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

Python深度學習與項目實戰/深度學習系列

  • 作者：周北|責編:謝曉芳
  • 出版社：人民郵電
  • ISBN：9787115550835
  • 出版日期：2021/02/01
  • 裝幀：平裝
  • 頁數：235
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書基於Python以及兩個深度學習框架Keras與TensorFlow，講述深度學習在實際項目中的應用。本書共10章，首先介紹線性回歸模型、邏輯回歸模型、Softmax多分類器，然後講述全連接神經網路、神經網路模型的優化、卷積神經網路、循環神經網路，最後討論自編碼模型、生成對抗網路、深度強化學習。本書結合電腦視覺、自然語言處理、金融領域等方面的項目，系統講述深度學習技術，可操作性強。
    本書適合人工智慧方面的專業人士閱讀。
作者介紹
周北|責編:謝曉芳
    周北，重慶韜翔網路科技有限公司總裁兼董事長，悉尼大學研究生，人工智慧領域資深技術專家，自2018年被任命為重慶韜翔網路科技有限公司董事長以來，主要負責公司亞太地區與歐洲事業群的管理。他曾任職于悉尼大學並擔任電腦科學學院的科研助理。他具有信息技術和信息技術管理專業的雙學位，是上海企覺科技有限公司首席技術顧問，擅長機器學習、Python、Java等技術。
目錄
第一部分  基礎知識
  第1章  線性回歸模型
    1.1  線性回歸詳解
      1.1.1  數據集的構建
      1.1.2  線性回歸模型的構建
      1.1.3  損失函數詳解
    1.2  梯度下降演算法
    1.3  求損失函數的最小值
    1.4  線性回歸代碼實戰
      1.4.1  線性回歸模型的構建與訓練
      1.4.2  複雜線性回歸模型的構建
      1.4.3  使用正則項防止過擬合
    1.5  線性回歸項目實戰
      1.5.1  波士頓房價數據集簡介
      1.5.2  數據集特徵值的標準化
      1.5.3  線性回歸模型的構建與訓練
    1.6  本章小結
  第2章  邏輯回歸模型
    2.1  邏輯回歸詳解
      2.1.1  Sigmoid函數
      2.1.2  邏輯回歸模型的工作原理
      2.1.3  損失函數的構建
      2.1.4  二元交叉熵函數的代碼實戰
      2.1.5  求模型的最優參數
    2.2  邏輯回歸項目實戰
      2.2.1  泰坦尼克數據集簡介
      2.2.2  數據集的載入
      2.2.3  模型的構建與訓練
      2.2.4  模型的評估
      2.2.5  使用矩陣的方式加速模型的訓練
    2.3  邏輯回歸模型與神經網路的聯繫
    2.4  本章小結
  第3章  Softmax多分類器
    3.1  Softmax函數詳解
    3.2  Softmax多分類器詳解
      3.2.1  獨熱編碼詳解
      3.2.2  Softmax多分類器工作原理
      3.2.3  多元交叉熵函數詳解
      3.2.4  多元交叉熵函數的代碼實戰
    3.3  數據集的預處理
      3.3.1  MNIST數據集詳解
      3.3.2  數據集特徵值的歸一化
      3.3.3  圖片的扁平化
      3.3.4  標籤值的獨熱編碼處理
    3.4  Softmax多分類器實戰
      3.4.1  MNIST數據集的載入與預處理
      3.4.2  Softmax多分類器模型的構建
      3.4.3  Softmax多分類器模型的訓練
    3.5  本章小結
第二部分  進階技術

  第4章  全連接神經網路
    4.1  深度學習與神經網路簡介
    4.2  全連接神經網路
    4.3  激活函數
      4.3.1  Sigmoid函數
      4.3.2  tanh函數
      4.3.3  ReLU函數
      4.3.4  Softmax函數
    4.4  模型參數的初始化
      4.4.1  初始化為常數
      4.4.2  隨機初始化模型參數
      4.4.3  模型參數初始化實戰
    4.5  模型的訓練與損失函數
      4.5.1  模型的訓練過程
      4.5.2  損失函數的定義
    4.6  梯度下降演算法
      4.6.1  反向傳播演算法
      4.6.2  3種梯度下降演算法的計算方式
      4.6.3  梯度下降優化演算法
    4.7  MNIST手寫數字識別實戰——分類項目
      4.7.1  深度學習項目中數據集的劃分
      4.7.2  MNIST手寫數字識別項目
    4.8  房價數據回歸分析——回歸分析項目
    4.9  本章小結
  第5章  神經網路模型的優化
    5.1  防止過擬合的方法
      5.1.1  L1/L2正則化
      5.1.2  增加訓練集樣本個數
      5.1.3  Dropout的應用
      5.1.4  早停法
    5.2  批量標準化
    5.3  CIFAR-10數據集分類項目實戰
      5.3.1  CIFAR-10數據集簡介
      5.3.2  模型的構建與訓練
    5.4  模型的使用、保存與載入
      5.4.1  使用模型進行預測
      5.4.2  保存訓練好的模型
      5.4.3  載入模型
    5.5  Keras中的函數式API
    5.6  本章小結
  第6章  卷積神經網路
    6.1  卷積神經網路結構
    6.2  應用CNN模型對MNIST數據集分類
      6.2.1  圖片的表示形式
      6.2.2  MNIST數據集的分類
    6.3  卷積層
      6.3.1  卷積層的工作原理
      6.3.2  實現卷積層的代碼
      6.3.3  補零
    6.4  池化層

