深度学习与神经网络
正版图书，可开发票，请放心购买。
￥ 50.56 5.9折 ￥ 86 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者编者:赵金晶//李虎//张明|
出版社电子工业
ISBN9787121473739
出版时间2024-02
装帧平装
开本其他
定价86元
货号31998847
上书时间2024-06-28
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章 绪论
1.1 人工智能
1.1.1 人工智能技术的发展历程
1.1.2 人工智能技术的流派
1.2 深度学习与神经网络概述
1.2.1 深度学习与神经网络技术的发展历程
1.2.2 深度学习与神经网络的前沿技术
1.3 深度学习系统架构
1.4 深度学习框架
1.5 深度学习的应用
1.5.1 计算机视觉
1.5.2 语音语义
1.5.3 自然语言处理
1.6 人工智能潜在的安全风险
1.6.1 数据层面的风险
1.6.2 算法模型层面的风险
1.6.3 智能计算框架层面的风险
1.6.4 基础软硬件层面的风险
1.6.5 应用服务层面的风险
本章小结
第2章 预备知识
2.1 相关数学基础
2.1.1 线性代数
2.1.2 概率论
2.1.3 优化理论
2.2 机器学习基础
2.2.1 机器学习算法的基本流程
2.2.2 机器学习常用评价指标
2.2.3 典型机器学习算法
2.3 实验环境基础
2.3.1 GPU 驱动的安装配置
2.3.2 依赖环境的安装配置
2.3.3 深度学习框架的安装配置
2.3.4 集成开发环境的安装配置
本章小结
第3章 前馈神经网络
3.1 感知器
3.1.1 单层感知器
3.1.2 多层感知器
3.1.3 前馈神经网络的基本结构
3.2 激活函数
3.2.1 Sigmoid函数
3.2.2 ReLU函数
3.2.3 Tanh函数
3.2.4 Softmax函数
3.3 误差反向传播
3.3.1 梯度下降法
3.3.2 链式法则
3.3.3 反向传播
本章小结
内容摘要
本书系统介绍深度学习和神经网络的基础知识体系与实践方法，阐述各种主流
神经网络模型，以及深度模型优化和正则化问题，使读者能利用深度学习方法探索图像识别、自然语言处理等具体场景下的模型构建与优化技术。
全书分为7个章节。第1章绪论，梳理了人工智能不同技术流派的特点、深度学习的发展及前沿技术；第2章介绍相关预备知识，包括线性代数、概率论、优化理论以及机器学习的基础知识；第3章从前馈神经网络的基础模型——感知器出发，介绍前馈神经网络的基本结构以及涉及的激活函数、梯度下降、反向传播等内容；第4章，介绍深度模型的优化问题，讨论了神经网络优化中常见的病态问题；第5章介绍深度学习中的正则化方法，包括范数惩罚、数据集增强与噪声注入、提前停止等；第6章介绍了卷积神经网络，以及卷积神经网络在计算机视觉领域的具体应用；第7章通过实际案例介绍循环神经网络与卷积神经网络的结合应用。
本书可作为高等院校人工智能、电子信息、计算机等专业的研究生或本科生教材，也可作为相关领域的研究和工程技术人员的参考书籍。
— 没有更多了 —
以下为对购买帮助不大的评价