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(普通高等教育人工智慧專業系列教材)

  • 作者：編者:呂雲翔//王志鵬|責編:郝建偉//張翠翠
  • 出版社：機械工業
  • ISBN：9787111754206
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：308
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書分3個部分，分別為深度學習理論基礎、深度學習實驗和深度學習案例。這3個部分層層遞進，介紹了機器學習的基礎知識與常用方法，包括機器學習基本操作的原理和在深度學習框架下的實踐步驟。第1部分通過7章來介紹深度學習的基礎知識，包括深度學習在不同領域的應用，不同深度學習框架的對比，以及機器學習、神經網路等方面的內容。第2部分包括常用深度學習框架的基礎講解，以及電腦視覺、自然語言處理、強化學習和可視化技術領域的一些實驗講解。第3部分提供了8個案例，介紹深度學習在圖像分類、目標檢測、目標識別、圖像分割、風格遷移、自然語言處理等方面的應用。本書將理論與實踐緊密結合，能為讀者提供有益的學習指導。
    本書適合高等院校電腦科學和軟體工程等相關專業的學生、深度學習初學者和機器學習演算法分析從業人員閱讀。
作者介紹
編者:呂雲翔//王志鵬|責編:郝建偉//張翠翠
目錄
前言
第1部分  深度學習理論基礎
  第1章  深度學習簡介
    1.1  電腦視覺
      1.1.1  定義
      1.1.2  基本任務
      1.1.3  傳統方法
      1.1.4  仿生學與深度學習
      1.1.5  現代深度學習
      1.1.6  卷積神經網路
    1.2  自然語言處理
      1.2.1  自然語言處理的基本問題
      1.2.2  傳統方法與神經網路方法的比較
      1.2.3  發展趨勢
    1.3  強化學習
      1.3.1  什麼是強化學習
      1.3.2  強化學習演算法簡介
      1.3.3  強化學習的應用
    1.4  本章小結
    習題
  第2章  深度學習框架
    2.1  PyTorch
      2.1.1  什麼是PyTorch
      2.1.2  PyTorch的特點
      2.1.3  PyTorch應用概述
    2.2  TensorFlow
      2.2.1  什麼是TensorFlow
      2.2.2  數據流圖
      2.2.3  TensorFlow的特點
      2.2.4  TensorFlow應用概述
    2.3  PaddlePaddle
      2.3.1  什麼是PaddlePaddle
      2.3.2  PaddlePaddle的特點
      2.3.3  PaddlePaddle應用概述
    2.4  三者的比較
    2.5  本章小結
    習題
  第3章  機器學習基礎知識
    3.1  機器學習概述
      3.1.1  關鍵術語
      3.1.2  機器學習的分類
      3.1.3  機器學習的模型構造過程
    3.2  監督學習
      3.2.1  線性回歸
      3.2.2  邏輯斯諦回歸
      3.2.3  最小近鄰法
      3.2.4  線性判別分析法
      3.2.5  樸素貝葉斯分類器
      3.2.6  決策樹分類演算法
      3.2.7  支持向量機分類演算法

    3.3  無監督學習
      3.3.1  劃分式聚類方法
      3.3.2  層次化聚類方法
      3.3.3  基於密度的聚類方法
    3.4  強化學習
      3.4.1  強化學習、監督學習和無監督學習
      3.4.2  強化學習問題描述
      3.4.3  強化學習問題分類
    3.5  神經網路和深度學習
      3.5.1  感知器模型
      3.5.2  前饋神經網路
      3.5.3  卷積神經網路
      3.5.4  其他類型結構的神經網路
    3.6  本章小結
    習題
  第4章  回歸模型
    4.1  線性回歸模型
    4.2  Logistic回歸模型
    4.3  用PyTorch實現Logistic回歸
      4.3.1  數據準備
      4.3.2  線性方程
      4.3.3  激活函數
      4.3.4  損失函數
      4.3.5  優化演算法
      4.3.6  模型可視化
    4.4  本章小結
    習題
  第5章  神經網路基礎
    5.1  基礎概念
    5.2  感知器
      5.2.1  單層感知器
      5.2.2  多層感知器
    5.3  BP神經網路
      5.3.1  梯度下降
      5.3.2  反向傳播
    5.4  Dropout正則化
    5.5  批標準化
      5.5.1  批標準化的實現方式
      5.5.2  批標準化的使用方法
    5.6  本章小結
    習題
  第6章  卷積神經網路(CNN)與電腦視覺
    6.1  卷積神經網路的基本思想
    6.2  卷積操作
    6.3  池化層
    6.4  卷積神經網路
    6.5  經典網路結構
      6.5.1  VGG網路
      6.5.2  InceptionNet
      6.5.3  ResNet

      6.5.4  GAN
      6.5.5  Diffusion模型
    6.6  用PyTorch進行手寫數字識別
    6.7  本章小結
    習題
  第7章  神經網路與自然語言處理
    7.1  語言建模
    7.2  基於多層感知機的架構
    7.3  基於循環神經網路的架構
      7.3.1  循環單元
      7.3.2  通過時間反向傳播
      7.3.3  帶有門限的循環單元
      7.3.4  循環神經網路語言模型
      7.3.5  神經機器翻譯
    7.4  基於卷積神經網路的架構
    7.5  基於Transformer的架構
      7.5.1  多頭注意力
      7.5.2  非參位置編碼
      7.5.3  編碼器單元與解碼器單元
    7.6  表示學習與預訓練技術
      7.6.1  詞向量
      7.6.2  加入上下文信息的特徵表示
      7.6.3  網路預訓練
    7.7  本章小結
    習題
第2部分  深度學習實驗
  第8章  操作實踐
    8.1  PyTorch操作實踐
      8.1.1  PyTorch安裝
      8.1.2  Tensor對象及其運算
      8.1.3  Tensor的索引和切片
      8.1.4  Tensor的變換、拼接和拆分
      8.1.5  PyTorch的Reduction操作
      8.1.6  PyTorch的自動微分
    8.2  TensorFlow操作實踐
      8.2.1  TensorFlow安裝
      8.2.2  Tensor對象及其運算
      8.2.3  Tensor的索引和切片
      8.2.4  Tensor的變換、拼接和拆分
      8.2.5  TensorFlow的Reduction操作
      8.2.6  TensorFlow的自動微分
    8.3  PaddlePaddle操作實踐
      8.3.1  PaddlePaddle安裝
      8.3.2  Tensor的創建和初始化
      8.3.3  Tensor的常見基礎操作
      8.3.4  自動微分
    8.4  本章小結
  第9章  人工智慧熱門研究領域實驗
    9.1  電腦視覺
      9.1.1  一個通用的圖像分類模型

