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

Keras深度學習與神經網路(新技術技能人才培養系列教程)/人工智慧開發工程師系列

  • 作者：編者:肖睿//程鳴萱|責編:祝智敏
  • 出版社：人民郵電
  • ISBN：9787115564788
  • 出版日期：2022/08/01
  • 裝幀：平裝
  • 頁數：196
人民幣：RMB 59.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書從人工智慧導論入手，闡述人工智慧的發展及現狀，重點介紹了機器學習和神經網路基礎、反向傳播原理、卷積神經網路和循環神經網路等內容。本書內容由淺入深，循序漸進，從神經元和感知機入手，逐步講解深度學習中神經網路基礎、反向傳播以及更深層次的卷積神經網路、循環神經網路。本書知識體系完整，內容覆蓋面廣，介紹了深度學習中常用的模型和演算法，助力讀者全方位掌握深度學習的相關知識。
    本書可作為高等院校電腦等相關專業的教材，也可供人工智慧領域的技術人員學習使用，還可以作為人工智慧研究人員的參考用書。
作者介紹
編者:肖睿//程鳴萱|責編:祝智敏
目錄
第1章  人工智慧導論
  任務1.1  了解人工智慧的發展歷程
  任務1.2  理解人工智慧、機器學習和深度學習之間的關係
  任務1.3  了解深度學習的發展與應用情況
    1.3.1  深度學習的發展
    1.3.2  深度學習的應用情況
  本章小結
  本章習題
第2章  Keras與環境配置
  任務2.1  配置深度學習開發環境
    2.1.1  Python開發環境的搭建
    2.1.2  Keras與TensorFlow的安裝
  任務2.2  快速入門Keras
    2.2.1  為什麼選擇Keras
    2.2.2  搭建Keras模型
  本章小結
  本章習題
第3章  機器學習基礎
  任務3.1  了解機器學習
    3.1.1  為什麼要讓機器學習
    3.1.2  機器如何學習
    3.1.3  機器學習的演算法
  任務3.2  理解回歸與分類
    3.2.1  回歸
    3.2.2  分類
  任務3.3  理解什麼是損失函數
    3.3.1  損失函數的意義
    3.3.2  損失函數的種類
    3.3.3  交叉熵損失函數
  任務3.4  掌握梯度下降演算法
    3.4.1  梯度下降概述
    3.4.2  學習率
    3.4.3  梯度下降的形式
  任務3.5  了解機器學習的通用工作流程
  本章小結
  本章習題
第4章  神經網路基礎
  任務4.1  了解人工神經元
    4.1.1  生物神經元
    4.1.2  人工神經元
  任務4.2  掌握基礎的神經網路結構
    4.2.1  多層感知機模型
    4.2.2  全連接神經網路
  任務4.3  使用Python實現感知機
  任務4.4  理解激活函數的作用
    4.4.1  激活函數的意義
    4.4.2  激活函數的種類
  本章小結
  本章習題
第5章  反向傳播原理

  任務5.1  計算神經網路的輸出
  任務5.2  掌握反向傳播演算法
    5.2.1  反向傳播演算法的意義
    5.2.2  反向傳播演算法的計算
  任務5.3  使用Python實現反向傳播演算法
  本章小結
  本章習題
第6章  深度神經網路手寫體識別
  任務6.1  掌握使用Keras構建神經網路的模型
    6.1.1  順序模型
    6.1.2  函數式模型
  任務6.2  使用手寫體識別數據集MNIST
  任務6.3  深度神經網路解決圖像分類問題
  本章小結
  本章習題
第7章  神經網路優化
  任務7.1  模型評估
    7.1.1  選擇一個可靠的模型
    7.1.2  欠擬合和過擬合
  任務7.2  范數正則化避免過擬合
  任務7.3  丟棄法避免過擬合
  任務7.4  掌握改進的優化演算法
    7.4.1  小批量梯度下降
    7.4.2  小批量隨機梯度下降演算法的改進
  本章小結
  本章習題
第8章  卷積神經網路
  任務8.1  初識卷積神經網路
    8.1.1  卷積概述
    8.1.2  與全連接神經網路的對比
  任務8.2  卷積運算
    8.2.1  卷積核
    8.2.2  填充和步幅
    8.2.3  多通道卷積
    8.2.4  池化層
  任務8.3  LeNet實現圖像分類
    8.3.1  LeNet一開山之作
    8.3.2  LeNet進行圖像分類
  本章小結
  本章習題
第9章  卷積神經網路經典結構
  任務9.1  訓練深度卷積神經網路
    9.1.1  AlexNet
    9.1.2  圖像增廣
    9.1.3  實現AlexNet
  任務9.2  進一步增加網路的深度
    9.2.1  VGG系列
    9.2.2  應用VGGl6預訓練模型進行特徵提取
  任務9.3  認識並行結構的卷積神經網路
    9.3.1  GoogLeNet

    9.3.2  Inception塊
    9.3.3  1×1的卷積核
    9.3.4  GoogLeNet的網路結構
  任務9.4  把網路深度提升至上百層
    9.4.1  深度殘差網路
    9.4.2  稠密連接網路
  本章小結
  本章習題
第10章  循環神經網路
  任務10.1  對時序數據建模
    10.1.1  時序數據
    10.1.2  循環神經網路
  任務10.2  增加循環神經網路的記憶
    10.2.1  長短期記憶網路的原理
    10.2.2  基於LSTM實現IMDb電影評論情感分類
  任務10.3  優化長短期記憶網路
    10.3.1  GRU網路
    10.3.2  基於GRU實現IMDb數據預測並與LSTM對比
  本章小結
  本章習題

  • 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