国产精品一久久香蕉产线看/亚洲图区欧美/亚洲国产精品电影人久久网站/欧美日韩在线视频一区

歡迎光臨中圖網(wǎng) 請 | 注冊
> >
深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程

包郵 深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程

出版社:機械工業(yè)出版社出版時間:2017-02-01
開本: 16開 頁數(shù): 164
中 圖 價:¥39.3(6.7折) 定價  ¥59.0 登錄后可看到會員價
加入購物車 收藏
開年大促, 全場包郵
?新疆、西藏除外
本類五星書更多>

深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程 版權(quán)信息

深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程 本書特色

1.本書作者都是來自工業(yè)界的一線數(shù)據(jù)科學(xué)家,在世界公司如領(lǐng)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(jīng)驗。 2.本書是真正適合深度學(xué)習(xí)初學(xué)者的入門書籍,全書沒有任何復(fù)雜的數(shù)學(xué)推導(dǎo)。即便數(shù)學(xué)基礎(chǔ)不好的讀者,也可以輕松地閱讀本書。 3.為開始學(xué)習(xí)深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)建模的基本知識提供一站式解決方案。 4.訓(xùn)練不同類型的神經(jīng)網(wǎng)絡(luò),以解決自然語言處理、計算機視覺和語音識別等領(lǐng)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(xùn)練、部署和優(yōu)化深度學(xué)習(xí)模型的技巧。 6.不同于市面上的深度學(xué)習(xí)書籍,本書首次對深度學(xué)習(xí)在多模態(tài)領(lǐng)域中的應(yīng)用進行了專門的介紹。 7.對深度強化學(xué)習(xí)、深度學(xué)習(xí)發(fā)展趨勢(如GAN、Capsule網(wǎng)絡(luò))也進行了介紹。

深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程 內(nèi)容簡介

《深度學(xué)習(xí)基礎(chǔ)教程》是真正適合深度學(xué)習(xí)初學(xué)者的入門書籍,全書沒有任何復(fù)雜的數(shù)學(xué)推導(dǎo)。《深度學(xué)習(xí)基礎(chǔ)教程》首先介紹了深度學(xué)習(xí)的優(yōu)勢和面臨的挑戰(zhàn)、深度學(xué)習(xí)采用深層架構(gòu)的動機、學(xué)習(xí)深度學(xué)習(xí)需要的數(shù)學(xué)知識和硬件知識以及深度學(xué)習(xí)常用的軟件框架。然后對多層感知機、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、受限玻耳茲曼機(RBM)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)及其變體—長短時記憶(LSTM)網(wǎng)絡(luò)進行了詳細介紹,并且以獨立章節(jié)重點闡述了CNN在計算機視覺中的應(yīng)用、RNN在自然語言處理中的應(yīng)用以及深度學(xué)習(xí)在多模態(tài)學(xué)習(xí)領(lǐng)域中的應(yīng)用。隨后,本書介紹了深度強化學(xué)習(xí)的基本知識,給出了應(yīng)用深度學(xué)習(xí)技術(shù)需要的許多實用技巧并概述了深度學(xué)習(xí)的一些新方向和新應(yīng)用。

