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深度學習從原理到應用/深度學習系列

  • 作者：(美)瓦倫蒂諾·佐卡//(英)丹尼爾·斯萊特//(意)詹馬里奧·斯帕卡尼亞//(比)彼得·魯蘭茨|責編:吳晉瑜|譯者:王存?//王燕
  • 出版社：人民郵電
  • ISBN：9787115551160
  • 出版日期：2021/03/01
  • 裝幀：平裝
  • 頁數：286
人民幣：RMB 89.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書借助現實案例介紹深度學習演算法的實際應用（包括最佳實踐），旨在幫助讀者了解如何識別和提取信息，以提高預測準確率及優化結果。
    本書共10章，分別是機器學習——引言、神經網路、深度學習基本原理、無監督特徵學習、圖像識別、遞歸神經網路和語言模型、深度學習在棋盤遊戲中的應用、深度學習在電子遊戲中的應用、異常檢測和構建一個可用於生產環境的入侵檢測系統。
    本書適合想深入研究深度學習演算法和技術的讀者學習，也適合想探究如何從這項強大技術中學到更多知識的讀者參考。
作者介紹
(美)瓦倫蒂諾·佐卡//(英)丹尼爾·斯萊特//(意)詹馬里奧·斯帕卡尼亞//(比)彼得·魯蘭茨|責編:吳晉瑜|譯者:王存?//王燕
目錄
第1章  機器學習——引言
  1.1  什麼是機器學習
  1.2  不同的機器學習方法
    1.2.1  監督學習
    1.2.2  無監督學習
    1.2.3  強化學習
    1.2.4  機器學習系統所涉及的步驟
    1.2.5  關於流行技術/演算法的簡介
    1.2.6  在現實生活中的應用
    1.2.7  流行開源包
  1.3  小結
第2章  神經網路
  2.1  為什麼是神經網路
  2.2  基本原理
    2.2.1  神經元以及層
    2.2.2  不同類型的激活函數
  2.3  反向傳播演算法
    2.3.1  線性回歸
    2.3.2  邏輯回歸
    2.3.3  反向傳播
  2.4  行業應用
    2.4.1  信號處理
    2.4.2  醫療
    2.4.3  自動汽車駕駛
    2.4.4  商業
    2.4.5  模式識別
    2.4.6  語音生成
  2.5  異或函數的神經網路代碼示例
  2.6  小結
第3章  深度學習基本原理
  3.1  什麼是深度學習
    3.1.1  基本概念
    3.1.2  特徵學習
    3.1.3  深度學習演算法
  3.2  深度學習應用
    3.2.1  語音識別
    3.2.2  對象識別與分類
  3.3  圖形處理單元與中央處理單元
  3.4  流行開源庫——引言
    3.4.1  Theano
    3.4.2  TensorFlow
    3.4.3  Keras
    3.4.4  使用Keras的簡單深度神經網路代碼
  3.5  小結
第4章  無監督特徵學習
  4.1  自編碼器
    4.1.1  網路設計
    4.1.2  用於自編碼器的正則化技術
    4.1.3  自編碼器概述
  4.2  受限玻爾茲曼機

    4.2.1  霍普菲爾德網路與玻爾茲曼機
    4.2.2  玻爾茲曼機
    4.2.3  受限玻爾茲曼機
    4.2.4  在TensorFlow中的實現
    4.2.5  深度信念網路
  4.3  小結
第5章  圖像識別
  5.1  人工模型與生物模型的相似性
  5.2  直觀認識與合理性
  5.3  卷積層
  5.4  池化層
  5.5  dropout層
  5.6  深度學習中的卷積層
  5.7  Theano中的卷積層
  5.8  用Keras來識別數字的卷積層示例
  5.9  將Keras用於cifar10的卷積層示例
  5.10  預訓練
  5.11  小結
第6章  遞歸神經網路和語言模型
  6.1  遞歸神經網路
    6.1.1  RNN——如何實施和訓練
    6.1.2  長短期記憶
  6.2  語言建模
    6.2.1  基於單詞的語言模型
    6.2.2  基於字元的語言模型
  6.3  語音識別
    6.3.1  語音識別管線
    6.3.2  作為輸入數據的語音
    6.3.3  預處理
    6.3.4  聲學模型
    6.3.5  解碼
    6.3.6  端到端模型
  6.4  小結
  6.5  拓展閱讀
第7章  深度學習在棋盤遊戲中的應用
  7.1  早期遊戲AI
  7.2  用最小-最大演算法評估遊戲狀態
  7.3  實現Python井字遊戲
  7.4  學習價值函數
  7.5  訓練AI掌握圍棋
  7.6  應用於樹結構的置信上限
  7.7  蒙特卡羅樹搜索中的深度學習
  7.8  快速複習強化學習
  7.9  用於學習策略函數的策略梯度
  7.10  AlphaGo中的策略梯度
  7.11  小結
第8章  深度學習在電子遊戲中的應用
  8.1  應用於遊戲的監督學習演算法
  8.2  遺傳演算法在遊戲中的應用
  8.3  Q-learning演算法

  8.4  Q-learning演算法在動作中的應用
  8.5  動態遊戲
    8.5.1  經驗回放
    8.5.2  Epsilon貪婪演算法
  8.6  《雅達利打磚塊》遊戲
    8.6.1  《雅達利打磚塊》遊戲的隨機基準
    8.6.2  預處理屏幕
    8.6.3  創建一個深度卷積網路
    8.6.4  Q-learning演算法中的收斂問題
    8.6.5  策略梯度與Q-learning演算法
  8.7  actor-critic演算法
    8.7.1  方差縮減基線
    8.7.2  通用優勢估計器
  8.8  非同步演算法
  8.9  基於模型的演算法
  8.10  小結
第9章  異常檢測
  9.1  什麼是異常檢測和異常點檢測
  9.2  異常檢測的現實應用
  9.3  流行的淺層機器學習技術
    9.3.1  數據建模
    9.3.2  檢測建模
  9.4  基於深度自編碼器的異常檢測
  9.5  開始使用H2O
  9.6  示例
    9.6.1  MNIST數字異常識別
    9.6.2  心電圖脈衝檢測
  9.7  小結
第10章  構建一個可用於生產環境的入侵檢測系統
  10.1  什麼是數據產品
  10.2  訓練
    10.2.1  權值初始化
    10.2.2  使用HOGWILD!的並行隨機梯度下降演算法
    10.2.3  自適應學習
    10.2.4  學習率退火
    10.2.5  動量法
    10.2.6  Nesterov加速法
    10.2.7  牛頓迭代法
    10.2.8  Adagrad演算法
    10.2.9  Adadelta演算法
    10.2.10  通過Map/Reduce實現分散式學習
    10.2.11  Sparkling Water
  10.3  測試
    10.3.1  模型驗證
    10.3.2  有標記數據
    10.3.3  無標記數據
    10.3.4  驗證總結
    10.3.5  超參數調優
    10.3.6  端到端評估
    10.3.7  A/B測試

    10.3.8  測試總結
  10.4  部署
    10.4.1  POJO模型導出
    10.4.2  異常得分API
    10.4.3  部署總結
  10.5  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