深度学习(初学指南)
全新正版 极速发货
¥
53.65
5.4折
¥
99
全新
仅1件
作者[智]巴勃罗·里瓦斯(PabloRivas)
出版社机械工业
ISBN9787111695226
出版时间2022-01
装帧平装
开本16开
定价99元
货号1202539801
上书时间2024-06-13
商品详情
- 品相描述:全新
- 商品描述
-
目录
译者序<br/>序<br/>前言<br/>作者简介<br/>审校者简介<br/>第一部分 深度学习快速入门<br/>第1章 机器学习概述 2<br/>1.1 接触ML生态系统 2<br/>1.2 从数据中训练ML算法 4<br/>1.3 深度学习概述 5<br/>1.3.1 神经元模型 5<br/>1.3.2 感知机学习算法 6<br/>1.3.3 浅层网络 8<br/>1.3.4 深度网络 11<br/>1.4 深度学习在现代社会中的重要性 13<br/>1.5 小结 14<br/>1.6 习题与答案 15<br/>1.7 参考文献 15<br/>第2章 深度学习框架的搭建与概述 16<br/>2.1 Colaboratory简介 16<br/>2.2 TensorFlow的简介与安装 17<br/>2.2.1 安装 17<br/>2.2.2 拥有GPU支持的TensorFlow 18<br/>2.2.3 TensorFlow背后的原理 18<br/>2.3 Keras的简介与安装 19<br/>2.3.1 安装 19<br/>2.3.2 Keras背后的原理 19<br/>2.4 PyTorch简介 21<br/>2.5 Dopamine简介 21<br/>2.6 其他深度学习程序库 23<br/>2.6.1 Caffe 23<br/>2.6.2 Theano 23<br/>2.6.3 其他程序库 23<br/>2.7 小结 24<br/>2.8 习题与答案 24<br/>2.9 参考文献 24<br/>第3章 数据准备 26<br/>3.1 二元数据与二元分类 27<br/>3.1.1 克利夫兰心脏病数据集的二元目标 27<br/>3.1.2 二值化MINST数据集 30<br/>3.2 分类数据与多个类别 33<br/>3.2.1 将字符串标签转换成数字 34<br/>3.2.2 将分类转换成独热编码 36<br/>3.3 实值数据与单变量回归 38<br/>3.3.1 缩放到特定范围的数值 38<br/>3.3.2 标准化到零均值和单位方差 41<br/>3.4 改变数据的分布 42<br/>3.5 数据增强 44<br/>3.5.1 尺度缩放 44<br/>3.5.2 添加噪声 45<br/>3.5.3 旋转 45<br/>3.5.4 其他增强手段 46<br/>3.6 数据降维 46<br/>3.6.1 监督算法 47<br/>3.6.2 无监督技术 48<br/>3.6.3 关于维度的数量 52<br/>3.7 操纵数据的道德影响 53<br/>3.8 小结 53<br/>3.9 习题与答案 53<br/>3.10 参考文献 54<br/>第4章 从数据中学习 55<br/>4.1 学习的目的 55<br/>4.1.1 分类问题 56<br/>4.1.2 回归问题 60<br/>4.2 度量成功与错误 63<br/>4.2.1 二元分类 64<br/>4.2.2 多元分类 65<br/>4.2.3 回归分析矩阵 69<br/>4.3 识别过拟合和泛化 70<br/>4.3.1 拥有测试数据的情形 71<br/>4.3.2 没有测试数据的情形 72<br/>4.4 机器学习背后的艺术 74<br/>4.5 训练深度学习算法的伦理意蕴 78<br/>4.5.1 使用适当的模型性能度量指标 79<br/>4.5.2 小心对待并验证异常值 79<br/>4.5.3 抽样不足组的权重类 80<br/>4.6 小结 80<br/>4.7 习题与答案 81<br/>4.8 参考文献 81<br/>第5章 训练单个神经元 83<br/>5.1 感知机模型 83<br/>5.1.1 概念的可视化 83<br/>5.1.2 张量运算 84<br/>5.2 感知机学习算法 86<br/>5.3 处理线性不可分数据的感知机 88<br/>5.3.1 线性可分数据的收敛 88<br/>5.3.2 线性不可分数据的收敛 91<br/>5.4 小结 