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

深度學習詳解

  • 作者：編者:王琦//楊毅遠//江季|責編:郭泳澤
  • 出版社：人民郵電
  • ISBN：9787115642110
  • 出版日期：2024/09/01
  • 裝幀：平裝
  • 頁數：356
人民幣：RMB 99.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書根據李宏毅老師的公開課改寫、擴充而成，介紹了卷積神經網路、Transformer、生成模型、自監督學習（包括BERT和GPT-3）等深度學習常見演算法，並講解了對抗攻擊、可解釋人工智慧、領域自適應、強化學習、終身學習、模型壓縮、元學習等深度學習相關的進階演算法。在理論嚴謹的基礎上，本書保留了公開課中的大量生動有趣的例子，幫助讀者從生活化的角度理解深度學習概念、建模過程和核心演算法細節。
    本書適合對深度學習感興趣、想要入門深度學習的讀者閱讀，也可作為深度學習相關課程的參考教材。
作者介紹
編者:王琦//楊毅遠//江季|責編:郭泳澤
目錄
第1章  機器學習基礎
  1.1  案例學習
  1.2  線性模型
    1.2.1  分段線性曲線
    1.2.2  模型變形
    1.2.3  機器學習框架
第2章  實踐方法論
  2.1  模型偏差
  2.2  優化問題
  2.3  過擬合
  2.4  交叉驗證
  2.5  不匹配
  參考資料
第3章  深度學習基礎
  3.1  局部最小值與鞍點
    3.1.1  臨界點及其種類
    3.1.2  判斷臨界值種類的方法
    3.1.3  逃離鞍點的方法
  3.2  批量和動量
    3.2.1  批量大小對梯度下降法的影響
    3.2.2  動量法
  3.3  自適應學習率
    3.3.1  AdaGrad
    3.3.2  RMSProp
    3.3.3  Adam
  3.4  學習率調度
  3.5  優化總結
  3.6  分類
    3.6.1  分類與回歸的關係
    3.6.2  帶有softmax函數的分類
    3.6.3  分類損失
  3.7  批量歸一化
    3.7.1  放入深度神經網路
    3.7.2  測試時的批量歸一化
    3.7.3  內部協變數偏移
  參考資料
第4章  卷積神經網路
  4.1  觀察1：檢測模式不需要整幅圖像
  4.2  簡化1：感受野
  4.3  觀察2：同樣的模式可能出現在圖像的不同區域
  4.4  簡化2：共享參數
  4.5  簡化1和簡化2的總結
  4.6  觀察3：下採樣不影響模式檢測
  4.7  簡化3：匯聚
  4.8  卷積神經網路的應用：下圍棋
  參考資料
第5章  循環神經網路
  5.1  獨熱編碼
  5.2  什麼是RNN
  5.3  RNN架構

  5.4  其他RNN
    5.4.1  Elman網路和Jordan網路
    5.4.2  雙向循環神經網路
    5.4.3  LSTM
    5.4.4  LSTM舉例
    5.4.5  LSTM運算示例
  5.5  LSTM網路原理
  5.6  RNN的學習方式
  5.7  如何解決RNN的梯度消失或梯度爆炸問題
  5.8  RNN的其他應用
    5.8.1  多對一序列
    5.8.2  多對多序列
    5.8.3  序列到序列
  參考資料
第6章  自注意力機制
  6.1  輸入是向量序列的情況
    6.1.1  類型1：輸入與輸出數量相同
    6.1.2  類型2：輸入是一個序列，輸出是一個標籤
    6.1.3  類型3：序列到序列任務
  6.2  自注意力機制的運作原理
  6.3  多頭自注意力
  6.4  位置編碼
  6.5  截斷自注意力
  6.6  對比自注意力與卷積神經網路
  6.7  對比自注意力與循環神經網路
  參考資料
第7章  Transformer
  7.1  序列到序列模型
    7.1.1  語音識別、機器翻譯與語音翻譯
    7.1.2  語音合成
    7.1.3  聊天機器人
    7.1.4  問答任務
    7.1.5  句法分析
    7.1.6  多標籤分類
  7.2  Transformer結構
  7.3  Transformer編碼器
  7.4  Transformer解碼器
    7.4.1  自回歸解碼器
    7.4.2  非自回歸解碼器
  7.5  編碼器–解碼器注意力
  7.6  Transformer的訓練過程
  7.7  序列到序列模型訓練常用技巧
    7.7.1  複製機制
    7.7.2  引導注意力
    7.7.3  束搜索
    7.7.4  加入雜訊
    7.7.5  使用強化學習訓練
    7.7.6  計劃採樣
  參考資料
第8章  生成模型

