【假一罚四】动手学深度学习阿斯顿·张, (美) 扎卡里·C. 立顿, 李沐, (德) 亚历山大·J. 斯莫拉著
集团直发，全新正版书籍，假一罚四，放心选购。可开发票
￥ 143.3 6.2折 ￥ 229.8 全新
库存148件
作者阿斯顿·张, (美) 扎卡里·C. 立顿, 李沐, (德) 亚历山大·J. 斯莫拉著
出版社人民邮电出版社
ISBN9787115600806
出版时间2023-02
装帧精装
开本其他
定价229.8元
货号4319192
上书时间2024-06-29
- 店主推荐
- 最新上架
![【全新正版，假一罚四】老友、爱人和大麻烦[加] 马修·派瑞9787544798501译林](https://www0.kfzimg.com/sw/kfz-cos/kfzimg/19363336/ec517fa93239f8f3_s.jpg)
商品详情
- 品相描述：全新
- 商品描述
-
前言
商品简介本书是《动手学深度学习》的重磅升级版本，选用PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。
本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出基础的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。
作者简介
作者简介：
阿斯顿·张（Aston Zhang），Amazon资历深厚的研究员，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习和自然语言处理的研究，荣获深度学习国际高水平学术会议ICLR杰出论文奖、ACM UbiComp杰出论文奖以及ACM SenSys高水平论文奖提名。他担任过EMNLP领域主席和AAAI程序委员。
[美]扎卡里·C. 立顿（Zachary C. Lipton），美国卡内基梅隆大学机器学习和运筹学助理教授，并在海因茨公共政策学院以及软件和社会系统系担任礼节性任命。他领导着近似正确机器智能（ACMI）实验室，研究涉及核心机器学习方法、其社会影响以及包括临床医学和自然语言处理在内的各种应用领域。他目前的研究重点包括处理各种因果结构下分布变化的稳健和自适应算法、超越预测为决策提供信息（包括应对已部署模型的战略响应）、医学诊断和预后预测、算法公平性和可解释性的基础。他是“Approximately Correct”博客的创立人，也是讽刺性漫画“Superheroes of Deep Learning”的合著者。
李沐（Mu Li），Amazon资历深厚的领衔研究员（Senior Principal Scientist），美国加利福尼亚大学伯克利分校、斯坦福大学客座助理教授，美国卡内基梅隆大学计算机系博士。他曾任机器学习创业公司Marianas Labs的CTO和百度深度学习研究院的主任研发架构师。他专注于机器学习系统和机器学习算法的研究。他在理论与应用、机器学习与操作系统等多个领域的高水平学术会议上发表过论文，被引用上万次。
[德]亚历山大·J. 斯莫拉(Alexander J. Smola)，Amazon副总裁/杰出研究员，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加利福尼亚大学伯克利分校和卡内基梅隆大学任教。他发表过超过300篇学术论文，并著有5本书，其论文及书被引用超过15万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。
译者简介：
何孝霆（Xiaoting He），Amazon应用研究员，中国科学院软件工程硕士。他专注于对深度学习的研究，特别是自然语言处理的应用（包括语言模型、AIOps、OCR），相关工作落地于众多企业。他担任过ACL、EMNLP、NAACL、EACL等学术会议的程序委员或审稿人。
瑞潮儿·胡（Rachel Hu），Amazon应用研究员，美国加利福尼亚大学伯克利分校统计学硕士，加拿大滑铁卢大学数学学士。她致力于将机器学习应用于现实世界的产品。她也是Amazon人工智能团队的讲师，教授自然语言处理、计算机视觉和机器学习商业应用等课程。她已向累计1000余名Amazon工程师教授机器学习，其公开课程视频在YouTube和哔哩哔哩上屡获盛赞。
目录
本书共包含15章, 第一部分介绍深度学习的基础知识和预备知识, 并由线性模型引出最简单的神经网络--多层感知机; 第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具; 第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素, 并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
内容摘要
本书是《动手学深度学习》的重磅升级版本，选用PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。
本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出基础的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。
主编推荐
·深度学习领域重磅作品《动手学深度学习》推出PyTorch版本；
·李沐、阿斯顿·张名家作品；
·全球400多所大学采用的教科书，提供视频课程、教学PPT、习题，方便教师授课与学生自学；
·能运行、可讨论的深度学习入门书，可在线运行源码并与作译者实时讨论。 本书面向希望了解深度学习，特别是对实际使用深度学习感兴趣的大学生、工程师和研究人员。本书不要求读者有任何深度学习或者机器学习的背景知识，读者只需具备基本的数学和编程知识，如基础的线性代数、微分、概率及Python编程知识。本书第2章提供了书中涉及的主要数学知识，供读者参考。
本书的英文版Dive into Deep Learning是美国加利福尼亚大学伯克利分校2019年春季学期“Introduction to Deep Learning”（深度学习导论）课程的教材。截至2022年秋季学期，本书中的内容已被全球400多所大学用于教学。本书的学习社区、免费教学资源（课件、教学视频、更多习题等）的申请方法，在本书配套网站zh.D2L.ai上发布。读者在阅读本书的过程中，如果对书中某节内容有疑惑，也可以在书中扫码寻求帮助。
— 没有更多了 —
以下为对购买帮助不大的评价