深度学习导论
正版新书 新华官方库房直发 可开电子发票
￥ 36.27 7.4折 ￥ 49 全新
库存4件
作者[美]尤金·查尔尼克（Eugene Charniak）
出版社人民邮电出版社
ISBN9787115529916
出版时间2020-04
版次1
装帧平装
开本16开
纸张胶版纸
页数150页
定价49元
货号SC:9787115529916
上书时间2024-06-27
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
作者简介尤金·查尔尼克（Eugene Charniak），美国布朗大学计算机科学和认知科学教授，博士毕业于MIT，博士导师是人工智能之父马文·明斯基。他是国际知名的人工智能研究者，美国人工智能学会（AAAI）会士，2011年获美国计算语言学会（ACL）终身成就奖。除本书之外，他还撰写了《统计语言学习》《人工智能编程》等图书。译者简介沈磊，美国计算语言学会（ACL）会员，中国计算机学会（CCF）会员，博士毕业于北京航空航天大学计算机学院，博士研究方向为人工智能、模式识别，现为vivo公司北京AI研究院NLP算法专家，主要方向为自然语言理解和自动问答。她在自然语言处理及推荐算法方向发表了多篇学术论文，申请了5项专利。郑春萍，教育学博士，北京邮电大学人文学院副教授，主要研究方向为应用语言学与计算机辅助翻译。她是美国国务院“英语语言学者项目”访问学者、英国曼彻斯特大学人文艺术学院访问学者，曾获北京市高等教育教学成果一等奖、北京市高校青年教学名师奖、中央电视台“希望之星”英语风采大赛全国总决赛很好指导教师奖等奖项。她主持了国家社科基金、教育部霍英东青年教师基金及教育部人文社科基金等省部级课题6项，发表学术论文40余篇，主编教材2部，出版专著1部、译著2部。
主编推荐:
1.国内知识图谱界领军人物、文因互联CEO鲍捷作序。国内外产业界和学术界大咖鼎力推荐2.本书编写简明扼要，是美国常青藤名校布朗大学的教材。本书的每一章都包括了一个编程项目和一些书面练习，并附上了参考资料，可供读者进一步阅读。3.人工智能经典入门书，基于Tensorflow编写，以项目为导向，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉、自然语言处理和强化学习等。4.做中学。作者在前言中写道：“对我而言，学习计算机科学的优选方法，就是坐下来写程序。”本书正是采用了这种方法。
媒体评论:
“我们有多种关于深度学习的图书可供选择：由专家学者撰写的理论图书，以及由程序员撰写的实践图书。而这本书融合了两者的优势。Charniak是一位杰出的学术研究者，他经历了人工智能的每一个阶段，并且经常作为领导者开创一个新的阶段。除了研究者这个身份，他还是一个活跃的程序员，通过编写程序来理解人工智能。在这本精心撰写的书中，Charniak向你展示了他所理解的东西，给出了颇有见地的结论，并指导你一步一步地理解代码。”—— Peter Norvig，谷歌研究总监“这是一本精彩绝伦的书，它填补了现有的深度学习领域的‘圣经’（由Goodfellow、Bengio和Courville合著）与众多面向从业者的实践图书之间的鸿沟。这本书易于理解，通过清晰且引人入胜的文字，描述了计算机视觉、自然语言处理和机器人领域关键的深度学习算法的理论和实践应用。这本书构思精巧、言简意赅，讲解了目前近期新的深度学习技术，是学生和其他希望深入学习的人理想的教科书。”—— Chris Manning，美国斯坦福大学计算机科学与语言学教授“深度学习是人工智能和机器学习的主流工具。这本书为初学者进入令人兴奋的深度学习领域夯实了基础。”—— Dapeng Oliver Wu，美国佛罗里达大学计算机科学教授“Eugene Charniak以清晰阐释人工智能中重要而复杂的话题而闻名。在这本书中，他阐释了深度学习，为那些想要、直观地进行学习，无相关知识且希望动手操作的人，提供了必不可少的知识模块。这对从业者和学生都非常有价值。”——Noah A. Smith，美国华盛顿大学计算机科学副教授本书对原理的阐述简单、清晰，毫不晦涩；对实例的讲解则循序渐进，展示了相关应用领域的近期新进展。本书页数不多，但内容不少，可以说是入门深度学习的上佳选择，理论与实战结合的良好典范，绝对值得一读。——陈光，北京邮电大学模式识别实验室副教授（新
...
内容简介:
《深度学习导论》讲述了前馈神经网络、Tensorflow、卷积神经网络、词嵌入与循环神经网络、序列到序列学习、深度强化学习、无监督神经网络模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。本书编写简明扼要，理论联系实践，每一章都包含习题以及补充阅读的参考文献。本书既可作为高校人工智能课程的教学用书，也可供从业者入门参考。本书要求读者熟悉线性代数、多元微积分、概率论与数理统计知识，另外需要读者了解Python编程。
目录:
第 1章 前馈神经网络 1 1.1 感知机 3 1.2 神经网络的交叉熵损失函数 7 1.3 导数与随机梯度下降 11 1.4 编写程序 15 1.5 神经网络的矩阵表示 17 1.6 数据独立性 19 1.7 参考文献和补充阅读 20 1.8 习题 21第 2章 Tensorflow 23 2.1 预备知识 23 2.2 TF程序 26 2.3 多层神经网络 31 2.4 其他方面 34 2.4.1 检查点 34 2.4.2 tensordot 35 2.4.3 TF变量的初始化 37 2.4.4 TF图创建的简化 39 2.5 参考文献和补充阅读 40 2.6 习题 40第3章 卷积神经网络 43 3.1 滤波器、步长和填充 &nb
...
— 没有更多了 —
以下为对购买帮助不大的评价