92<br/>5.5 习题与答案 93<br/>5.6 参考文献 93<br/>第6章 训练多层神经元 94<br/>6.1 MLP模型 94<br/>6.2 最小化误差 96<br/>6.2.1 步骤1:初始化 99<br/>6.2.2 步骤2:前向传播 99<br/>6.2.3 步骤3:计算损失 101<br/>6.2.4 步骤4:反向传播 101<br/>6.3 寻找最佳超参数 106<br/>6.4 小结 109<br/>6.5 习题与答案 109<br/>6.6 参考文献 110<br/>第二部分 无监督深度学习<br/>第7章 自编码器 112<br/>7.1 无监督学习简介 112<br/>7.2 编码层与解码层 113<br/>7.2.1 编码层 115<br/>7.2.2 解码层 116<br/>7.2.3 损失函数 116<br/>7.2.4 学习与测试 117<br/>7.3 数据降维与可视化应用 119<br/>7.3.1 MNIST数据的准备 120<br/>7.3.2 MNIST的自编码器 120<br/>7.3.3 模型训练与可视化 122<br/>7.4 无监督学习的伦理意蕴 126<br/>7.5 小结 127<br/>7.6 习题与答案 127<br/>7.7 参考文献 128<br/>第8章 深度自编码器 129<br/>8.1 深度信念网络简介 129<br/>8.2 建立深度自编码器 130<br/>8.2.1 批归一化 130<br/>8.2.2 随机失活 134<br/>8.3 探索深度自编码器的潜在空间 139<br/>8.3.1 CIFAR-10 139<br/>8.3.2 MNIST 146<br/>8.4 小结 148<br/>8.5 习题与答案 148<br/>8.6 参考文献 149<br/>第9章 变分自编码器 150<br/>9.1 深度生成模型简介 150<br/>9.2 研究变分自编码器模型 151<br/>9.2.1 回顾心脏病数据集 153<br/>9.2.2 重参数化技巧与采样 154<br/>9.2.3 学习编码器中的后验概率分布参数 154<br/>9.2.4 解码器建模 156<br/>9.2.5 最小化重构损失 156<br/>9.2.6 训练VAE模型 157<br/>9.2.7 使用VAE生成数据 159<br/>9.3 深度和浅层VAE在MNIST上的性能比较 161<br/>9.3.1 浅层VAE模型 162<br/>9.3.2 深度VAE模型 164<br/>9.3.3 VAE模型去噪 168<br/>9.4 生成模型的伦理意蕴 168<br/>9.5 小结 169<br/>9.6 习题与答案 169<br/>9.7 参考文献 170<br/>第10章 受限玻尔兹曼机 171<br/>10.1 RBM模型简介 171<br/>10.1.1 BM模型 172<br/>10.1.2 RBM模型 172<br/>10.1.3 伯努利RBM 173<br/>10.2 使用RBM学习数据表示 174<br/>10.3 比较RBM和AE 178<br/>10.4 小结 180<br/>10.5 习题与答案 181<br/>10.6 参考文献 181<br/>第三部分 监督深度学习<br/>第11章 深度与广度神经网络 184<br/>11.1 广度神经网络 184<br/>11.1.1 回顾深度学习 184<br/>11.1.2 网络层的广度 185<br/>11.1.3 CIFAR-10数据集 187<br/>11.1.4 新的训练工具 189<br/>11.1.5 结果 192<br/>11.2 密集深度神经网络 195<br/>11.2.1 构建并训练模型 195<br/>11.2.2 结果 198<br/>11.3 稀疏深度神经网络 199<br/>11.3.1 构建并训练稀疏网络 200<br/>11.3.2 结果 202<br/>11.4 超参数调优 204<br/>11.4.1 程序库与参数 204<br/>11.4.2 实现与结果 204<br/>11.5 小结 206<br/>11.6 习题与答案 207<br/>11.7 参考文献 207<br/>第12章 卷积神经网络 209<br/>12.1 卷积神经网络简介 209<br/>12.2 多维卷积 210<br/>12.2.1 一维卷积 210<br/>12.2.2 