掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習系列深度學習基礎教程 版權信息
- ISBN：9787111608455
- 條形碼：9787111608455 ; 978-7-111-60845-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習系列深度學習基礎教程 本書特色
1.本書作者都是來自工業界的一線數據科學家，在世界公司如領英、谷歌、eBay、索尼等工作多年，具有深厚的理論功底和豐富的實踐經驗。 2.本書是真正適合深度學習初學者的入門書籍，全書沒有任何復雜的數學推導。即便數學基礎不好的讀者，也可以輕松地閱讀本書。 3.為開始學習深度學習和神經網絡建模的基本知識提供一站式解決方案。 4.訓練不同類型的神經網絡，以解決自然語言處理、計算機視覺和語音識別等領域中的各種問題。 5.涵蓋流行的Python庫，如Tensorflow等，以及以佳方式訓練、部署和優化深度學習模型的技巧。 6.不同于市面上的深度學習書籍，本書首次對深度學習在多模態領域中的應用進行了專門的介紹。 7.對深度強化學習、深度學習發展趨勢（如GAN、Capsule網絡）也進行了介紹。
深度學習系列深度學習基礎教程 內容簡介
《深度學習基礎教程》是真正適合深度學習初學者的入門書籍，全書沒有任何復雜的數學推導。《深度學習基礎教程》首先介紹了深度學習的優勢和面臨的挑戰、深度學習采用深層架構的動機、學習深度學習需要的數學知識和硬件知識以及深度學習常用的軟件框架。然后對多層感知機、卷積神經網絡（CNN）、受限玻耳茲曼機（RBM）、循環神經網絡（RNN）及其變體—長短時記憶（LSTM）網絡進行了詳細介紹，并且以獨立章節重點闡述了CNN在計算機視覺中的應用、RNN在自然語言處理中的應用以及深度學習在多模態學習領域中的應用。隨后，本書介紹了深度強化學習的基本知識，給出了應用深度學習技術需要的許多實用技巧并概述了深度學習的一些新方向和新應用。
深度學習系列深度學習基礎教程 目錄
譯者序
原書前言
第 1章 為什么進行深度學習 // 1
1.1 什么是人工智能和深度學習 // 1
1.2 深度學習的歷史及其興起 // 2
1.3 為什么進行深度學習 // 7
1.3.1 相比于傳統淺層方法的優勢 // 7
1.3.2 深度學習的影響 //8
1.4 深層架構的動機 // 9
1.4.1 神經的觀點 // 10
1.4.2 特征表示的觀點 // 10
1.5 應用 //14
1.5.1 盈利性應用 // 14
1.5.2 成功案例 // 14
1.5.3 面向企業的深度學習 // 19
1.6 未來的潛力和挑戰 // 20
1.7 小結 //21
第 2章 為深度學習做準備 // 22
2.1 線性代數的基礎知識 // 22
2.1.1 數據表示 // 22
2.1.2 數據操作 // 23
2.1.3 矩陣屬性 // 24
2.2 使用GPU進行深度學習 // 24
2.2.1 深度學習硬件指南 // 26
2.3 深度學習軟件框架 // 27
2.3.1 TensorFlow // 27
2.3.2 Caffe // 27
2.3.3 MXNet // 28
2.3.4 Torch // 28
2.3.5 Theano // 28
2.3.6 CNTK // 29
2.3.7 Keras // 29
2.3.8 框架比較 // 29
2.4 基本亞馬遜網絡服務的深度學習開發環境配置 // 30
2.4.1 從零開始配置 // 30
2.4.2 基于Docker的配置 // 33
2.5 小結 //34
第 3章 神經網絡入門 // 35
3.1 多層感知機 // 35
3.1.1 輸入層 // 36
3.1.2 輸出層 // 36
3.1.3 隱藏層 // 36
3.1.4 激活函數 // 36
3.2 如何進行網絡學習 // 39
3.2.1 權值初始化 // 39
3.2.2 前向傳播 // 39
3.2.3 反向傳播 // 40
3.2.4 梯度消失與爆炸 // 42
3.2.5 優化算法 // 42
3.2.6 正則化 // 43
3.3 深度學習模型 // 43
3.3.1 卷積神經網絡 // 43
3.3.2 受限玻耳茲曼機 // 47
3.3.3 循環神經網絡（RNN/LSTM網絡）// 50
3.3.4 RNN中的單元及其展開 // 51
3.3.5 通過時間的反向傳播 // 51
3.3.6 梯度消失與 LSTM網絡 // 51
3.3.7 LSTM網絡中的單元和網關 // 52
3.4 應用示例 //53
3.4.1 TensorFlow設置與關鍵概念 // 53
3.4.2 手寫數字識別 // 54
3.5 小結 //57
第 4章 計算機視覺中的深度學習 // 58
4.1 卷積神經網絡的起源 // 58
4.2 卷積神經網絡 // 59
4.2.1 數據變換 // 61
4.2.2 網絡層 // 62
4.2.3 網絡初始化 // 65
4.2.4 正則化 // 66
4.2.5 損失函數 // 67
4.2.6 模型可視化 // 68
4.2.7 手寫數字分類示例 // 69
4.3 微調卷積神經網絡 // 71
4.4 主流的卷積神經網絡架構 // 72
4.4.1 AlexNet // 72
4.4.2 VGG // 72
4.4.3 GoogLeNet // 73
