深度学习理论与实战——PyTorch案例详解
全新正版现货
￥ 44.5 5.0折 ￥ 89 全新
仅1件
四川成都
认证卖家担保交易快速发货售后保障
作者陈亦新
出版社清华大学出版社
ISBN9787302568506
出版时间2021-02
装帧平装
开本16开
纸张胶版纸
定价89元
货号29206995
上书时间2024-07-09
- 在售商品 暂无
- 平均发货时间 15小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 正版全新
- 商品描述
-
【编辑推荐】:
系统讨论人工智能原理并辅以具体实例，“讲解 代码”方式便于读者理解并学以致用。
讲解诙谐通俗，基础理论深入讲，前沿模型通俗说。
内容广泛，任何想进入人工智能领域的人都可以构建出一个相当全面的认知。
【内容简介】:
本书介绍内容包括支持向量机、线性回归、决策树、遗传算法、深度神经网络（VGG、GooleLeNet、Resnet、MobileNet、EfficientNet）、循环神经网络（LSTM、GRU、Attention）、生成对抗网络（DCGAN、WGAN-GP）、自编码器、各种聚类算法、目标检测算法（YOLO、MTCNN）以及强化学习，有助于人工智能新人搭建一个全面且有用的基础框架。 ？本书包含8个实战，分别是：决策树、MNIST手写数字分类、GAN基础之手写数字生成、GAN优化、风格迁移、目标检测（YOLO）、人脸检测（MTCNN）和自然语言处理。8个实战可以让读者对PyTorch的使用达到较高水平。
【作者简介】:
陈亦新 硕士，技术作家，涉及人工智能、图像处理和医学等多个领域，是一名热爱AI算法、立志AI落地造福社会的普通人。他因心思细腻、擅长换位思考、为人热情，常常被评价为一名优秀的知识传播者。他撰写的技术公众号“机器学习炼丹术”在短短2个月内收获上万粉丝，被粉丝称为炼丹兄
【目录】:
第1章支持向量机
1.1SVM的原理
1.2SVM求解
1.3核函数
1.4软间隔
1.5小结
第2章线性回归与非线性回归
2.1线性回归
2.1.1线性回归问题的一般形式
2.1.2线性回归中的*化问题
2.1.3问题的求解
2.2非线性回归分析
2.3初见梯度下降
2.4Python图解梯度下降
2.5小结
第3章基于规则的决策树模型
3.1决策树发展史
3.2决策树算法
3.2.1ID3算法
3.2.2C4.5
3.2.3CART
3.2.4随机森林
3.3Boosting家族
3.3.1XGBoost
3.3.2LightGBM
3.3.3CatBoost
3.4小结
第4章遗传算法家族
4.1遗传算法
4.1.1编码
4.1.2初始化种群
4.1.3自然选择
4.1.4交叉重组
4.1.5基因突变
4.1.6收敛
4.1.7遗传算法总结
4.2蚁群算法
4.2.1蚂蚁系统
4.2.2精英蚂蚁系统
4.2.3**小蚂蚁系统
4.2.4小结
第5章神经网络
5.1基本组成
5.1.1神经元
5.1.2层
5.2反向传播
5.2.1复习
5.2.2铺垫
5.2.3公式推导
5.3反向传播神经网络
5.4卷积神经网络
5.4.1卷积运算
5.4.2卷积层
5.4.3池化层
5.5循环神经网络
5.5.1RNN用途
5.5.2RNN结构
5.5.3RNN的反向传播——BPTT
5.6小结
第6章深度神经网络
6.1概述
6.2VGG网络
6.3GoogLeNet
6.3.1Inception v1
6.3.2Inception v2/v3
6.3.3Inception v4
6.3.4InceptionResnet
6.3.5GoogLeNet小结
6.4Resnet
6.5MobileNet
6.5.1CNN计算量如何计算
6.5.2深度可分离卷积
6.5.3ReLU6
6.5.4倒残差
6.6EfficientNet
6.6.1模型的数学表达
6.6.2复合缩放
6.7风格迁移
6.7.1内容损失函数
6.7.2风格损失函数
6.7.3风格迁移的梯度下降
第7章循环神经网络
7.1长短期记忆网络
7.1.1LSTM结构
7.1.2LSTM出现原因
7.2GRU
7.3注意力机制
7.3.1编码解码框架
7.3.2Attention结构
第8章无监督学习
8.1什么是无监督学习
8.2聚类算法
8.2.1Kmeans算法
8.2.2分聚类
8.2.3具有噪声的基于密度的聚类方法
8.3生成对抗网络
8.3.1通俗易懂的解释
8.3.2原理推导
8.3.3损失函数的问题
8.3.4条件生成对抗网络
8.4自编码器
8.4.1自编码器概述
8.4.2去噪自编码器
8.4.3变分自编码器
第9章目标检测
9.1目标检测概述