      9.1.2  兩階段目標檢測和語義分割
      9.1.3  人物圖像處理
      9.1.4  調用遠程服務
      9.1.5  動漫圖像生成
    9.2  自然語言處理
      9.2.1  垃圾郵件分類
      9.2.2  詞嵌入技術
      9.2.3  文本生成與多輪對話
      9.2.4  語音識別
    9.3  強化學習：一個會玩平衡擺的智能體
    9.4  可視化技術
      9.4.1  使用TensorBoard可視化訓練過程
      9.4.2  卷積核可視化
      9.4.3  注意力機制可視化
    9.5  本章小結
第3部分  深度學習案例
  第10章  案例：花卉圖片分類
    10.1  環境與數據準備
      10.1.1  環境安裝
      10.1.2  數據集簡介
      10.1.3  數據集下載與處理
    10.2  模型創建、訓練和測試
      10.2.1  模型創建與訓練
      10.2.2  測試與結果
    10.3  本章小結
  第11章  案例：人臉關鍵點檢測
    11.1  數據準備
      11.1.1  人臉裁剪與縮放
      11.1.2  數據歸一化處理
      11.1.3  整體代碼
    11.2  模型搭建與訓練
      11.2.1  特徵圖生成
      11.2.2  模型搭建
      11.2.3  模型訓練
    11.3  模型評價
    11.4  本章小結
  第12章  案例：街景門牌字元識別
    12.1  背景介紹
    12.2  演算法介紹
      12.2.1  YOLOv4
      12.2.2  演算法流程
    12.3  模型優化
      12.3.1  數據增強
      12.3.2  模型融合
    12.4  結果展示
    12.5  本章小結
  第13章  案例：對抗攻擊
    13.1  對抗攻擊簡介
      13.1.1  對抗攻擊的分類和主要難點
      13.1.2  快速梯度符號法的基本原理

      13.1.3  對抗貼圖攻擊
    13.2  基於PyTorch的對抗攻擊實現
      13.2.1  環境配置
      13.2.2  數據集和目標模型
      13.2.3  運行目標檢測器SSD
      13.2.4  在指定位置生成對抗貼圖
      13.2.5  解決梯度回傳問題
    13.3  本章小結
  第14章  案例：車牌識別
    14.1  車牌識別簡介
      14.1.1  車牌識別應用及發展史
      14.1.2  基於深度學習的車牌識別技術
    14.2  基於PaddleOCR的車牌識別實現
      14.2.1  PaddleOCR簡介與環境準備
      14.2.2  CCPD數據集介紹
      14.2.3  數據集準備與預處理
      14.2.4  模型選擇與訓練
    14.3  本章小結
  第15章  案例：小度熊圖片的實例分割
    15.1  實例分割應用場景
    15.2  基於PaddleX的實例分割實現
      15.2.1  PaddleX簡介與環境準備
      15.2.2  數據集介紹
      15.2.3  模型介紹與訓練
      15.2.4  模型評估與預測
    15.3  本章小結
  第16章  案例：照片風格遷移
    16.1  數據集介紹
    16.2  模型介紹與構建
      16.2.1  CycleGAN簡介
      16.2.2  模型結構
    16.3  模型實現
    16.4  細節分析
      16.4.1  標準化（Normalization）
      16.4.2  PatchGAN
      16.4.3  損失函數（Loss Function）
      16.4.4  ReplayBuffer
    16.5  結果展示
    16.6  可視化驗證
    16.7  本章小結
  第17章  案例：IMDb評論情感判斷
    17.1  數據的讀取和預處理
      17.1.1  數據讀取
      17.1.2  數據預處理
      17.1.3  數據存儲
    17.2  模型訓練
      17.2.1  模型和數據集載入
      17.2.2  優化器和參數設置
      17.2.3  模型訓練過程
    17.3  結果檢驗

    17.4  本章小結
  第18章  基於Transformer的片段抽取式機器閱讀理解
    18.1  模型介紹
      18.1.1  Transformer
      18.1.2  Self-Attention Layer
      18.1.3  Layer Normalization
      18.1.4  BERT
      18.1.5  RoBERTa
    18.2  數據集和評估指標
    18.3  本章小結
  第19章  基於Stable Diffusion的圖像生成
    19.1  Stable Diffusion技術基礎
      19.1.1  什麼是Stable Diffusion
      19.1.2  Stable Diffusion模型組成
      19.1.3  Stable Diffusion Web UI界面
      19.1.4  Diffusers庫
    19.2  文本生成圖像
      19.2.1  環境準備
      19.2.2  基於Diffusers的代碼實現
      19.2.3  文生圖實現原理
    19.3  本章小結
附錄  深度學習的數學基礎
  附錄A  線性代數
  附錄B  概率論
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