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

深度學習理論與實踐/卓越工程師培養系列

  • 作者：編者:曹文明//王浩|責編:王定
  • 出版社：清華大學
  • ISBN：9787302634669
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：252
人民幣：RMB 79.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    深度學習是電腦科學的一個重要分支，是一種以人工神經網路為架構，對數據進行表徵學習的演算法的總稱。深度學習是傳統機器學習演算法的發展和衍生，相關內容涉及代數、統計學、優化理論、矩陣計算等多個領域。本書是深度學習的基礎入門級教材，在內容上盡可能覆蓋深度學習演算法相關基礎知識。全書共11章，大致可分為三大部分：第一部分（第1?3章）主要介紹機器學習的基礎知識和一些傳統演算法；第二部分（第4?8章）主要介紹人工神經網路等的相關理論、優化演算法和各類經典神經網路模型；第三部分（第9?11章）為進階知識，主要介紹非監督學習和強化學習的相關演算法。
    在學習本書的過程中，讀者不僅要深入理解相關演算法理論，更要多思多練。讀者在閱讀各章節內容后，可基於各章習題鞏固知識，並將理論與實踐結合，基於torch、tensorflow等深度學習平台在實際任務中演練所學理論知識和技能。本書可作為高等院校電腦或電子信息相關專業的本科生或研究生教材。
作者介紹
編者:曹文明//王浩|責編:王定
目錄
第1章  緒論
  1.1  疫情防控中的應用
  1.2  自動駕駛中的應用
  1.3  現代農業中的應用
第2章  基礎歸模型
  2.1  線性回歸模型
    2.1.1  一元線性回歸
    2.1.2  多元線性回歸
    2.1.3  多項式回歸
  2.2  參數估計模型
    2.2.1  最小二乘估計
    2.2.2  嶺回歸
    2.2.3  套索回歸
    2.2.4  彈性回歸
  2.3  梯度下降演算法
    2.3.1  梯度的概念
    2.3.2  梯度下降法演算法
    2.3.3  梯度下降演算法分類
  2.4  回歸模型效果評估
    2.4.1  平均絕對誤差（MAE）
    2.4.2  平均絕對百分比誤差MAPE）
    2.4.3  均方誤差（MSE）
    2.4.4  均方根誤差（RMSE）
    2.4.5  均方根對數誤差（RMSLE）
    2.4.6  中位數絕對誤差（MedAE）
    2.4.7  決定係數（R2）
  習題2
第3章  基礎分類模型
  3.1  邏輯回歸
    3.1.1  廣義線性模型
    3.1.2  邏輯回歸模型
    3.1.3  代價函數
    3.1.4  模型求解
  3.2  支持向量機
    3.2.1  線性支持向量機
    3.2.2  模型參數的求解
    3.2.3  非線性支持向量機
  3.3  決策樹
    3.3.1  演算法簡介
    3.3.2  決策樹的基本構建流程
    3.3.3  特徵選擇與不純性計算
    3.3.4  C4.5演算法
  3.4  貝葉斯分類
    3.4.1  相關數學概念
    3.4.2  貝葉斯決策理論
    3.4.3  極大似然估計
    3.4.4  樸素貝葉斯分類器
    3.4.5  半樸素貝葉斯分類器
  3.5  分類模型效果評估
    3.5.1  一級指標

