企业级AI技术内幕：深度学习框架开发+机器学习案例实战+Alluxio解密
全新正版现货
￥ 126.9 7.6折 ￥ 168 全新
仅1件
四川成都
认证卖家担保交易快速发货售后保障
作者王家林、段智华
出版社清华大学出版社
ISBN9787302561774
出版时间2020-11
装帧平装
开本16开
纸张胶版纸
定价168元
货号29148298
上书时间2023-05-17
- 最新上架
商品详情
- 品相描述：全新
- 正版全新
- 商品描述
-
【编辑推荐】:
全代码讲解深度学习框架开发，
案例式讲解机器学习案例，
透彻剖析开源AI和大数据存储编排平台Alluxio
【内容简介】:
《企业级AI技术内幕：深度学习框架开发 机器学习案例实战 Alluxio解密》分为盘古人工智能框架开发专题篇、机器学习案例实战篇、分布式内存管理Alluxio解密篇，分别对人工智能开发框架、机器学习案例及Alluxio系统进行透彻解析。 盘古人工智能框架开发专题篇，通过代码讲解多层次神经网络、前向传播算法、反向传播算法、损失度计算及可视化、自适应学习和特征归一化等内容。 机器学习案例实战篇，选取机器学习中*代表性的经典案例，透彻讲解机器学习数据预处理、简单线性回归、多元线性回归、多项式回归、支持向量回归、决策树回归、随机森林回归等回归算法，逻辑回归、k近邻算法、支持向量机、朴素贝叶斯、决策树分类、随机森林分类等分类算法、ｋ均值聚类、层次聚类等聚类算法，以及关联分析算法，并对回归模型、分类模型进行性能评估。 分布式内存管理Alluxio解密篇，详细讲解Alluxio架构、部署、底层存储及计算应用、基本用法、运行维护等内容。
【作者简介】:
王家林，ApacheSpark执牛耳者，现工作于硅谷*的AI实验室，专注于NLP框架，超过20本Spark，AI，Andriod书籍作者。
段智华
就职于中国电信股份有限公司上海分公司，系统架构师，CSDN博客专家。专注于Spark大数据技术研发及推广，跟随Spark核心源码技术的发展，深入研究Spark 2.1.1版本及Spark 2.2.0版本的源码优化，对Spark大数据处理、机器学习等技术领域有丰富的实战经验和浓厚兴趣。
【目录】:
盘古人工智能框架开发专题篇
第1章 导论：为什么人工智能是必然的未来 3
1.1 为什么一定需要人工智能 3
1.2 人工智能为何如此强大 4
1.3 学习人工智能的正道 6
1.4 人工智能、机器学习、深度学习三者之间的关系 6
1.5 人工智能的十大经典应用场景 7
1.6 人工智能在海量数据处理中不可替代的原因 9
1.7 本书开发环境的安装 10
第2章 盘古人工智能框架多层次神经网络的实现 12
2.1 盘古人工智能框架 12
2.2 实现神经网络的节点结构 17
2.3 实现神经网络层之间节点的连接 25
2.4 如何初始化神经网络的权重 29
2.5 实现多个隐藏层 30
第3章 盘古人工智能框架的前向传播功能 35
3.1 前向传播功能 35
3.1.1 从TensorFlow的可视化运行过程理解前向传播功能 35
3.1.2 从架构层面理解前向传播功能 37
3.1.3 理解前向传播原理 37
3.2 在每个节点上增加数据的输入和计算结果 39
3.3 实现前向传播算法 45
3.4 使用Sigmoid函数作为激活函数 49
3.5 测试前向传播算法并分析计算结果 51
第4章 盘古人工智能框架的反向传播功能 54
4.1 深度学习是如何学习的 54
4.2 实现反向传播算法 60
4.3 反向传播算法测试及分析计算结果 67
第5章 盘古人工智能框架的损失度计算及其可视化 71
5.1 关于损失度的思考——所有人工智能框架终身的魔咒 71
5.2 编码实现损失度并进行测试 74
5.3 损失度可视化运行结果 77
第6章 通过特征归一化和自适应学习优化盘古人工智能框架 81
6.1 盘古人工智能框架性能测试及问题剖析 81
6.2 使用特征归一化进行性能优化 87
6.3 使用自适应学习进行性能优化 91
第7章 盘古人工智能框架实现方法大总结 96
7.1 盘古人工智能框架性能测试 96
7.2 神经网络实现及和TensorFlow的对比 97
7.3 前向传播算法实现及其和TensorFlow的算法对比 98
7.4 反向传播算法实现及与TensorFlow的对比 99
7.5 损失度计算实现与TensorFlow的对比 100
7.6 人工智能盘古框架源代码 103
第8章 使用矩阵的方式编写人工智能框架 115
8.1 使用矩阵编写人工智能框架 115
8.2 测试及分析计算结果 121
8.3 对使用矩阵方式编写的人工智能框架进行优化 125
第9章 使用四种性能优化矩阵编写人工智能框架 129
9.1 梯度下降陷阱 130
9.2 增加和调整alpha参数 131
9.3 人工智能框架的改进优化 137
第10章 人工智能及感知元解密 146
10.1 人工智能是什么，怎么做，前景为什么好 146
10.2 计算机视觉面临的困境及突破 148
10.3 感知器解密 149
10.4 计算机图像识别 151
第11章 神经网络结构及Sigmoid函数 159
11.1 神经网络实现与非门 159
11.2 神经网络为什么能够完成各类计算 160
11.3 神经网络的结构解密 162
11.4 Sigmoid函数背后的设计和实现密码 163
11.5 Sigmoid函数的弱点及改进 166
第12章 用神经网络识别手写数字 173
12.1 神经网络识别手写数字的原理 173
12.2 为何识别数字的三层神经网络输出层为10个神经元 175
12.3 MINST数据集图片库解析 176
12.4 使用PyTorch框架编码实现MNIST手写数字识别程序 178
第13章 人工智能框架编写中关于损失度及梯度下降的设计与实现 187
13.1 损失函数的本质剖析 187
13.2 梯度下降的本质 187
13.3 随机梯度下降法的设计和实现 189
13.4 通过一个简单示例理解梯度下降 191
第14章 MNIST数字识别 194
14.1 MNIST数据的加载 194
14.2 神经网络的初始化 199
14.3 前向传播和反向传播函数 201
14.4 小批量随机梯度下降 204
14.5 损失函数及评估函数 205
14.6 超参数调优 206
第15章 从矩阵视角剖析神经网络的运行过程 211
15.1 点积和外积的本质 211
15.2 从矩阵的视角剖析神经网络的计算过程 213
15.3 神经网络中的损失函数 215
15.4 人工智能框架神经网络四个核心数学公式 216
第16章 Spark PyTorch开发应用 221
16.1 PyTorch深度学习框架案例 221
16.1.1 案例的应用场景解析 221
16.1.2 案例的数据分析及预处理 221
16.1.3 PyTorch深度学习案例实战 226
16.1.4 PyTorch预训练BERT模型解读 249
16.2 Spark Alluxio PyTorch综合开发案例 258
— 没有更多了 —
以下为对购买帮助不大的评价