深度学习算法实践

图书标准信息

• 作者 吴岸城 著
• 出版社 电子工业出版社
• 出版时间 2017-07
• 版次 1
• ISBN 9787121317934
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 轻型纸
• 页数 304页
• 字数 204千字
• 正文语种 简体中文

【内容简介】

《深度学习算法实践》以一位软件工程师在工作中遇到的问题为主线，阐述了如何从软件工程思维向算法思维转变、如何将任务分解成算法问题，并结合程序员在工作中经常面临的产品需求，详细阐述了应该怎样从算法的角度看待、分解需求，并结合经典的任务对深度学习算法做了清晰的分析。

 

《深度学习算法实践》在表达上深入浅出，让有志于学习深度学习的读者，能够快速地理解核心所在，并顺利上手实践。

【作者简介】

吴岸城

 

致力于深度学习在文本、图像领域的应用。曾中兴通讯、亚信联创担任研发经理、技术经理等职务，现任菱歌科技首席算法科学家一职。

【目录】

1  开始     1

 

1.1  从传统的软件工程思维转型     1

 

1.2  建立算法思维     2

 

1.2.1  算法的开发流程     3

 

1.2.2  做算法的步骤     4

 

1.2.3  英特的总结     8

 

1.3  观察！观察！观察！重要的事情说三遍     11

 

2  文本分析实战     15

 

2.1  第一个文本问题     15

 

2.1.1  邮件标题的预处理     15

 

2.1.2  选用算法     18

 

2.1.3  用CNN做文本分类     21

 

2.2  情感分类     24

 

2.2.1  先分析需求     24

 

2.2.2  词法分析     25

 

2.2.3  机器学习     28

 

2.2.4  试试LSTM模型     30

 

2.3  文本深度特征提取     31

 

2.3.1  词特征表示     31

 

2.3.2  句子特征表示     42

 

2.3.3  深度语义模型     51

 

3  做一个对话机器人     53

 

3.1  理解人类提问     56

 

3.2  答案的抽取和选择     57

 

3.3  蕴含关系     62

 

3.4  生成式对话模型（Generative Model）     63

 

3.5  判断机器人说话的准确性     69

 

3.6  智能对话的总结和思考     70

 

4  视觉识别     73

 

4.1  从人脸识别开始     74

 

4.1.1  OpenCV能做什么     74

 

4.1.2  检测精度的进化：Dlib  79

 

4.1.3  表情识别：Openface  83

 

4.2  深度卷积网络     87

 

4.2.1  CNN的演化过程     87

 

4.2.2  深度卷积和更深的卷积     96

 

4.2.3  实现更深的卷积网络     103

 

4.2.4  残差网络的实现     108

 

4.2.5  十全大补药：通用的提高精度的方法     111

 

4.2.6  图像训练需要注意的地方     116

 

4.3  目标检测     125

 

4.3.1  用SSD来实现目标检测应用     133

 

4.3.2  SSD训练源码提示     136

 

4.4  视觉领域的应用     138

 

4.4.1  艺术风格画     138

 

4.4.2  看图说话：用文字描述一幅图像（BiRNN+CNN）     140

 

4.4.3  CNN的有趣应用：语音识别     142

 

5  强化学习实践     145

 

5.1  吃豆子和强化学习     145

 

5.2  马尔科夫决策过程     147

 

5.3  理解Q网络     150

 

5.4  模拟物理世界：OpenAI 152

 

5.5  实现一个DQN   154

 

5.5.1  DQN代码实现     154

 

5.5.2  DQN过程的图表化     160

 

5.6  关于强化学习的思考     163

 

5.6.1  强化学习的特殊性     163

 

5.6.2  知识的形成要素：记忆     165

 

5.6.3  终极理想：终身学习     170

 

6  预测与推荐     173

 

6.1  从Google的感冒预测说起     173

 

6.2  股票预测（一）     175

 

6.2.1  股票业务整理     176

 

6.2.2  数据获取和准备     179

 

6.2.3  模型搭建     183

 

6.2.4  优化     186

 

6.2.5  后续     187

 

6.3  股票预测（二）     189

 

6.4  深度学习在推荐领域的应用：Lookalike算法     197

 

6.4.1  调研     198

 

6.4.2  实现     201

 

6.4.3  结果     205

 

6.4.4  总结探讨     205

 

参考文献