深度学习之美:AI时代的数据处理与最佳实践
下午5点前订单,当日发货!超时赔付
¥
34.37
2.7折
¥
128
八五品
仅1件
作者张玉宏
出版社电子工业出版社
出版时间2018-07
版次1
装帧其他
货号9787121342462014
上书时间2024-11-11
商品详情
- 品相描述:八五品
图书标准信息
-
作者
张玉宏
-
出版社
电子工业出版社
-
出版时间
2018-07
-
版次
1
-
ISBN
9787121342462
-
定价
128.00元
-
装帧
其他
-
开本
16开
-
纸张
胶版纸
-
页数
654页
-
字数
0.89千字
- 【内容简介】
-
深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和实践,全书共分16章,采用理论和实践双主线写作方式。
第1章给出深度学习的大图。第2章和第3章,讲解了机器学习的相关基础理论。第4章和第5章,讲解了Python基础和基于Python的机器学习实战。第6至10章,先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络,并给出了相关的实战项目。第14章和第15章,分别讲解了循环递归网络和长短期记忆(LSTM)网络。第16章讲解了神经胶囊网络,并给出了神经胶囊网络设计的详细论述和实践案例分析。
- 【作者简介】
-
张玉宏,1980年3月生,河南罗山人,2012年博士毕业于电子科技大学,2009年~2011年在美国西北大学(Northwestern University)访学,电子科技大学博士后。阿里云栖社区认证技术专栏作家。发表SCI/EI论文10余篇,出版《品味大数据》等畅销著作2部,参编英文学术专著2部。主要研究方向为高性能计算、大数据、机器学习等。
- 【目录】
-
第1章 一入侯门“深”似海,深度学习深几许 ........... 1
1.1 深度学习的巨大影响 .....................................2
1.2 什么是学习 ..... 4
1.3 什么是机器学习 ........................................... 4
1.4 机器学习的4个象限 ......................................5
1.5 什么是深度学习 .......................................... 6
1.6 “恋爱”中的深度学习 .................................... 7
1.7 深度学习的方法论 .......................................9
1.8 有没有浅层学习 ..........................................13
1.9 本章小结 ....... 14
1.10 请你思考 ..... 14
参考资料 ................ 14
第2章 人工“碳”索意犹尽,智能“硅”来未可知 . 16
2.1 信数据者得永生吗 .....................................17
2.2 人工智能的“江湖定位”............................... 18
2.3 深度学习的归属 ........................................19
2.4 机器学习的形式化定义 ...............................21
2.5 为什么要用神经网络 ...................................24
2.6 人工神经网络的特点 .................................. 26
2.7 什么是通用近似定理 .................................. 27
2.8 本章小结 ....... 31
2.9 请你思考 ....... 31
参考资料 ................ 31
第3章 “机器学习”三重门,“中庸之道”趋若人 ... 33
3.1 监督学习 ....... 34
3.1.1 感性认知监督学习 ..................................34
3.1.2 监督学习的形式化描述 ........................... 35
3.1.3 k-近邻算法 ...........................................37
3.2 非监督学习 ... 39
3.2.1 感性认识非监督学习 .............................. 39
3.2.2 非监督学习的代表—K均值聚类 ........... 41
3.3 半监督学习 ... 45
3.4 从“中庸之道”看机器学习............................ 47
3.5 强化学习 ....... 49
3.6 本章小结 ....... 52
3.7 请你思考 ....... 53
参考资料 ................ 53
第4章 人生苦短对酒歌, 我用Python乐趣多 ........55
4.1 Python概要 ... 56
4.1.1 为什么要用Python ................................. 56
4.1.2 Python中常用的库 ..................................58
4.2 Python的版本之争 .....................................61
4.3 Python环境配置 ....................................... 65
4.3.1 Windows下的安装与配置 .........................65
4.3.2 Mac下的安装与配置 .................................72
4.4 Python编程基础 ....................................... 76
4.4.1 如何运行Python代码 ................................77
4.4.2 代码缩进 ................................................79
4.4.3 注释 ... 80
4.4.4 Python中的数据结构 ................................ 81
4.4.5 函数的设计 ............................................. 93
4.4.6 模块的导入与使用 .................................... 101
4.4.7 面向对象程序设计 .................................... 102
4.5 本章小结 ..... 112
4.6 请你思考 ..... 112
参考资料 .............. 113
第5章 机器学习终觉浅,Python带我来实践 ......... 114
5.1 线性回归 ..... 115
5.1.1 线性回归的概念 .......................................115
5.1.2 简易线性回归的Python实现详解 ........... 119
5.2 k-近邻算法 .. 139
5.2.1 k-近邻算法的三个要素 ............................. 140