9.1.1通俗理解
9.1.2铺垫知识点
9.1.3发展史
9.2YOLO v1
9.2.1输出
9.2.2网络
9.2.3输入
9.2.4损失函数
9.2.5小结
9.3YOLO v2
9.3.1mAP
9.3.2改进
9.3.3整体流程
9.3.4小结
9.4YOLO v3
第10章强化学习
10.1铺垫知识
10.1.1什么是RL
10.1.2马尔可夫决策过程
10.1.3回报Return
10.1.4价值函数
10.1.5贝尔曼方程
10.2DQN
10.2.1DQN损失函数
10.2.2DQN训练技巧
10.2.3DDQN
10.2.4基于优先的记忆回放
10.2.5Dueling DQN
10.3全面讲解基础知识
10.3.1策略梯度
10.3.2ActorCritic行动者评论家算法
10.3.3A2C与优势函数
10.3.4Offpolicy
10.3.5连续动作空间
第11章GAN进阶与变种
11.1基础GAN存在的问题
11.2DCGAN
11.2.1反卷积(转置卷积 微步卷积)
11.2.2空洞卷积
11.3WGAN
11.3.1GAN问题的再探讨
11.3.2解决方案
11.4WGANGP
11.4.1WGAN的问题
11.4.2梯度惩罚
11.5VAEGAN
11.6CVAEGAN
第12章实战1： 决策树与随机森林
12.1数据集介绍
12.1.1乳腺癌数据简介
12.1.2任务介绍
12.2解决思路
12.2.1Pandas库与Sklearn介绍
12.2.2探索数据
12.2.3决策树模型
12.2.4随机森林模型
12.3小结
第13章实战2： MNIST手写数字分类
13.1数据集介绍
13.1.1MNIST简介
13.1.2任务介绍
13.2解决思路
13.2.1图像处理
13.2.2构建模型的三要素
13.2.3训练模型
13.2.4评估模型
13.3进一步改进finetune
13.4小结
第14章实战3： GAN基础之手写数字对抗生成
14.1GAN任务描述
14.2GAN解决过程及讲解
14.2.1数据准备
14.2.2模型搭建
14.2.3训练过程(核心)
14.3GAN进化——CGAN
14.4小结
14.5问题发现
第15章实战4： GAN进阶与优化
15.1前情提要
15.2WGAN(2017)
15.3WGANGP(2017)
15.4DCGAN(2016)
15.5CVAEGAN
第16章实战5： 风格迁移
16.1任务介绍
16.2解决思路
16.2.1加载模型
16.2.2加载图片
16.2.3获取特征图和Gram矩阵
16.2.4AI作画
16.3小结
第17章实战6： 目标检测(YOLO)
17.1Darknet.py
17.1.1__init__(self)
17.1.2forward(self,x)
17.1.3小结
17.2Detect.py
第18章实战7： 人脸检测
18.1什么是MTCNN
18.2MTCNN流程
18.2.1图像金字塔
18.2.2PNet
18.2.3RNet
18.2.4ONet
18.3训练过程
第19章实战8： 自然语言处理
19.1正则表达式
19.2快速上手textblob
19.2.1性分析和词性标注
19.2.2词干提取和拼写校正
19.2.3单词字典
19.3基本概念
19.3.1朴素贝叶斯
19.3.2Ngram模型
19.3.3混淆矩阵
19.4基于朴素贝叶斯的垃圾邮件分类
19.5基于随机森林的垃圾邮件分类
第20章Python与PyTorch相关
20.1PyTorch模型类
20.2PyTorch的data类
20.3激活函数
20.4损失函数
20.4.1均方误差
20.4.2交叉熵
20.5model.train()与model.eval()
20.6Python的命令行库argparse
第21章机器学习相关
21.1训练集、测试集、验证集
21.2epoch、batch、minibatch等
21.3规范化
21.3.1内部协变量偏移
21.3.2批规范化
21.3.3BN vs LN
21.4SGD与MBGD
21.5适应性矩估计
21.5.1Momentum
21.5.2AdaGrad
21.5.3RMSProp
21.5.4Adam算法小结
21.6正则化与范式
21.7标签平滑正则化
21.8RBM与DBN
21.9图片的RGB和HSV
21.10网中网结构
21.11K近邻算法
21.12模拟退火算法
21.13流形学习
21.14端侧神经网络GhostNet(2019)
21.14.1Ghost Module
21.14.2分组卷积
21.14.3SE Module
参考文献
— 没有更多了 —
以下为对购买帮助不大的评价