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

神經網路與深度學習--基於TensorFlow框架和Python技術實現(IT工程師寶典)

  • 作者：編者:包子陽
  • 出版社：電子工業
  • ISBN：9787121362019
  • 出版日期：2019/04/01
  • 裝幀：平裝
  • 頁數：185
人民幣：RMB 49.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    Python、TensorFlow、神經網路和深度學習因人工智慧的流行而成為當下IT領域的熱門關鍵詞。本書首先介紹了Python及其常用庫Numpy、Matplotlib和Scipy的基本使用方法；其次介紹了TensorFlow的基本知識及使用方法：然後介紹了神經網路的基礎知識以及神經網路基本應用——感知機、線性回歸與邏輯回歸的理論與實現；最後介紹了兩種熱門的深度神經網路——卷積神經網路和循環神經網路的理論與實現。本書內容由淺入深，循序漸進，實踐性強，包含豐富的模擬實例。
    本書適用於電子、通信、電腦、自動化、機器人和經濟學等學科以及信號處理、語音識別、圖像識別、模式識別、機器翻譯和人機交互等領域的讀者，可作為高等院校高年級本科生和研究生的學慣用書，也可供相關領域的科研人員學習參考。
    本書實例源程序可從華信教育資源網（www.hxedu.com.cn）免費下載，或通過與本書責任編輯（zhangls@phei.com.cn）聯繫獲取。
作者介紹
編者:包子陽
目錄
第1章  緒論
  1.1  人工智慧
  1.2  機器學習
    1.2.1  監督學習
    1.2.2  非監督學習
    1.2.3  半監督學習
  1.3  深度學習
    1.3.1  卷積神經網路
    1.3.2  循環神經網路
  1.4  實現工具
    1.4.1  Python
    1.4.2  TensorFlow
第2章  Python基礎
  2.1  Python簡介
    2.1.1  概述
    2.1.2  Python的特點
    2.1.3  Python的版本
  2.2  Python的安裝
    2.2.1  Python官網下載安裝
    2.2.2  Anaconda的安裝
  2.3  Spyder編輯器
    2.3.1  Spyder界面
    2.3.2  Spyder快捷鍵
  2.4  Python基礎知識
    2.4.1  基本語法
    2.4.2  基本數據類型和運算
    2.4.3  列表、元組和字元串
    2.4.4  字典和集合
    2.4.5  分支和循環
    2.4.6  函數和類
    2.4.7  模塊
第3章  Python基礎庫
  3.1  Numpy庫
    3.1.1  創建數組
    3.1.2  ndarray類
    3.1.3  數組操作
    3.1.4  形狀操作
  3.2  Matplotlib庫
    3.2.1  快速繪圖
    3.2.2  繪製多軸圖
    3.2.3  繪製3D圖
  3.3  Scipy庫
    3.3.1  scipy.io
    3.3.2  scipy.linalg
    3.3.3  scipy.fftpack
    3.3.4  scipy.optimize
    3.3.5  scipy.interpolate
    3.3.6  scipy.stats
第4章  TensorFlow基礎
  4.1  概述

  4.2  TensorFlow的安裝
  4.3  TensorFlow基本概念
    4.3.1  Graph和Session
    4.3.2  placeholder
    4.3.3  tensor
    4.3.4  Variable
    4.3.5  fetch和feed
  4.4  MNIST
    4.4.1  MNIST簡介
    4.4.2  MNIST解析
第5章  神經網路基礎
  5.1  神經網路概述
    5.1.1  神經網路常用術語
    5.1.2  神經網路模型
    5.1.3  神經網路的運作
    5.1.4  神經網路演算法的特點
  5.2  神經元模型
  5.3  激活函數
    5.4.1  sigmoid函數
    5.4.2  tanh函數
    5.4.3  ReLU函數
    5.4.4  softmax函數
  5.4  損失函數
    5.4.1  均方差函數
    5.4.2  交叉熵函數
  5.5  梯度下降演算法
    5.5.1  梯度下降演算法推導
    5.5.2  梯度下降演算法種類
  5.5  BP演算法
    5.5.1  BP網路簡介
    5.5.2  BP演算法流程
  5.6  模擬實例
第6章  神經網路基礎應用
  6.1  感知機
    6.1.1  感知機網路結構
    6.1.2  感知機學習規則
    6.1.3  感知機網路訓練
    6.1.5  模擬實例
  6.2  線性回歸
    6.2.1  線性回歸理論
    6.2.2  模擬實例
  6.3  邏輯回歸
    6.3.1  邏輯回歸理論
    6.3.2  模擬實例
第7章  卷積神經網路
  7.1  概述
  7.2  卷積神經網路結構
    7.2.1  卷積層
    7.2.2  池化層
    7.2.3  全連接層

    7.2.4  Dropout層
  7.3  訓練過程
  7.4  卷積神經網路經典模型
    7.4.1  LeNet-5模型
    7.4.2  AlexNet模型
  7.5  模擬實例
第8章  循環神經網路
  8.1  循環神經網路概述
    8.1.1  循環神經網路結構
    8.1.2  循環神經網路前向傳播
    8.1.3  循環神經網路訓練演算法
  8.2  長短時記憶網路（LSTM）
    8.2.1  LSTM結構
    8.2.2  LSTM前向計算
    8.2.3  LSTM訓練演算法
    8.2.4  LSTM程序實現
  8.3  循環神經網路的變種
    8.3.1  雙向循環神經網路
    8.3.2  深層循環神經網路
  8.4  模擬實例
附錄A  Python主要函數
附錄B  TensorFlow主要函數
參考文獻

  • 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