5.2.2 k-近邻算法实战 .......................................143
5.2.3 使用scikit-learn实现k-近邻算法 ............ 155
5.3 本章小结 ..... 162
5.4 请你思考 ..... 162
参考资料 .............. 162
第6章 神经网络不胜语,M-P模型似可寻 ............. 164
6.1 M-P神经元模型是什么 ................................165
6.2 模型背后的那些人和事 .................................167
6.3 激活函数是怎样的一种存在............................175
6.4 什么是卷积函数 ..........................................176
6.5 本章小结 ..... 177
6.6 请你思考 ..... 178
参考资料 .............. 178
第7章 Hello World感知机,懂你我心才安息 ......... 179
7.1 网之初,感知机 ...........................................180
7.2 感知机名称的由来 ........................................180
7.3 感性认识“感知机” ........................................183
7.4 感知机是如何学习的 ......................................185
7.5 感知机训练法则 ............................................187
7.6 感知机的几何意义 .........................................190
7.7 基于Python的感知机实战 ..............................191
7.8 感知机的表征能力 .........................................196
7.9 本章小结 ..... 199
7.10 请你思考 ... 199
参考资料 .............. 199
第8章 损失函数减肥用,神经网络调权重 ............201
8.1 多层网络解决“异或”问题........................... 202
8.2 感性认识多层前馈神经网络........................ 205
8.3 是浅而“胖”好,还是深而“瘦”佳 ................. 209
8.4 分布式特征表达 ......................................... 210
8.5 丢弃学习与集成学习 ................................... 211
8.6 现实很丰满,理想很骨感.............................. 212
8.7 损失函数的定义 ......................................... 213
8.8 热力学定律与梯度弥散 ................................ 215
8.9 本章小结 ..... 216
8.10 请你思考 ... 216
参考资料 .............. 217
第9章 山重水复疑无路,最快下降问梯度 .............. 219
9.1 “鸟飞派”还飞不 ......................................... 220
9.2 1986年的那篇神作 .................................... 221
9.3 多层感知机网络遇到的大问题 ....................... 222
9.4 神经网络结构的设计 ................................... 225
9.5 再议损失函数 ............................................ 227
9.6 什么是梯度 . 229
9.7 什么是梯度递减 .......................................... 231
9.8 梯度递减的线性回归实战............................... 235
9.9 什么是随机梯度递减 .................................... 238
9.10 利用SGD解决线性回归实战 ........................ 240
9.11 本章小结 ... 247
9.12 请你思考 ... 248
参考资料 .............. 248
第10章 BP算法双向传,链式求导最缠绵 ............. 249
10.1 BP算法极简史 ........................................... 250
10.2 正向传播信息 ............................................ 251
10.3 求导中的链式法则 ...................................... 255
10.4 误差反向传播 ............................................ 264
10.4.1 基于随机梯度下降的BP算法 .............. 265
10.4.2 输出层神经元的权值训练 ..................... 267
10.4.3 隐含层神经元的权值训练 ..................... 270
10.4.4 BP算法的感性认知 ............................... 273
10.4.5 关于BP算法的补充说明 ...................... 278
10.5 BP算法实战详细解释 ................................ 280
10.5.1 初始化网络 .......................................... 280
10.5.2 信息前向传播 ....................................... 282
10.5.3 误差反向传播 ....................................... 285
10.5.4 训练网络(解决异或问题) ................. 288
10.5.5 利用BP算法预测小麦品种的分类 ...... 293
10.6 本章小结 ... 301
10.7 请你思考 ... 302
参考资料 .............. 304
第11章 一骑红尘江湖笑,TensorFlow谷歌造 ....... 305
11.1 TensorFlow概述 ..................................... 306
11.2 深度学习框架比较 ..................................... 309
11.2.1 Theano .............................................. 309
点击展开
点击收起
— 没有更多了 —
以下为对购买帮助不大的评价