• Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
  • Python深度学习(第2版)
21年品牌 40万+商家 超1.5亿件商品

Python深度学习(第2版)

全新正版 极速发货

42.82 4.8折 89.8 全新

库存2件

广东广州
认证卖家担保交易快速发货售后保障

作者伊万·瓦西列夫,詹马里奥·斯帕卡尼亚,丹尼尔·斯莱特,彼得·罗兰茨,瓦伦蒂诺·佐卡著,杨轩 译

出版社中国水利水电出版社

ISBN9787517099864

出版时间2022-01

装帧平装

开本16开

定价89.8元

货号31345514

上书时间2024-06-30

书香美美

已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
商品描述
商品简介

《Python深度学习(第2版)》系统地讲解了机器学习、深度学习、强化学习理论知识,揭秘了各种神经网络架构如卷积神经网络、循环神经网络、长短期记忆网络和胶囊网络背后的原理和实际应用;讲解了如何使用高性能的算法和常用的Python框架来进行训练,以及如何解决计算机视觉、自然语言处理和语音识别等领域的问题;还讲解了生成模型方法以及如何使用变分自编码器和生成式对抗网络来生成图像;后深入研究强化学习的新发展领域,并介绍了一些先进热门游戏Go、Atari和Dota背后的算法。学习完本书,读者可以精通深度学习理论及其在现实世界中的应用。

 

《Python深度学习(第2版)》一书面向数据科学从业者、机器学习工程师以及对深度学习感兴趣的读者,也适合作为高校计算机专业的教材使用。



作者简介

l 伊万 瓦西列夫于2013年在GPU支持下开始研究个开源Java深度学习库。该库后被一家德国公司收购并继续开发。伊万 瓦西列夫还曾在深度神经网络医学图像分类和分割领域担任机器学习(Machine Learning,ML)和研究员;从2017年起,开始专注于金融机器学习;现正在研究Python开源算法交易库,该库提供了用于试验各种机器算法的基础架构。伊万 瓦西列夫拥有圣索非亚圣克里门特 奥赫里德斯基分校的人工智能硕士。
l 詹马里奥 斯帕卡尼亚是“倍耐力”的数据科学家,负责处理物联网(IoT)和网联车应用的传感器和遥测数据。他与轮胎机械师、和业务部门紧密合作,以便分析和制定混合动力、物理驱动和数据驱动的汽车模型。他的主攻专业方向是为数据产品构建机器学习系统和端到端解决方案。他拥有都灵理工学院的远程信息处理硕士,以及斯德哥尔摩KTH的分布式系统软件工程。在加入倍耐力之前,他曾在和商业银行(Barclays)、网络安全(Cisco)、预测性营销(AgilOne)中工作,并偶尔从事自由职业。
l 丹尼尔 斯莱特从11岁开始编程,为ID软件公司的Quake游戏开发模组。他对游戏的痴迷使他成为热门游戏“足球经理”的开发人员。然后,他进入金融领域,致力于风险和高性能消息系统。目前他是Skimlinks的一名大数据,负责了解在线用户的行为。他用业余时间训练AI击败计算机游戏。他在技术会议上谈论深度学习和强化学习,其地址为www.danielslater.net。他在该领域的工作已被Google引用。
l 彼得 罗兰茨拥有库鲁汶计算机科学硕士,主修人工智能。他致力于将深度学习应用于各种问题,如光谱成像、语音识别、文本理解和文档信息提取。他目前在Onfido担任数据提取研究小组的组长,主要负责从官方文档中提取数据。
l 瓦伦蒂诺 佐卡拥有博士,先后从美国马里兰和罗马,获得数学,并在华威学习了一个学期。之后他在被波音公司收购的Autometric公司从事立体三维地球可视化软件的高科技项目研究,该软件具有头部跟踪功能。他在那里开发了许多数学算法和预测模型,并使用Hadoop实现了多个卫星图像可视化的自动化程序。他曾在美国人口普查局、美国和意大利的企业担任独立顾问。目前,他居住在纽约,并担任一家金融公司的独立顾问。



目录
第1章  机器学习导论
  1.1  机器学习概述
  1.2  机器学习算法
    1.2.1  监督学习
      1.线性回归和逻辑回归
      2.支持向量机
      3.决策树
      4.朴素贝叶斯
    1.2.2  无监督学习
      K-means
    1.2.3  强化学习
      Q-learning
    1.2.4  机器学习组件
  1.3  神经网络
      PyTorch简介
  1.4  小结
第2章  神经网络
  2.1  神经网络的重要性
  2.2  神经网络概述
    2.2.1  神经元概述
    2.2.2  层概述
    2.2.3  多层神经网络
    2.2.4  不同类型的激活函数
    2.2.5  综合案例
  2.3  训练神经网络
    2.3.1  线性回归
    2.3.2  逻辑回归
    2.3.3  反向传播
    2.3.4  XOR函数的神经网络的代码示例
  2.4  小结
第3章  深度学习基础
  3.1  深度学习导论
  3.2  深度学习的基本概念
  3.3  深度学习算法
    3.3.1  深度网络
      当代深度学习简史
    3.3.2  训练深度网络
  3.4  深度学习的应用
  3.5  深度学习流行的原因
  3.6  流行的开源库
    3.6.1  TensorFlow、Keras、PyTorch简介
      1.TensorFlow
      2.Keras
      3.PyTorch
    3.6.2  使用Keras对手写数字进行分类
    3.6.3  使用Keras对物体图像进行分类
  3.7  小结
第4章  基于卷积神经网络的计算机视觉
  4.1  卷积神经网络的直观解释
  4.2  卷积层

内容摘要
 《Python深度学习(第2版)》系统地讲解了机器学习、深度学习、强化学习理论知识,揭秘了各种神经网络架构如卷积神经网络、循环神经网络、长短期记忆网络和胶囊网络背后的原理和实际应用;讲解了如何使用高性能的算法和常用的Python框架来进行训练,以及如何解决计算机视觉、自然语言处理和语音识别等领域的问题;还讲解了生成模型方法以及如何使用变分自编码器和生成式对抗网络来生成图像;最后深入研究强化学习的新发展领域,并介绍了一些先进热门游戏Go、Atari和Dota背后的算法。
学习完本书,读者可以精通深度学习理论及其在现实世界中的应用。
《Python深度学习(第2版)》一书面向数据科学从业者、机器学习工程师以及对深度学习感兴趣的读者,也适合作为高校计算机专业的教材使用。

主编推荐

本书既包含机器学习、深度学习、强化学习理论,又包括深度神经网络、高性能算法、Python框架训练、生成模型;既包含计算机视觉、自然语言处理、语音识别的相关知识,又包含游戏深度强化学习应用、自动驾驶深度学习应用,通过本书学习,你将能够:

掌握神经网络和深度学习过程背后的数学理论 使用卷积网络和胶囊网络研究和解决计算机视觉挑战 使用变分自动编码器和生成对抗性网络解决生成性任务 使用循环网络(LSTM和GRU)和注意力模型实现复杂的NLP任务 探索强化学习,了解行为体在复杂环境中的行为方式 了解深度学习在车辆自动驾驶和游戏深度强化学习中的应用
【内容简介】

   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP