全新正版 图解深度学习：可视化、交互式的人工智能指南 (美)乔恩·克罗恩,(美)格兰特·贝勒费尔德,(美)阿格莱·巴森斯 9787115591531 人民邮电出版社
本店所售图书，保证正版新书，有个别图片和实书封面不一样，以实书封面为准，最快当天，一般隔天发货。支持7天无理由退换货.开票联系客服
￥ 90.23 7.5折 ￥ 119.8 全新
库存69件
北京西城
认证卖家担保交易快速发货售后保障
作者(美)乔恩·克罗恩,(美)格兰特·贝勒费尔德,(美)阿格莱·巴森斯
出版社人民邮电出版社
ISBN9787115591531
出版时间2022-12
装帧平装
开本16开
定价119.8元
货号31608724
上书时间2023-04-14
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
商品简介
本书利用精美的插图和有趣的类比，对深度学习的主流技术和背后的原理进行了深入浅出的讲解，解释了什么是深度学习，深度学习流行的原因，以及深度学习与其他机器学习方法的关系。阅读本书，读者可以掌握卷积神经网络、循环神经网络、生成对抗网络和深度强化学习等热门技术，学习 TensorFlow、Keras 和 PyTorch 等热门工具的使用，同时能够更深刻地理解计算机视觉、自然语言处理和游戏等领域的人工智能应用。本书还提供了简单明了的示例和代码，能够帮助读者动手实践。
作者简介
作者简介
乔恩·克罗恩（Jon Krohn）是untapt机器学习公司的首席数据科学家，拥有牛津大学的神经科学博士学位，并在纽约数据科学学院和哥伦比亚大学讲授深度学习课程。他主持的TensorFlow深度学习视频课程广受赞誉。
格兰特·贝勒费尔德（Grant Beyleveld）是untapt的数据科学家，拥有伊坎医学院的生物医学博士学位，主要负责利用深度学习处理自然语言。
阿格莱·巴森斯（Aglaé Bassens）曾在牛津大学和伦敦大学的美术学院研修艺术，她是插画师、画家和壁画家。
译者简介
刘乐平，博士毕业于中国人民大学统计学院。天津财经大学大数据统计中心主任，统计学、金融学教授，博士生导师。主要研究领域为贝叶斯数据分析、风险管理与精算。
刘芳，硕士毕业于英国伯明翰大学，天津财经大学珠江学院讲师，主要研究方向为金融科技、机器学习和保险精算。
程瑞华，博士毕业于美国新泽西理工学院，天津财经大学金融学院讲师，主要研究方向包括深度学习、保险精算等，曾就职京东创新研究院担任算法工程师。
目录
第Ⅰ部分深度学习简介1
第1章生物视觉与机器视觉2
1.1生物视觉2
1.2机器视觉6
1.2.1神经认知机7
1.2.2LeNet-57
1.2.3传统机器学习方法9
1.2.4ImageNet和ILSVRC10
1.2.5AlexNet10
1.3TensorFlowPlayground13
1.4Quick，Draw！14
1.5小结15
第2章人机语言16
2.1自然语言处理的深度学习16
2.1.1深度学习网络能够自动学习表征16
2.1.2自然语言处理17
2.1.3自然语言处理的深度学习简史18
2.2语言的计算表示19
2.2.1独热编码19
2.2.2词向量20
2.2.3词向量算法22
2.2.4word2viz23
2.2.5局部化与分布式表示24
2.3自然人类语言要素25
2.4GoogleDuplex27
2.5小结28
第3章机器艺术29
3.1一个热闹的通宵29
3.2伪人脸算法31
3.3风格迁移：照片与莫奈风格间的相互转换33
3.4让你的素描更具真实感34
3.5基于文本创建真实感图像35
3.6使用深度学习进行图像处理35
3.7小结36
第4章对弈机38
4.1人工智能、深度学习和其他技术38
4.1.1人工智能39
4.1.2机器学习39
4.1.3表征学习39
4.1.4人工神经网络39
4.1.5深度学习40
4.1.6机器视觉40
4.1.7自然语言处理41
4.2机器学习问题的3种类型41
4.2.1监督学习41
4.2.2无监督学习41
4.2.3强化学习42
4.3深度强化学习43
4.4电子游戏44
4.5棋盘游戏45
4.5.1AlphaGo46
4.5.2AlphaGoZero49
4.5.3AlphaZero50
4.6目标操纵52
4.7主流的深度强化学习环境53
4.7.1OpenAIGym53
4.7.2DeepMindLab54
4.7.3UnityML-Agents55
4.8人工智能的3种类型56
4.8.1狭义人工智能56
4.8.2通用人工智能56
4.8.3超级人工智能56
4.9小结56
第Ⅱ部分图解深度学习基本理论57
第5章先代码后理论58
5.1预备知识58
5.2安装58
5.3用Keras构建浅层网络59
5.3.1MNIST手写数字59
5.3.2浅层网络简图60
5.3.3加载数据61
5.3.4重新格式化数据63
5.3.5设计神经网络架构64
5.3.6训练深度学习模型65
5.4小结66
第6章热狗人工神经元检测器67
6.1生物神经元概述67
6.2感知机68
6.2.1热狗/非热狗感知机68
6.2.2本书中最重要的公式71
6.3现代人工神经元与激活函数72
6.3.1sigmoid神经元72
6.3.2tanh神经元73
6.3.3ReLU：线性整流单元74
6.4选择神经元74
6.5小结75
6.6核心概念75
第7章人工神经网络76
7.1输入层76
7.2全连接层76
7.3热狗检测全连接网络77
7.3.1通过第一个隐藏层的正向传播78
7.3.2通过后续层的正向传播79
7.4快餐分类网络的softmax层81
