2.3 Linux系统下安装Anaconda
  • 2.3 第三方库的安装
  • 2.3.1 数据收集与处理流程
  • 2.3.2 请求库的安装
  • 2.3.3 解析库的安装
  • 2.4 数据库的安装
  • 2.4.1 Windows系统下安装MySQL 8.0
  • 2.4.2 Ubuntu系统下安装MySQL 8.0
  • 2.4.3 存储库的安装
  • 2.5 爬虫基础
  • 2.5.1 URI和URL
  • 2.5.2 超文本
  • 2.5.3 HTTP协议和HTTPS协议
  • 2.5.4 HTTP请求
  • 2.5.5 Request请求
  • 2.5.6 Reponse响应
  • 2.6 实战案例：抓取双色球开奖数据
  • 2.6.1 项目介绍
  • 2.6.2 抓取最新期开奖数据
  • 2.6.3 抓取历史期开奖数据
  • 第3章 概率论基础
  • 3.1 样本空间及随机变量
  • 3.1.1 样本空间
  • 3.1.2 随机变量
  • 3.2 概率分布及分布函数
  • 3.2.1 概率分布
  • 3.2.2 分布函数
  • 3.3 离散随机变量
  • 3.3.1 离散随机变量概述
  • 3.3.2 离散随机变量的均匀分布
  • 3.3.3 伯努利分布（Bernoulli Distribution）
  • 3.3.4 二项分布（Binomial Distribution）
  • 3.3.5 泊松分布（Poisson Distribution）
  • 3.4 实战案例：分析双色球一等奖开奖注数是否随机
  • 3.4.1 查询数据
  • 3.4.2 柱形图显示
  • 第4章 时间序列
  • 4.1 时间序列入门
  • 4.1.1 什么是时间序列
  • 4.1.2 时间序列的基本概念
  • 4.1.3 如何进行时间序列分析
  • 4.2 彩票的特性模型选择
  • 4.2.1 概率均等性
  • 4.2.2 偏态性
  • 4.2.3 连贯性
  • 4.2.4 时序性
  • 4.3 马尔可夫链模型
  • 4.3.1 马尔可夫链的基本原理
  • 4.3.2 基于加权马尔可夫链的模型福彩3D分析与预测
  • 4.4 实战案例：马尔可夫链模型预测
  • 4.4.1 项目介绍
  • 4.4.2 抓取福彩3D数据
  • 4.4.3 马尔可夫链预测的步骤分析
  • 4.4.4 马尔可夫链预测步骤一：马尔可夫性验证
  • 4.4.5 马尔可夫链预测步骤二：一步转移概率矩阵
  • 4.4.6 马尔可夫链预测步骤三：n步转移概率矩阵
  • 4.4.7 马尔可夫链预测步骤四：计算权重wk
  • 4.4.8 马尔可夫链预测步骤五：进行预测
  • 第5章 深度学习框架简介及环境安装
  • 5.1 TensorFlow的发展历程
  • 5.2 Ubuntu系统下安装 TensorFlow+Keras
  • 5.2.1 安装CPU版本的TensorFlow
  • 5.2.2 安装Keras
  • 5.3 Windows系统下安装 TensorFlow+Keras
  • 5.3.1 安装GPU版本的TensorFlow
  • 5.3.2 安装Keras
  • 第6章 深度学习原理
  • 6.1 深度学习数学基础
  • 6.1.1 张量
  • 6.1.2 应用中的数据张量
  • 6.2 神经网络基础
  • 6.2.1 感知器
  • 6.2.2 线性单元
  • 6.2.3 线性模型
  • 6.2.4 目标函数
  • 6.2.5 梯度下降算法
  • 6.2.6 随机梯度下降算法
  • 6.2.7 线性回归代码实例
  • 6.3 循环神经网络
  • 6.3.1 循环神经网络的概念
  • 6.3.2 实战RNN
  • 6.4 LSTM神经网络
  • 6.4.1 RNN的长期依赖问题
  • 6.4.2 LSTM原理简介
  • 6.5 参考文献
  • 第7章 Keras入门
  • 7.1 Keras简介
  • 7.1.1 Keras在TensorFlow中的架构图
  • 7.1.2 Keras基础
  • 7.2 Sequential顺序模型
  • 7.2.1 指定输入数据的大小
  • 7.2.2 模型编译
  • 7.2.3 优化器
  • 7.2.4 损失函数
  • 7.2.5 损失函数的选择
  • 7.2.6 评价函数
  • 7.2.7 模型训练
  • 7.2.8 训练历史可视化
  • 7.2.9 模型预测
  • 7.3 Keras LSTM简介
  • 7.3.1 LSTM参数介绍
  • 7.3.2 LSTM序列模型搭建
  • 7.4 实战案例：LSTM神经网络预测福彩3D
  • 7.4.1 项目介绍
  • 7.4.2 导入数据和参数
  • 7.4.3 构建LotteryLSTM框架类
  • 7.4.4 LotteryLSTM初始化
  • 7.4.5 训练数据集和测试数据集分割
  • 7.4.6 LSTM网络的创建与训练
  • 7.4.7 Keras模型的保存
  • 7.4.8 LSTM网络评估
  • 7.4.9 LSTM网络预测结果可视化
  • 7.4.10 项目代码实现
  • 7.5 参考文献
  • 第8章 福彩3D预测平台工程搭建
  • 8.1 工程代码整合
  • 8.1.1 LSTM神经网络模型保存
  • 8.1.2 LSTM神经网络模型调用
  • 8.1.3 抓取数据代码
  • 8.1.4 MySQL数据库导入数据库文件
  • 8.2 工程代码
  • 8.3 结束语
  • 后折页
  • 封底
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。