  8.1  生成對抗網路
    8.1.1  生成器
    8.1.2  判別器
  8.2  生成器與判別器的訓練過程
  8.3  GAN的應用案例
  8.4  GAN的理論介紹
  8.5  WGAN演算法
  8.6  GAN訓練的難點與技巧
  8.7  GAN的性能評估方法
  8.8  條件型生成
  8.9  CycleGAN
  參考資料
第9章  擴散模型
  9.1  擴散模型生成圖片的過程
  9.2  去噪模塊
  9.3  訓練雜訊預測器
第10章  自監督學習
  10.1  BERT
    10.1.1  BERT的使用方式
    10.1.2  BERT有用的原因
    10.1.3  BERT的變體
  10.2  GPT
  參考資料
第11章  自編碼器
  11.1  自編碼器的概念
  11.2  為什麼需要自編碼器
  11.3  去噪自編碼器
  11.4  自編碼器應用之特徵解耦
  11.5  自編碼器應用之離散隱表徵
  11.6  自編碼器的其他應用
第12章  對抗攻擊
  12.1  對抗攻擊簡介
  12.2  如何進行網路攻擊
  12.3  快速梯度符號法
  12.4  白箱攻擊與黑箱攻擊
  12.5  其他模態數據被攻擊案例
  12.6  現實世界中的攻擊
  12.7  防禦方式中的被動防禦
  12.8  防禦方式中的主動防禦
第13章  遷移學習
  13.1  領域偏移
  13.2  領域自適應
  13.3  領域泛化
  參考資料
第14章  強化學習
  14.1  強化學習的應用
    14.1.1  玩電子遊戲
    14.1.2  下圍棋
  14.2  強化學習框架
    14.2.1  第1步：定義函數

    14.2.2  第2步：定義損失
    14.2.3  第3步：優化
  14.3  評價動作的標準
    14.3.1  使用即時獎勵作為評價標準
    14.3.2  使用累積獎勵作為評價標準
    14.3.3  使用折扣累積獎勵作為評價標準
    14.3.4  使用折扣累積獎勵減去基線作為評價標準
    14.3.5  Actor-Critic
    14.3.6  優勢Actor-Critic
  參考資料
第15章  元學習
  15.1  元學習的概念
  15.2  元學習的三個步驟
  15.3  元學習與機器學習
  15.4  元學習的實例演算法
  15.5  元學習的應用
  參考資料
第16章  終身學習
  16.1  災難性遺忘
  16.2  終身學習的評估方法
  16.3  終身學習問題的主要解法
第17章  網路壓縮
  17.1  網路剪枝
  17.2  知識蒸餾
  17.3  參數量化
  17.4  網路架構設計
  17.5  動態計算
  參考資料
第18章  可解釋性機器學習
  18.1  可解釋性人工智慧的重要性
  18.2  決策樹模型的可解釋性
  18.3  可解釋性機器學習的目標
  18.4  可解釋性機器學習中的局部解釋
  18.5  可解釋性機器學習中的全局解釋
  18.6  擴展與小結
  參考資料
第19章  ChatGPT
  19.1  ChatGPT簡介和功能
  19.2  對ChatGPT的誤解
  19.3  ChatGPT背後的關鍵技術——預訓練
  19.4  ChatGPT帶來的研究問題
索引

  • 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