4.4.4 ResNet // 73
4.5 小結 //74
第 5章 自然語言處理中的向量表示 // 75
5.1 傳統的自然語言處理 // 75
5.1.1 BoW // 75
5.1.2 帶權的 tf-idf // 76
5.2 基于深度學習的自然語言處理 // 77
5.2.1 動機及分散式表示法 // 77
5.2.2 詞嵌入 // 78
5.2.3 Word2Vec // 81
5.2.4 了解 GloVe // 92
5.2.5 FastText // 92
5.3 應用 //93
5.3.1 使用示例 // 93
5.3.2 微調 // 93
5.4 小結 //94
第 6章 高級自然語言處理 // 95
6.1 面向文本的深度學習 // 95
6.1.1 神經網絡的局限性 // 95
6.2 循環神經網絡 // 96
6.2.1 RNN架構 // 97
6.2.2 基本的RNN模型 // 98
6.2.3 訓練RNN很難 // 98
6.3 LSTM網絡 //99
6.3.1 使用TensorFlow實現LSTM網絡 // 101
6.4 應用 //103
6.4.1 語言建模 // 103
6.4.2 序列標注 // 104
6.4.3 機器翻譯 // 106
6.4.4 聊天機器人 // 109
6.5 小結 //110
第 7章 多模態 // 111
7.1 什么是多模態學習 // 111
7.2 多模態學習的挑戰 // 111
7.2.1 模態表示 // 112
7.2.2 模態轉換 // 112
7.2.3 模態對齊 // 112
7.2.4 模態融合 // 113
7.2.5 協同學習 // 113
7.3 圖像標注生成 //113
7.3.1 show&tell算法 // 114
7.3.2 其他類型的方法 // 116
7.3.3 數據集 // 117
7.3.4 評估方法 // 119
7.3.5 注意力模型 // 121
7.4 視覺問答 //125
7.5 基于多源的自動駕駛 //127
7.6 小結 //130
第 8章 深度強化學習 // 131
8.1 什么是強化學習 // 131
8.1.1 問題設置 // 132
8.1.2 基于值函數學習的算法 // 132
8.1.3 基于策略搜索的算法 //134
8.1.4 基于Actor-Critic的算法 // 134
8.2 深度強化學習 // 135
8.2.1 深度Q網絡（DQN）// 135
8.2.2 雙DQN // 137
8.2.3 競爭DQN // 138
8.3 強化學習實現 // 138
8.3.1 簡單的強化學習示例 // 138
8.3.2 以Q-learning為例的強化學習 // 139
8.4 小結 //141
第 9章 深度學習的技巧 // 142
9.1 處理數據 //142
9.1.1 數據清理 // 142
9.1.2 數據擴充 // 142
9.1.3 數據歸一化 // 143
9.2 訓練技巧 // 143
9.2.1 權值初始化 // 143
9.2.2 優化 // 144
9.2.3 損失函數選擇 // 146
9.2.4 防止過擬合 // 147
9.2.5 微調 // 148
9.3 模型壓縮 // 149
9.4 小結 // 152
第 10章 深度學習的發展趨勢 // 153
10.1 深度學習的*新模型 // 153
10.1.1 生成對抗網絡 // 153
10.1.2 Capsule網絡 // 154
10.2 深度學習的新應用 // 155
10.2.1 基因組學 // 155
10.2.2 醫療預測 // 157
10.2.3 臨床影像學 // 159
10.2.4 唇語 // 160
10.2.5 視覺推理 // 161
10.2.6 代碼合成 // 162
10.3 小結 // 164
展開全部
深度學習系列深度學習基礎教程 作者簡介
Wei Di是一名擁有多年機器學習和人工智能經驗的數據科學家。她熱衷于創建智能和可擴展的解決方案，這些解決方案可以影響數百萬人，并增強成功企業的能力。目前，她是LinkedIn的一名數據科學家。她之前曾與eBay人類語言技術團隊和eBay研究實驗室合作。在此之前，她在Ancestry.com從事記錄鏈接領域的大規模數據挖掘工作。她于2011年獲得了普渡大學的博士學位。 Anurag Bhardwaj目前領導著Wiser Solutions的數據科學工作，其主要致力于構建大規模的電子商務庫存。他特別感興趣的是使用機器學習來解決產品類別分類和產品匹配方面的問題，以及電子商務中的各種相關問題。此前，他曾在eBay研究實驗室從事圖像理解工作。他在紐約州立大學布法羅分校獲得博士學位和碩士學位，并在印度庫魯什特拉（Kurukshetra）的國立理工學院獲得了計算機工程學士學位。 Jianing Wei是Google Research的高級軟件工程師。他的工作領域是計算機視覺和計算機成像。在2013年加入谷歌之前，他曾在索尼美國研究中心工作了4年，在此期間其主要從事3D計算機視覺和圖像處理領域的研究工作。他于2010年獲得了普渡大學電子與計算機工程博士學位。
書友推薦
- >
史學評論
- >
李白與唐代文化
- >
伊索寓言-世界文學名著典藏-全譯本
- >
小考拉的故事-套裝共3冊
- >
月亮與六便士
- >
上帝之肋:男人的真實旅程
- >
我從未如此眷戀人間
- >
經典常談
本類暢銷
