• 深度学习导论
图书条目标准图
21年品牌 40万+商家 超1.5亿件商品

深度学习导论

全新正版未拆封

11.43 2.3折 49 全新

库存2件

湖南长沙
认证卖家担保交易快速发货售后保障

作者[美]尤金·查尔尼克(Eugene Charniak)

出版社人民邮电出版社

出版时间2020-04

版次1

装帧其他

上书时间2024-10-20

A小二郎书舍A

三年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
图书标准信息
  • 作者 [美]尤金·查尔尼克(Eugene Charniak)
  • 出版社 人民邮电出版社
  • 出版时间 2020-04
  • 版次 1
  • ISBN 9787115529916
  • 定价 49.00元
  • 装帧 其他
  • 开本 16开
  • 纸张 胶版纸
  • 页数 150页
  • 字数 100千字
【内容简介】
《深度学习导论》讲述了前馈神经网络、Tensorflow、卷积神经网络、词嵌入与循环神经网络、序列到序列学习、深度强化学习、无监督神经网络模型等深度学习领域的基本概念和技术,通过一系列的编程任务,向读者介绍了热门的人工智能应用,包括计算机视觉和自然语言处理等。 本书编写简明扼要,理论联系实践,每一章都包含习题以及补充阅读的参考文献。本书既可作为高校人工智能课程的教学用书,也可供从业者入门参考。 本书要求读者熟悉线性代数、多元微积分、概率论与数理统计知识,另外需要读者了解Python编程。
【作者简介】
作者简介 尤金·查尔尼克(Eugene Charniak),美国布朗大学计算机科学和认知科学教授,博士毕业于MIT,博士导师是人工智能之父马文·明斯基。他是国际知名的人工智能研究者,美国人工智能学会(AAAI)会士,2011年获美国计算语言学会(ACL)终身成就奖。除本书之外,他还撰写了《统计语言学习》《人工智能编程》等图书。 译者简介 沈磊,美国计算语言学会(ACL)会员,中国计算机学会(CCF)会员,博士毕业于北京航空航天大学计算机学院,博士研究方向为人工智能、模式识别,现为vivo公司北京AI研究院NLP算法专家,主要方向为自然语言理解和自动问答。她在自然语言处理及推荐算法方向发表了多篇学术论文,申请了5项专利。 郑春萍,教育学博士,北京邮电大学人文学院副教授,主要研究方向为应用语言学与计算机辅助翻译。她是美国国务院“英语语言学者项目”访问学者、英国曼彻斯特大学人文艺术学院访问学者,曾获北京市高等教育教学成果一等奖、北京市高校青年教学名师奖、中央电视台“希望之星”英语风采大赛全国总决赛最佳指导教师奖等奖项。她主持了国家社科基金、教育部霍英东青年教师基金及教育部人文社科基金等省部级课题6项,发表学术论文40余篇,主编教材2部,出版专著1部、译著2部。
【目录】
第 1章 前馈神经网络 1

 1.1 感知机 3

 1.2 神经网络的交叉熵损失函数 7

 1.3 导数与随机梯度下降 11

 1.4 编写程序 15

 1.5 神经网络的矩阵表示 17

 1.6 数据独立性 19

 1.7 参考文献和补充阅读 20

 1.8 习题 21

第 2章 Tensorflow 23

 2.1 预备知识 23

 2.2 TF程序 26

 2.3 多层神经网络 31

 2.4 其他方面 34

 2.4.1 检查点 34

 2.4.2 tensordot 35

 2.4.3 TF变量的初始化 37

 2.4.4 TF图创建的简化 39

 2.5 参考文献和补充阅读 40

 2.6 习题 40

第3章 卷积神经网络 43

 3.1 滤波器、步长和填充 43

 3.2 一个简单的TF卷积例子 49

 3.3 多层卷积 51

 3.4 卷积细节 54

 3.4.1 偏置 54

 3.4.2 卷积层 55

 3.4.3 池化运算(pooling) 55

 3.5 参考文献和补充阅读 56

 3.6 习题 57

第4章 词嵌入与循环神经网络 59

 4.1 语言模型的词嵌入 59

 4.2 构建前馈语言模型 63

 4.3 改进前馈语言模型 65

 4.4 过拟合 66

 4.5 循环网络 69

 4.6 长短期记忆模型 75

 4.7 参考文献和补充阅读 78

 4.8 习题 78

第5章 序列到序列学习 81

 5.1 seq2seq模型 82

 5.2 编写一个seq2seq MT程序 84

 5.3 seq2seq中的注意力机制 87

 5.4 多长度seq2seq 90

 5.5 编程练习 91

 5.6 参考文献和补充阅读 93

 5.7 习题 94

第6章 深度强化学习 97

 6.1 值迭代 98

 6.2 Q学习 101

 6.3 深度Q学习基础 103

 6.4 策略梯度法 106

 6.5 行动者-评论家方法 112

 6.6 经验回放 114

 6.7 参考文献和补充阅读 115

 6.8 习题 116

第7章 无监督神经网络模型 119

 7.1 基本自编码 119

 7.2 卷积自编码 122

 7.3 变分自编码 126

 7.4 生成式对抗网络 132

 7.5 参考文献和补充阅读 137

 7.6 习题 137

附录A 部分习题答案 139

附录B 参考文献 143

附录C 索引 147

本书赞誉 151
点击展开 点击收起

   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP