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

飛槳PaddlePaddle深度學習實戰/智能系統與技術叢書

  • 作者：編者:劉祥龍//楊晴虹//胡曉光//于佃海//白浩傑|責編:李藝
  • 出版社：機械工業
  • ISBN：9787111662365
  • 出版日期：2020/08/01
  • 裝幀：平裝
  • 頁數：373
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書由百度官方出品，百度首席技術官王海峰博士作序，張鈸院士、李未院士、百度集團副總裁吳甜聯袂推薦。
    本書遵循「內容全面、由淺入深、注重實踐」的原則，基於飛槳PaddlePaddle深度學習平台，較為全面地覆蓋了學習深度學習技術所必須具備的基礎知識以及深度學習主要核心技術，包括相關的數學基礎、Python編程基礎、機器學習基礎以及正向/反向傳播演算法、卷積神經網路、循環神經網路等，盡量做到讀懂一本書即可達到「零基礎」到「全精通」。
    在章節安排上，考慮讀者的特點和認知規律，在知識架構和案例穿插的設計上確保循序漸進、由淺入深。同時，本書提供了大量的深度學習實戰案例，覆蓋了當前電腦視覺、自然語言處理、個性化推薦等領域主流應用典型的演算法，每章都單獨配以飛槳代碼實現，詳細解析實操過程，手把手引導讀者開展實踐練習，深入掌握相關知識。
    本書提供配套代碼合集，可掃描如下二維碼獲取相關內容。
作者介紹
編者:劉祥龍//楊晴虹//胡曉光//于佃海//白浩傑|責編:李藝
目錄
序
前言
第一部分  數學與編程基礎篇
  第1章  數學基礎與Python庫
    1.1  Python是進行人工智慧編程的主要語言
    1.2  數學基礎
      1.2.1  線性代數基礎
      1.2.2  微積分基礎
    1.3  Python庫的操作
      1.3.1  NumPy操作
      1.3.2  Matplotlib操作
    1.4  本章小結
  第2章  深度學習概論與飛槳入門
    2.1  人工智慧、機器學習和深度學習
      2.1.1  人工智慧
      2.1.2  機器學習
      2.1.3  深度學習
    2.2  深度學習的發展歷程
      2.2.1  神經網路的第一次高潮
      2.2.2  神經網路的第一次寒冬
      2.2.3  神經網路的第二次高潮
      2.2.4  神經網路的第二次寒冬
      2.2.5  深度學習的來臨
      2.2.6  深度學習崛起的時代背景
    2.3  深度學習的應用場景
      2.3.1  圖像與視覺
      2.3.2  語音識別
      2.3.3  自然語言處理
      2.3.4  個性化推薦
    2.4  常見的深度學習網路結構
      2.4.1  全連接網路結構
      2.4.2  卷積神經網路
      2.4.3  循環神經網路
    2.5  機器學習回顧
      2.5.1  線性回歸的基本概念
      2.5.2  數據處理
      2.5.3  模型概覽
      2.5.4  效果展示
    2.6  深度學習框架簡介
      2.6.1  深度學習框架的優勢
      2.6.2  常見的深度學習框架
      2.6.3  飛槳簡介
      2.6.4  飛槳安裝
      2.6.5  AI Studio
    2.7  飛槳實現
    2.8  飛槳服務平台和工具組件
      2.8.1  PaddleHub
      2.8.2  X2Paddle
      2.8.3  PARL
      2.8.4  EasyDL

    2.9  本章小結
第二部分  深度學習基礎篇
  第3章  深度學習的單層網路
    3.1  Logistic回歸模型
      3.1.1  Logistic回歸概述
      3.1.2  損失函數
      3.1.3  Logistic回歸的梯度下降
    3.2  實現Logistic回歸模型
      3.2.1  NumPy版本
      3.2.2  飛槳版本
    3.3  本章小結
  第4章  淺層神經網路
    4.1  神經網路
      4.1.1  神經網路的定義及其結構
      4.1.2  神經網路的計算
    4.2  BP演算法
      4.2.1  邏輯回歸與BP演算法
      4.2.2  單樣本雙層神經網路的BP演算法
      4.2.3  多樣本神經網路的BP演算法
    4.3  BP演算法實踐
      4.3.1  NumPy版本
      4.3.2  飛槳版本
    4.4  本章小結
  第5章  深層神經網路
    5.1  深層網路介紹
      5.1.1  深度影響演算法能力
      5.1.2  網路演化過程與常用符號
    5.2  傳播過程
      5.2.1  神經網路演算法核心思想
      5.2.2  深層網路正向傳播過程
      5.2.3  深層網路反向傳播過程
      5.2.4  傳播過程總結
    5.3  網路的參數
    5.4  代碼實現
      5.4.1  NumPy版本
      5.4.2  飛槳版本
    5.5  本章小結
  第6章  卷積神經網路
    6.1  圖像分類問題描述
    6.2  卷積神經網路介紹
      6.2.1  卷積層
      6.2.2  ReLU激活函數
      6.2.3  池化層
      6.2.4  Softmax分類層
      6.2.5  主要特點
      6.2.6  經典神經網路架構
    6.3  飛槳實現
      6.3.1  數據介紹
      6.3.2  模型概覽
      6.3.3  配置說明

    6.4  本章小結
  第7章  循環神經網路
    7.1  任務描述
    7.2  循環神經網路介紹
      7.2.1  長短期記憶網路
      7.2.2  門控循環單元
      7.2.3  雙向循環神經網路
      7.2.4  卷積循環神經網路
    7.3  利用飛槳實現機器翻譯
      7.3.1  數據準備
      7.3.2  柱搜索
      7.3.3  模型配置
      7.3.4  模型訓練
      7.3.5  載入訓練模型進行預測
    7.4  本章小結
  第8章  注意力機制
    8.1  任務描述
    8.2  注意力機制介紹
      8.2.1  Transformer
      8.2.2  Non-local神經網路
      8.2.3  AttentionCluster神經網路
    8.3  利用飛槳實現視頻分類
      8.3.1  Non-local神經網路
      8.3.2  AttentionCluster
    8.4  本章小結
  第9章  演算法優化
    9.1  基礎知識
      9.1.1  訓練、驗證和測試集
      9.1.2  偏差和方差
    9.2  評估
      9.2.1  選定評估目標
      9.2.2  迭代過程
      9.2.3  欠擬合和過擬合
    9.3  調優策略
      9.3.1  降低偏差
      9.3.2  降低方差
    9.4  超參數調優
      9.4.1  隨機搜索和網格搜索
      9.4.2  超參數範圍
      9.4.3  分階段搜索
      9.4.4  例子：對學習率的調整
    9.5  本章小結
第三部分  飛槳實踐篇
  第10章  目標檢測
    10.1  任務描述
    10.2  常見模型解析
      10.2.1  R-CNN系列
      10.2.2  YOLO
      10.2.3  SSD
    10.3  PaddleDetection應用實踐

      10.3.1  Faster-R-CNN
      10.3.2  YOLOv
    10.4  本章小結
  第11章  圖像生成
    11.1  任務描述
      11.1.1  圖像生成
      11.1.2  圖像-圖像轉換
      11.1.3  文本-圖像轉換
    11.2  模型概覽
      11.2.1  圖像生成
      11.2.2  圖像-圖像
      11.2.3  文本-圖像
    11.3  PaddleGAN應用實踐
      11.3.1  數據準備
      11.3.2  參數設置
      11.3.3  網路結構定義
      11.3.4  模型訓練
      11.3.5  模型測試
    11.4  本章小結
  第12章  情感分析
    12.1  任務描述
    12.2  演算法原理解析
      12.2.1  BOW
      12.2.2  DB-LSTM
    12.3  情感分析應用實踐
      12.3.1  數據集下載
      12.3.2  配置模型
      12.3.3  訓練模型
    12.4  本章小結
  第13章  機器翻譯
    13.1  任務描述
    13.2  演算法原理解析
      13.2.1  Seq2Seq
      13.2.2  Transformer
    13.3  機器翻譯應用實踐
      13.3.1  數據準備
      13.3.2  模型配置
      13.3.3  模型訓練
      13.3.4  模型測試
      13.3.5  模型評估
    13.4  本章小結
  第14章  語義表示
    14.1  任務描述
    14.2  常見模型解析
      14.2.1  ELMo
      14.2.2  ERNIE
    14.3  ERNIE應用實踐
      14.3.1  數據準備
      14.3.2  模型配置
      14.3.3  模型訓練

      14.3.4  模型評估
    14.4  本章小結
  第15章  個性化推薦
    15.1  問題描述
    15.2  傳統推薦方法
      15.2.1  基於內容的推薦
      15.2.2  協同過濾推薦
      15.2.3  混合推薦
    15.3  深度學習推薦方法
      15.3.1  YouTube的深度神經網路推薦系統
      15.3.2  融合推薦系統
    15.4  個性化推薦系統在飛槳上的實現
      15.4.1  數據準備
      15.4.2  模型設計
      15.4.3  模型訓練
      15.4.4  保存特徵
      15.4.5  模型測試
    15.5  本章小結

  • 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