      6.4.1  池化層的工作原理
      6.4.2  池化層對圖片的作用
    6.5  應用CNN模型對CIFAR-10數據集圖片分類
    6.6  貓與狗數據集分類項目實戰
      6.6.1  貓與狗數據集簡介
      6.6.2  數據集的預處理
      6.6.3  模型的構建與訓練
    6.7  經典的CNN模型
      6.7.1  VGG網路模型
      6.7.2  ResNet模型
      6.7.3  Inception網路模型
    6.8  遷移學習
      6.8.1  遷移學習的原理
      6.8.2  遷移學習項目實戰
    6.9  本章小結
  第7章  循環神經網路
    7.1  時間序列數據詳解
    7.2  自然語言數據的處理
      7.2.1  詞的向量化表示
      7.2.2  辭彙標記化
      7.2.3  序列填充
      7.2.4  嵌入層的原理與應用
    7.3  情感分析項目
      7.3.1  情感分析項目簡介
      7.3.2  數據集的處理
    7.4  簡單RNN
      7.4.1  簡單RNN的原理
      7.4.2  簡單RNN的應用
      7.4.3  簡單RNN項目實戰
    7.5  長短期記憶神經網路
      7.5.1  長短期記憶神經網路的原理
      7.5.2  長短期記憶神經網路的應用
    7.6  門控循環神經網路
      7.6.1  門控循環神經網路的原理
      7.6.2  門控循環神經網路的應用
    7.7  RNN進階
      7.7.1  RNN中防止過擬合的方式
      7.7.2  疊加長短期記憶神經網路
      7.7.3  雙向長短期記憶神經網路
      7.7.4  注意力模型
    7.8  文本生成項目
    7.9  某公司股票價格預測項目
      7.9.1  數據集的預處理
      7.9.2  模型的構建與訓練
      7.9.3  可視化預測的股票開盤價格與實際的股票開盤價格
    7.10  自然語言處理技術新進展
      7.10.1  遷移學習在自然語言處理中的應用
      7.10.2  ELMo模型介紹與實戰應用
      7.10.3  BERT模型介紹與實戰應用
      7.10.4  GPT-2模型介紹

    7.11  本章小結
第三部分  高級技術
  第8章  自編碼模型
    8.1  自編碼模型的原理詳解
    8.2  應用自編碼模型對數據降維
    8.3  應用自編碼模型進行異常檢測
      8.3.1  異常檢測的原理
      8.3.2  檢測信用卡異常交易
    8.4  應用自編碼模型對圖片去噪
      8.4.1  項目介紹
      8.4.2  反卷積的原理與應用
      8.4.3  上採樣的原理與應用
      8.4.4  實現圖片去噪項目
    8.5  本章小結
  第9章  生成對抗網路
    9.1  生成對抗網路的原理
      9.1.1  生成對抗網路的工作原理簡介
      9.1.2  生成器與判別器的工作原理
      9.1.3  生成對抗網路模型的訓練
    9.2  生成對抗網路模型的訓練技巧
      9.2.1  梯度值剪裁
      9.2.2  批量標準化中的動量
    9.3  項目實戰
      9.3.1  數據集介紹與載入
      9.3.2  判別器模型的構建
      9.3.3  生成器模型的構建
      9.3.4  生成對抗網路模型的構建
      9.3.5  生成對抗網路模型的訓練
    9.4  本章小結
  第10章  深度強化學習
    10.1  深度強化學習簡介
    10.2  深度強化學習詳解
    10.3  Deep Q-Learning演算法
      10.3.1  Q-Learning演算法詳解
      10.3.2  Deep Q-Learning演算法詳解
      10.3.3  Deep Q-Learning演算法的應用
    10.4  策略梯度演算法
      10.4.1  策略梯度演算法原理詳解
      10.4.2  策略梯度演算法項目實戰
    10.5  演員-評判家演算法
      10.5.1  演員-評判家演算法原理詳解
      10.5.2  演員-評判家項目實戰
    10.6  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