7.5浅层网络回顾83
7.6小结84
7.7核心概念84
第8章训练深度网络85
8.1损失函数85
8.1.1平方损失函数85
8.1.2饱和神经元86
8.1.3交叉熵损失函数86
8.2优化：学习最小化损失88
8.2.1梯度下降88
8.2.2学习率89
8.2.3batchsize和随机梯度下降90
8.2.4解决局部极小值问题92
8.3反向传播94
8.4调整隐藏层层数和神经元数量94
8.5用Keras构建中等深度的神经网络95
8.6小结98
8.7核心概念98
第9章改进深度网络99
9.1权重初始化99
9.2不稳定梯度104
9.2.1梯度消失104
9.2.2梯度爆炸105
9.2.3批量归一化105
9.3模型泛化（避免过拟合）106
9.3.1L1/L2正则化107
9.3.2dropout108
9.3.3数据增强110
9.4理想的优化器110
9.4.1动量110
9.4.2Nesterov动量111
9.4.3AdaGrad111
9.4.4AdaDelta和RMSProp111
9.4.5Adam112
9.5用Keras构建深度神经网络112
9.6回归114
9.7TensorBoard116
9.8小结118
9.9核心概念118
第Ⅲ部分深度学习的交互应用119
第10章机器视觉120
10.1卷积神经网络120
10.1.1视觉图像的二维结构120
10.1.2计算复杂度120
10.1.3卷积层121
10.1.4多个卷积核122
10.1.5卷积示例123
10.1.6卷积核的超参数126
10.2池化层127
10.3用Keras实现LeNet-5129
10.4用Keras实现AlexNet和VGGNet133
10.5残差网络136
10.5.1梯度消失：深度CNN的优选缺点136
10.5.2残差连接136
10.5.3ResNet138
10.6机器视觉的应用139
10.6.1目标检测139
10.6.2图像分割142
10.6.3迁移学习143
10.6.4胶囊网络147
10.7小结147
10.8核心概念147
第11章自然语言处理149
11.1自然语言数据的预处理149
11.1.1分词151
11.1.2将所有字符转换成小写153
11.1.3删除停顿词和标点符号153
11.1.4词干提取154
11.1.5处理n-grams155
11.1.6预处理整个语料库156
11.2通过word2vec创建词嵌入158
11.2.1word2vec背后的基本理论158
11.2.2词向量的评估160
11.2.3word2vec的运行160
11.2.4词向量的绘制163
11.3ROC曲线下的面积167
11.3.1混淆矩阵168
11.3.2计算ROCAUC指标169
11.4通过常见网络实现自然语言分类171
11.4.1加载IMDb电影评论171
11.4.2检查IMDb数据173
11.4.3标准化评论长度176
11.4.4全连接网络176
11.4.5卷积网络182
11.5序列数据的网络设计186
11.5.1循环神经网络186
11.5.2LSTM189
11.5.3双向LSTM192
11.5.4堆叠的循环神经网络192
11.5.5seq2seq模型和注意力机制193
11.5.6自然语言处理中的迁移学习194
11.6非序列架构——Keras函数式API195
11.7小结198
11.8核心概念199
第12章生成对抗网络200
12.1生成对抗网络的基本理论200
12.2“Quick，Draw！”数据集202
12.3判别器网络205
12.4生成器网络208
12.5对抗网络211
12.6训练生成对抗网络212
12.7小结218
12.8核心概念219
第13章深度强化学习220
13.1强化学习的基本理论220
13.1.1Cart-Pole游戏221
13.1.2马尔可夫决策过程222
13.1.3很优策略224
13.2深度Q-Learning网络的基本理论225
13.2.1值函数226
13.2.2Q值函数226
13.2.3估计很优Q值226
13.3定义DQN智能体227
13.3.1初始化参数229
13.3.2构建智能体的神经网络模型231
13.3.3记忆游戏232
13.3.4记忆回放训练232
13.3.5选择要采取的行动233
13.3.6保存和加载模型参数234
13.4与OpenAIGym环境交互234
13.5通过SLMLab进行超参数优化236
13.6DQN智能体以外的智能体238
13.6.1策略梯度算法和REINFORCE算法239
13.6.2Actor-Critic算法240
13.7小结240
13.8核心概念241
第Ⅳ部分您与人工智能243
第14章推进专属于您的深度学习项目244
14.1深度学习项目构想244
14.1.1机器视觉和生成对抗网络244
14.1.2自然语言处理246
14.1.3深度强化学习246
14.1.4转换现有的机器学习项目247
14.2引申项目资源248
14.3建模过程和超参数调优249
14.4深度学习框架251
14.4.1Keras和TensorFlow251
14.4.2PyTorch253
14.4.3MXNet、CNTK、Caffe等深度学习框架253
14.5Software2.0253
14.6迈向通用人工智能255
14.7小结256
第Ⅴ部分附录259
附录A神经网络的形式符号260
附录B反向传播262
附录CPyTorch265
本书图片来源271
— 没有更多了 —
以下为对购买帮助不大的评价