深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程 目錄

譯者序
原書前言
第 1章 為什么進行深度學(xué)習(xí) // 1
1.1 什么是人工智能和深度學(xué)習(xí) // 1
1.2 深度學(xué)習(xí)的歷史及其興起 // 2
1.3 為什么進行深度學(xué)習(xí) // 7
1.3.1 相比于傳統(tǒng)淺層方法的優(yōu)勢 // 7
1.3.2 深度學(xué)習(xí)的影響 //8
1.4 深層架構(gòu)的動機 // 9
1.4.1 神經(jīng)的觀點 // 10
1.4.2 特征表示的觀點 // 10
1.5 應(yīng)用 //14
1.5.1 盈利性應(yīng)用 // 14
1.5.2 成功案例 // 14
1.5.3 面向企業(yè)的深度學(xué)習(xí) // 19
1.6 未來的潛力和挑戰(zhàn) // 20
1.7 小結(jié) //21
第 2章 為深度學(xué)習(xí)做準(zhǔn)備 // 22
2.1 線性代數(shù)的基礎(chǔ)知識 // 22
2.1.1 數(shù)據(jù)表示 // 22
2.1.2 數(shù)據(jù)操作 // 23
2.1.3 矩陣屬性 // 24
2.2 使用GPU進行深度學(xué)習(xí) // 24
2.2.1 深度學(xué)習(xí)硬件指南 // 26
2.3 深度學(xué)習(xí)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(wǎng)絡(luò)服務(wù)的深度學(xué)習(xí)開發(fā)環(huán)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(jié) //34
第 3章 神經(jīng)網(wǎng)絡(luò)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(shù) // 36
3.2 如何進行網(wǎng)絡(luò)學(xué)習(xí) // 39
3.2.1 權(quán)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(yōu)化算法 // 42
3.2.6 正則化 // 43
3.3 深度學(xué)習(xí)模型 // 43
3.3.1 卷積神經(jīng)網(wǎng)絡(luò) // 43
3.3.2 受限玻耳茲曼機 // 47
3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN/LSTM網(wǎng)絡(luò))// 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(wǎng)絡(luò) // 51
3.3.7 LSTM網(wǎng)絡(luò)中的單元和網(wǎng)關(guān) // 52
3.4 應(yīng)用示例 //53
3.4.1 TensorFlow設(shè)置與關(guān)鍵概念 // 53
3.4.2 手寫數(shù)字識別 // 54
3.5 小結(jié) //57
第 4章 計算機視覺中的深度學(xué)習(xí) // 58
4.1 卷積神經(jīng)網(wǎng)絡(luò)的起源 // 58
4.2 卷積神經(jīng)網(wǎng)絡(luò) // 59
4.2.1 數(shù)據(jù)變換 // 61
4.2.2 網(wǎng)絡(luò)層 // 62
4.2.3 網(wǎng)絡(luò)初始化 // 65
4.2.4 正則化 // 66
4.2.5 損失函數(shù) // 67
4.2.6 模型可視化 // 68
4.2.7 手寫數(shù)字分類示例 // 69
4.3 微調(diào)卷積神經(jīng)網(wǎng)絡(luò) // 71
4.4 主流的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu) // 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(jié) //74
第 5章 自然語言處理中的向量表示 // 75
5.1 傳統(tǒng)的自然語言處理 // 75
5.1.1 BoW // 75
5.1.2 帶權(quán)的 tf-idf // 76
5.2 基于深度學(xué)習(xí)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(yīng)用 //93
5.3.1 使用示例 // 93
5.3.2 微調(diào) // 93
5.4 小結(jié) //94
第 6章 高級自然語言處理 // 95
6.1 面向文本的深度學(xué)習(xí) // 95
6.1.1 神經(jīng)網(wǎng)絡(luò)的局限性 // 95
6.2 循環(huán)神經(jīng)網(wǎng)絡(luò) // 96
6.2.1 RNN架構(gòu) // 97
6.2.2 基本的RNN模型 // 98
6.2.3 訓(xùn)練RNN很難 // 98
6.3 LSTM網(wǎng)絡(luò) //99
6.3.1 使用TensorFlow實現(xiàn)LSTM網(wǎng)絡(luò) // 101
6.4 應(yīng)用 //103
6.4.1 語言建模 // 103
6.4.2 序列標(biāo)注 // 104
6.4.3 機器翻譯 // 106
6.4.4 聊天機器人 // 109
6.5 小結(jié) //110
第 7章 多模態(tài) // 111
7.1 什么是多模態(tài)學(xué)習(xí) // 111
7.2 多模態(tài)學(xué)習(xí)的挑戰(zhàn) // 111
7.2.1 模態(tài)表示 // 112
7.2.2 模態(tài)轉(zhuǎn)換 // 112
7.2.3 模態(tài)對齊 // 112
7.2.4 模態(tài)融合 // 113
7.2.5 協(xié)同學(xué)習(xí) // 113
7.3 圖像標(biāo)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(shù)據(jù)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(jié) //130
第 8章 深度強化學(xué)習(xí) // 131
8.1 什么是強化學(xué)習(xí) // 131
8.1.1 問題設(shè)置 // 132
8.1.2 基于值函數(shù)學(xué)習(xí)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(xué)習(xí) // 135
8.2.1 深度Q網(wǎng)絡(luò)(DQN)// 135
8.2.2 雙DQN // 137
8.2.3 競爭DQN // 138
8.3 強化學(xué)習(xí)實現(xiàn) // 138
8.3.1 簡單的強化學(xué)習(xí)示例 // 138
8.3.2 以Q-learning為例的強化學(xué)習(xí) // 139
8.4 小結(jié) //141
第 9章 深度學(xué)習(xí)的技巧 // 142
9.1 處理數(shù)據(jù) //142
9.1.1 數(shù)據(jù)清理 // 142
9.1.2 數(shù)據(jù)擴充 // 142
9.1.3 數(shù)據(jù)歸一化 // 143
9.2 訓(xùn)練技巧 // 143
9.2.1 權(quán)值初始化 // 143
9.2.2 優(yōu)化 // 144
9.2.3 損失函數(shù)選擇 // 146
9.2.4 防止過擬合 // 147
9.2.5 微調(diào) // 148
9.3 模型壓縮 // 149
9.4 小結(jié) // 152
第 10章 深度學(xué)習(xí)的發(fā)展趨勢 // 153
10.1 深度學(xué)習(xí)的*新模型 // 153
10.1.1 生成對抗網(wǎng)絡(luò) // 153
10.1.2 Capsule網(wǎng)絡(luò) // 154
10.2 深度學(xué)習(xí)的新應(yīng)用 // 155
10.2.1 基因組學(xué) // 155
10.2.2 醫(yī)療預(yù)測 // 157
10.2.3 臨床影像學(xué) // 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(jié) // 164

展開全部

深度學(xué)習(xí)系列深度學(xué)習(xí)基礎(chǔ)教程 作者簡介

Wei Di是一名擁有多年機器學(xué)習(xí)和人工智能經(jīng)驗的數(shù)據(jù)科學(xué)家。她熱衷于創(chuàng)建智能和可擴展的解決方案,這些解決方案可以影響數(shù)百萬人,并增強成功企業(yè)的能力。目前,她是LinkedIn的一名數(shù)據(jù)科學(xué)家。她之前曾與eBay人類語言技術(shù)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(lǐng)域的大規(guī)模數(shù)據(jù)挖掘工作。她于2011年獲得了普渡大學(xué)的博士學(xué)位。 Anurag Bhardwaj目前領(lǐng)導(dǎo)著Wiser Solutions的數(shù)據(jù)科學(xué)工作,其主要致力于構(gòu)建大規(guī)模的電子商務(wù)庫存。他特別感興趣的是使用機器學(xué)習(xí)來解決產(chǎn)品類別分類和產(chǎn)品匹配方面的問題,以及電子商務(wù)中的各種相關(guān)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(xué)布法羅分校獲得博士學(xué)位和碩士學(xué)位,并在印度庫魯什特拉(Kurukshetra)的國立理工學(xué)院獲得了計算機工程學(xué)士學(xué)位。 Jianing Wei是Google Research的高級軟件工程師。他的工作領(lǐng)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(lǐng)域的研究工作。他于2010年獲得了普渡大學(xué)電子與計算機工程博士學(xué)位。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服