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

TensorFlow從零開始學

  • 作者：編者:侯倫青//王飛//鄧昕//史周安|責編:孫學瑛
  • 出版社：電子工業
  • ISBN：9787121379741
  • 出版日期：2020/04/01
  • 裝幀：平裝
  • 頁數：194
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是一本閱讀起來特別輕鬆、學習一點都不費勁的TensorFlow入門書。本書基於TensorFlow 2．0版本，從機器學習和TensorFlow的基礎開始，針對初學者只選擇實際應用中的必需知識，對前饋神經網路、卷積神經網路、循環神經網路、深度強化學習進行了淺顯易懂的闡述，其中包括很多具體的TensorFlow示例，最後一章的項目實戰能夠教會初學者運用深度學習解決實際問題，從而進入人工智慧這一前沿的熱門領域。
    本書適合初學TensorFlow，並且深度學習的理論和實踐基礎較為薄弱的讀者群體，也適合希望了解深度學習的大數據平台工程師，以及對人工智慧、深度學習感興趣的電腦相關從業人員及在校學生等閱讀，特別適合作為高等院校電腦或人工智慧專業師生的參考教材。
作者介紹
編者:侯倫青//王飛//鄧昕//史周安|責編:孫學瑛
目錄
第1章  機器學習基礎
  1.1  人工智慧：是機遇也是挑戰
  1.2  機器學習
    1.2.1  什麼是機器學習
    1.2.2  用機器學習解決問題的一般流程
    1.2.3  數據預處理
    1.2.4  特徵工程
    1.2.5  模型的評估和選擇
  1.3  深度學習的發展歷程及應用
    1.3.1  深度學習的發展歷程
    1.3.2  深度學習的應用
  1.4  本章練習
第2章  TensorFlow基礎
  2.1  TensorFlow2.0  簡介
    2.1.1  TensorFlow的基本概念
    2.1.2  從1.x到2.0的變化
    2.1.3  TensorFlow2.0  的架構
  2.2  TensorFlow2.0  的安裝
  2.3  TensorFlow2.0  的使用
    2.3.1  「tf.data」API
    2.3.2  「tf.keras」API
  2.4  使用GPU加速
    2.4.1  安裝配置GPU環境
    2.4.2  使用TensorFlow-GPU
  2.5  本章小結
第3章  前饋神經網路
  3.1  神經網路
    3.1.1  感知器模型
    3.1.2  多層神經網路
  3.2  激活函數
    3.2.1  Logistic函數
    3.2.2  Tanh函數
    3.2.3  ReLU函數
  3.3  損失函數和輸出單元
    3.3.1  損失函數的選擇
    3.3.2  輸出單元的選擇
  3.4  小試牛刀：MNIST手寫數字識別
    3.4.1  MNIST數據集
    3.4.2  數據處理
    3.4.3  簡單前饋神經網路的實現
  3.5  本章小結
  3.6  本章練習
第4章  卷積神經網路
  4.1  卷積神經網路的基本特徵與基本結構
  4.2  卷積層
    4.2.1  什麼是卷積
    4.2.2  滑動步長和零填充
    4.2.3  卷積層的基本結構
  4.3  池化層
  4.4  小試牛刀：CNN實現圖像分類

  4.5  本章小結
  4.6  本章練習
第5章  循環神經網路
  5.1  簡單循環神經網路
    5.1.1  循環神經網路的基本結構
    5.1.2  循環神經網路的運算過程和參數更新
  5.2  常用循環神經網路
    5.2.1  多層循環神經網路
    5.2.2  雙向循環神經網路
    5.2.3  TensorFlow實現循環神經網路
  5.3  長期依賴問題及其優化
  5.4  門控循環神經網路
    5.4.1  長短期記憶網路
    5.4.2  門控循環單元
    5.4.3  TensorFlow實現LSTM和GRU
  5.5  循環神經網路的應用
    5.5.1  文本分類
    5.5.2  序列標注
    5.5.3  機器翻譯
  5.6  注意力模型
  5.7  本章小結
  5.8  本章練習
第6章  深度強化學習
  6.1  從AlphaGo看深度強化學習
  6.2  強化學習基礎知識
    6.2.1  強化學習問題
    6.2.2  馬爾可夫決策過程
    6.2.3  優價值函數和貝爾曼方程
  6.3  有模型的強化學習方法
    6.3.1  價值迭代
    6.3.2  策略迭代
  6.4  無模型的強化學習方法
    6.4.1  蒙特卡羅方法
    6.4.2  時序差分學習
    6.4.3  值函數近似
    6.4.4  策略搜索
  6.5  強化學習演算法
    6.5.1  Q-Learning演算法
    6.5.2  MonteCarloPolicyGradient演算法
    6.5.3  Actor-Critic演算法
  6.6  深度強化學習演算法
    6.6.1  DeepQ-Networks（DQN）
    6.6.2  Deep Deterministic Policy Gradient（DDPG）
  6.7  本章小結
  6.8  本章練習
第7章  項目實戰
  7.1  CNN實戰項目一：Chars74K
  7.2  CNN實戰項目二：CIFAR-10
  7.3  RNN實戰項目一：新聞文本分類
  7.4  RNN實戰項目二：聊天機器人

  7.5  DRL實戰項目：DQN

  • 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