    3.5.2  二級指標
    3.5.3  三級指標
  習題3
第4章  人工神經網路基礎
  4.1  人工神經網路基礎結構
    4.1.1  人工神經元
    4.1.2  單層神經網路
    4.1.3  多層神經網路
  4.2  神經網路的向量化表示與主要函數
    4.2.1  神經網路的向量化表示
    4.2.2  常用激活函數
    4.2.3  常見損失函數
  4.3  正向傳播與反向傳播
    4.3.1  正向傳播
    4.3.2  反向傳播
  4.4  深度學習平台簡介
  習題4
第5章  人工神經網路優化
  5.1  人工神經網路的特點和主要問題
  5.2  模型優化表徵能力提外方法
    5.2.1  模型的規模提升與結構選擇
    5.2.2  數據預處理
    5.2.3  模型參數初始化
    5.2.4  模型結構優化
    5.2.5  模型的超參設定
  5.3  優化演算法改進方法
    5.3.1  指數加權平均
    5.3.2  基於動量的梯度下降法
    5.3.3  AdaGrad & RMSprop演算法
    5.3.4  Adam演算法
    5.3.5  近似梯度計算
  5.4  模型效果評估與泛化能力提外方法
    5.4.1  訓練集、驗證集、測試集劃分
    5.4.2  欠擬合與過擬合
    5.4.3  正則化
    5.4.4  丟棄法
    5.4.5  提前停止法
    5.4.6  誤差分析
  習題5
第6章  卷積神經網路
  6.1  卷積神經網路基礎
    6.1.1  卷積運算
    6.1.2  池化操作
    6.1.3  卷積神經網路構成
    6.1.4  反向傳播
  6.2  經典的卷積神經網路模型
    6.2.1  AlexNet
    6.2.2  VGG網路
    6.2.3  GoogleNet（Inception）
    6.2.4  ResNet

    6.2.5  DenseNet
    6.2.6  SqueezeNet
  習題6
第7章  循環神經網路
  7.1  循環神經網路基礎
    7.1.1  循環神經網路的基礎結構
    7.1.2  不同類型的循環神經網路
    7.1.3  正向傳播
    7.1.4  反向傳播
  7.2  經典的循環神經網路模型
    7.2.1  LSTM
    7.2.2  GRU
    7.2.3  雙向循環神經網路
    7.2.4  多層循環神經網路模型
    7.2.5  Seq-to-Seq模型
  習題7
第8章  注意力機制及其應用
  8.1  注意力機制
    8.1.1  注意力機制模型構建流程
    8.1.2  多頭注意力機制
  8.2  自注意力模型
  8.3  Transformer模型
    8.3.1  編碼器
    8.3.2  解碼器
    8.3.3  多頭自注意力
    8.3.4  位置信息編碼
  8.4  自然語言處理中的注意力模型
    8.4.1  自然語言處理背景介紹
    8.4.2  Word2vec原理與訓練模式
    8.4.3  ELMo
    8.4.4  GPT模型
    8.4.5  Bert模型
  習題8
第9章  圖神經網路
  9.1  圖的概述
    9.1.1  圖的基本定義
    9.1.2  圖的基本類型
    9.1.3  圖的存儲
    9.1.4  圖的應用
  9.2  圖信號處理
    9.2.1  圖的拉普拉斯矩陣
    9.2.2  圖的傅里葉變換
  9.3  圖卷積網路
    9.3.1  圖卷積網路的演化
    9.3.2  一般圖卷積網路
  9.4  空間域圖神經網路
    9.4.1  GNN的通用框架
    9.4.2  GraphSAGE
    9.4.3  圖自注意力網路
    9.4.4  Graphormer

  習題9
第10章  無監督學習
  10.1  聚類
    10.1.1  k-Means聚類
    10.1.2  k-Means++聚類箅法
  10.2  無監督特徵學習
    10.2.1  主成分分析
    10.2.2  自編碼器
    10.2.3  生成對抗網路
  習題10
第11章  強化學習
  11.1  強化學習概述
    11.1.1  強化學習的理論基礎
    11.1.2  強化學習的分類
    11.1.3  強化學習的應用
  11.2  馬爾可夫決策過程
    11.2.1  價值函數
    11.2.2  最優價值函數求解
    11.2.3  馬爾可夫決策過程實例
  11.3  模型強化學習
    11.3.1  策略評估
    11.3.2  策略改進
    11.3.3  策略迭代
  11.4  無模型強化學習
    11.4.1  蒙特卡羅強化學習
    11.4.2  時序差分學習
    11.4.3  價值函數近似
    11.4.4  深度Q-learning
  習題11
參考文獻

  • 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