二维卷积 212<br/>12.2.3 n维卷积 213<br/>12.3 卷积层 214<br/>12.3.1 Conv2D 214<br/>12.3.2 layer+activation组合 216<br/>12.4 池化策略 216<br/>12.5 面向CIFAR-10的卷积神经网络 217<br/>12.5.1 实现 217<br/>12.5.2 结果 222<br/>12.5.3 滤波器的可视化 224<br/>12.6 小结 226<br/>12.7 习题与答案 226<br/>12.8 参考文献 226<br/>第13章 循环神经网络 227<br/>13.1 循环神经网络简介 227<br/>13.1.1 简单RNN模型 228<br/>13.1.2 嵌入层 229<br/>13.1.3 词嵌入与IMDb上的RNN 231<br/>13.2 长短时记忆模型 237<br/>13.3 序列到向量的模型 242<br/>13.3.1 无监督模型 243<br/>13.3.2 结果 245<br/>13.4 向量到序列的模型 247<br/>13.4.1 双向LSTM 248<br/>13.4.2 实现与结果 249<br/>13.5 序列到序列的模型 252<br/>13.6 伦理意蕴 253<br/>13.7 小结 253<br/>13.8 习题与答案 254<br/>13.9 参考文献 255<br/>第14章 生成对抗网络 256<br/>14.1 对抗学习简介 256<br/>14.1.1 基于对抗的学习 257<br/>14.1.2 GAN模型 258<br/>14.2 训练GAN模型 258<br/>14.2.1 基于MLP的GAN模型 259<br/>14.2.2 卷积GAN模型 264<br/>14.3 比较GAN和VAE 270<br/>14.4 GAN的伦理意蕴 272<br/>14.5 小结 273<br/>14.6 习题与答案 273<br/>14.7 参考文献 274<br/>第15章 深度学习的未来 275<br/>15.1 寻找深度学习的前沿话题 275<br/>15.1.1 深度强化学习 275<br/>15.1.2 自监督学习 278<br/>15.1.3 系统2算法 278<br/>15.2 从Packt获取更多资源 279<br/>15.2.1 强化学习 279<br/>15.2.2 自监督学习 279<br/>15.3 小结 279<br/>15.4 参考文献 280
内容摘要
本书分为三部分。第1部分将帮助你快速理解从数据中学习、深度学习基本架构、如何准备数据,以及深度学习中经常使用的基本概念。第二部分将重点介绍无监督学习算法。从自编码器开始,然后转向层数更深、规模更大的神经网络模型。第三部分介绍监督学习算法,你将掌握基本和高级深度学习模型的实现方法,并能够将这些模型用于分类、回归以及从潜在空间生成数据等应用场合。
主编推荐
网络上的信息呈指数级爆炸式增长,通过浏览网络信息获得有助于进行深度学习的可靠内容变得比以往任何时候都要困难。如果你是一个初学者,希望从头开始学习深度学习理论以及构建深度学习模型,并且已经具备了入门所需的基本数学知识和编程知识,那么这本书正是你所需要的。 本书从机器学习的基本概述开始,指导你建立流行的基于Python语言的深度学习程序框架。你还将了解如何实现对数据的清洗和预处理,以便使用数据样本进行深度学习,并逐步探索神经网络的训练方法和应用技术。本书还将帮助你亲自动手训练单层和多层神经元,从而深入理解神经网络模型的工作原理。稍后,你将在一些简单应用实例的帮助下掌握若干当前比较流行的神经网络架构,例如CNN、RNN、AE、VAE和GAN。你甚至将从头开始构建这些模型。在每一章的结尾处有一个问答环节,可以帮助你测试对本书内容的掌握情况。 当学完本书的时候,你将能够精通深度学习的概念,并拥有使用特定算法与适当工具解决不同任务所需要的知识。 通过学习本书,你将能够: · 实现用于完成图像分类和自然语言处理任务的RNN模型和长短时记忆模型。 · 探索CNN模型在计算机视觉和信号处理中的作用。 · 理解深度学习建模的伦理。 · 理解与深度学习相关的数学术语。 · 构建GAN和VAE模型,并且从已学习的潜在空间中生成虚拟图像。 · 通过可视化技术实现AE和VAE模型的性能比较。
— 没有更多了 —
以下为对购买帮助不大的评价