幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習基礎教程/深度學習系列

  • 作者：(美)邸韡//阿努拉格·巴德瓦傑//魏佳寧|譯者:楊偉//李征
  • 出版社：機械工業
  • ISBN：9787111608455
  • 出版日期：2018/10/01
  • 裝幀：平裝
  • 頁數：164
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    邸韡著的《深度學習基礎教程》是真正適合深度學習初學者的入門書籍，全書沒有任何複雜的數學推導。《深度學習基礎教程》首先介紹了深度學習的優勢和面臨的挑戰、深度學習採用深層架構的動機、學習深度學習需要的數學知識和硬體知識以及深度學習常用的軟體框架。然後對多層感知機、卷積神經網路（CNN）、受限玻耳茲曼機（RBM）、循環神經網路（RNN）及其變體—長短時記憶（LSTM）網路進行了詳細介紹，並且以獨立章節重點闡述了CNN在電腦視覺中的應用、RNN在自然語言處理中的應用以及深度學習在多模態學習領域中的應用。隨後，本書介紹了深度強化學習的基本知識，給出了應用深度學習技術需要的許多實用技巧並概述了深度學習的一些新方向和新應用。
作者介紹
(美)邸韡//阿努拉格·巴德瓦傑//魏佳寧|譯者:楊偉//李征
目錄
譯者序
原書前言
第1章  為什麼進行深度學習
  1.1  什麼是人工智慧和深度學習
  1.2  深度學習的歷史及其興起
  1.3  為什麼進行深度學習
    1.3.1  相比于傳統淺層方法的優勢
    1.3.2  深度學習的影響
  1.4  深層架構的動機
    1.4.1  神經的觀點
    1.4.2  特徵表示的觀點
  1.5  應用
    1.5.1  盈利性應用
    1.5.2  成功案例
    1.5.3  面向企業的深度學習
  1.6  未來的潛力和挑戰
  1.7  小結
第2章  為深度學習做準備
  2.1  線性代數的基礎知識
    2.1.1  數據表示
    2.1.2  數據操作
    2.1.3  矩陣屬性
  2.2  使用GPU進行深度學習
    2.2.1  深度學習硬體指南
  2.3  深度學習軟體框架
    2.3.1  TensorFlow
    2.3.2  Caffe
    2.3.3  MXNet
    2.3.4  Torch
    2.3.5  Theano
    2.3.6  CNTK
    2.3.7  Keras
    2.3.8  框架比較
  2.4  基本亞馬遜網路服務的深度學習開發環境配置
    2.4.1  從零開始配置
    2.4.2  基於Docker的配置
  2.5  小結
第3章  神經網路入門
  3.1  多層感知機
    3.1.1  輸入層
    3.1.2  輸出層
    3.1.3  隱藏層
    3.1.4  激活函數
  3.2  如何進行網路學習
    3.2.1  權值初始化
    3.2.2  前向傳播
    3.2.3  反向傳播
    3.2.4  梯度消失與爆炸
    3.2.5  優化演算法
    3.2.6  正則化

  3.3  深度學習模型
    3.3.1  卷積神經網路
    3.3.2  受限玻耳茲曼機
    3.3.3  循環神經網路（RNN/LSTM網路）
    3.3.4  RNN中的單元及其展開
    3.3.5  通過時間的反向傳播
    3.3.6  梯度消失與LSTM網路
    3.3.7  LSTM網路中的單元和網關
  3.4  應用示例
    3.4.1  TensorFlow設置與關鍵概念
    3.4.2  手寫數字識別
  3.5  小結
第4章  電腦視覺中的深度學習
  4.1  卷積神經網路的起源
  4.2  卷積神經網路
    4.2.1  數據變換
    4.2.2  網路層
    4.2.3  網路初始化
    4.2.4  正則化
    4.2.5  損失函數
    4.2.6  模型可視化
    4.2.7  手寫數字分類示例
  4.3  微調卷積神經網路
  4.4  主流的卷積神經網路架構
    4.4.1  AlexNet
    4.4.2  VGG
    4.4.3  GoogLeNet
    4.4.4  ResNet
  4.5  小結
第5章  自然語言處理中的向量表示
  5.1  傳統的自然語言處理
    5.1.1  BoW
    5.1.2  帶權的tf-idf
  5.2  基於深度學習的自然語言處理
    5.2.1  動機及分散式表示法
    5.2.2  詞嵌入
    5.2.3  Word2Vec
    5.2.4  了解GloVe
    5.2.5  FastText
  5.3  應用
    5.3.1  使用示例
    5.3.2  微調
  5.4  小結
第6章  高級自然語言處理
  6.1  面向文本的深度學習
    6.1.1  神經網路的局限性
  6.2  循環神經網路
    6.2.1  RNN架構
    6.2.2  基本的RNN模型
    6.2.3  訓練RNN很難

  6.3  LSTM網路
    6.3.1  使用TensorFlow實現LSTM網路
  6.4  應用
    6.4.1  語言建模
    6.4.2  序列標注
    6.4.3  機器翻譯
    6.4.4  聊天機器人
  6.5  小結
第7章  多模態
  7.1  什麼是多模態學習
  7.2  多模態學習的挑戰
    7.2.1  模態表示
    7.2.2  模態轉換
    7.2.3  模態對齊
    7.2.4  模態融合
    7.2.5  協同學習
  7.3  圖像標注生成
    7.3.1  show&tell演算法
    7.3.2  其他類型的方法
    7.3.3  數據集
    7.3.4  評估方法
    7.3.5  注意力模型
  7.4  視覺問答
  7.5  基於多源的自動駕駛
  7.6  小結
第8章  深度強化學習
  8.1  什麼是強化學習
    8.1.1  問題設置
    8.1.2  基於值函數學習的演算法
    8.1.3  基於策略搜索的演算法
    8.1.4  基於Actor-Critic的演算法
  8.2  深度強化學習
    8.2.1  深度Q網路（DQN）
    8.2.2  雙DQN
    8.2.3  競爭DQN
  8.3  強化學習實現
    8.3.1  簡單的強化學習示例
    8.3.2  以Q-learning為例的強化學習
  8.4  小結
第9章  深度學習的技巧
  9.1  處理數據
    9.1.1  數據清理
    9.1.2  數據擴充
    9.1.3  數據歸一化
  9.2  訓練技巧
    9.2.1  權值初始化
    9.2.2  優化
    9.2.3  損失函數選擇
    9.2.4  防止過擬合
    9.2.5  微調

  9.3  模型壓縮
  9.4  小結
第10章  深度學習的發展趨勢
  10.1  深度學習的最新模型
    10.1.1  生成對抗網路
    10.1.2  Capsule網路
  10.2  深度學習的新應用
    10.2.1  基因組學
    10.2.2  醫療預測
    10.2.3  臨床影像學
    10.2.4  唇語
    10.2.5  視覺推理
    10.2.6  代碼合成
  10.3  小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032