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

深度學習理論及實戰(MATLAB版第2版全彩印刷)/電腦科學與技術叢書

  • 作者：趙小川|責編:李錦
  • 出版社：清華大學
  • ISBN：9787302681847
  • 出版日期：2025/02/01
  • 裝幀：平裝
  • 頁數：246
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要介紹深度學習理論及實戰，共5章，內容包括機器學習、人工神經網路、卷積神經網路、MATLAB深度學習工具箱和應用案例。在介紹基礎理論方面，本書深入淺出、語言生動、通俗易懂；在介紹應用實例時，本書貼近實際、步驟翔實、舉一反三。本書對數十個常式進行了深入的講解，並對代碼進行了詳細的註解。
    本書可作為人工智慧、電子信息、電腦科學相關專業的本科生、研究生的教材，也可作為本科畢業設計、研究生學術論文的參考資料，還可作為相關工程技術人員的參考資料。
作者介紹
趙小川|責編:李錦
    趙小川，博士，高級工程師。科技部、北京市科委項目評審專家組成員。《Robotica》、《IEEE Transactions On Biomedical Engineering》等期刊的審稿人。主編了《MATLAB數字圖像處理——程序實現與模塊化模擬》、《MATLAB數字圖像處理——能力提高與應用案例》、《MATLAB數字圖像處理——從模擬C／C++代碼自動生成》等圖書。
目錄
第1章  從「機器學習」講起
  1.1  走近「機器學習」
    1.1.1  什麼是「機器學習」
    1.1.2  機器學習的主要任務
    1.1.3  機器學習的分類
    1.1.4  什麼是「深度學習」
    1.1.5  機器學習的應用舉例
  經驗分享：對「智能」的理解
  擴展閱讀：「人工智慧」的發展
  擴展閱讀：「人工智慧」的最新發展——生成式AI大模型
  1.2  解讀「機器學習的過程」
    1.2.1  機器學習的過程
    1.2.2  機器學習中的數據集
    1.2.3  過擬合與欠擬合
  經驗分享：「機器學習」與「雕刻時光」
  經驗分享：如何解決機器學習中的「過猶不及」
  1.3  典型的機器學習演算法——SVM
    1.3.1  「支持向量機」名字的由來
    1.3.2  SVM分類器的形式
    1.3.3  如何找到最佳分類線
    1.3.4  基於SVM的多分類問題
  1.4  思考與練習
第2章  解析「人工神經網路」
  2.1  神經元——人工神經網路的基礎
    2.1.1  生物神經元
    2.1.2  人工神經元
    2.1.3  激活函數
  2.2  神經網路的結構及工作原理
    2.2.1  神經網路的結構組成
    2.2.2  神經網路的工作原理
    2.2.3  一些常見的概念
  擴展閱讀：人工神經網路發展簡史
  經驗分享：從仿生學的角度看神經網路的局限性
  2.3  從數學角度來認識神經網路
    2.3.1  本書中採用的符號及含義
    2.3.2  神經元的激活
    2.3.3  神經網路的學習
    2.3.4  尋找損失函數最小值——梯度下降法
    2.3.5  誤差反向傳播
    2.3.6  基於誤差反向傳播的參數更新流程
  經驗分享：形象地理解梯度下降法
  擴展閱讀：隨機梯度下降優化演算法
  經驗分享：形象地理解反向傳播演算法
  2.4  如何基於神經網路進行分類
    2.4.1  基於神經網路實現二分類
    2.4.2  基於神經網路實現多分類
  擴展閱讀：交叉熵
  2.5  思考與練習
第3章  探索「卷積神經網路」
  3.1  深入淺出話「卷積」

    3.1.1  卷積的運算過程
    3.1.2  卷積核對輸出結果的影響
  3.1  ，3卷積運算在圖像特徵提取中的應用
  擴展閱讀：數字圖像處理的基礎知識
  編程體驗1：讀入一幅數字圖像並顯示
  編程體驗2：基於MATLAB實現二維圖像的滑動卷積
  3.2  解析「卷積神經網路」
    3.2.1  從ImageNet挑戰賽說起
    3.2.2  卷積神經網路的結構
    3.2.3  卷積層的工作原理
    3.2.4  非線性激活函數的工作原理
  3.2  ，5池化層的工作原理
    3.2.6  卷積神經網路與全連接神經網路的區別
    3.2.7  從仿生學角度看卷積神經網路
  擴展閱讀：創建ImageNet挑戰賽初衷
  3.3  從數學的角度看卷積神經網路
    3.3.1  本書中採用的符號及含義
    3.3.2  從數學角度看卷積神經網路的工作過程
    3.3.3  如何求代價函數
    3.3.4  採用誤差反向傳播法確定卷積神經網路的參數
  3.4  認識經典的「卷積神經網路」
    3.4.1  解析LeNet5卷積神經網路
    3.4.2  具有里程碑意義的AlexNet
    3.4.3  VGG-16卷積神經網路的結構和參數
    3.4.4  卷積神經網路為何會迅猛發展
  3.5  思考與練習
第4章  基於MATLAB深度學習工具箱的實現與調試
  4.1  構造一個用於分類的卷積神經網路
    4.1.1  實例需求
    4.1.2  開發環境
    4.1.3  開發步驟
    4.1.4  常用的構造卷積神經網路的函數
    4.1.5  構造卷積神經網路
    4.1.6  程序實現
  擴展閱讀：批量歸一化層的作用
  歸納總結：深度神經網路訓練過程中常見超參的含義
  編程體驗：改變卷積神經網路的結構
  4.2  訓練一個用於預測的卷積神經網路
    4.2.1  實例需求
    4.2.2  開發步驟
    4.2.3  構建卷積神經網路
    4.2.4  訓練卷積神經網路
    4.2.5  程序實現
  擴展閱讀1：設置學習率的經驗與技巧
  擴展閱讀2：隨機失活方法（dropout）的作用
  擴展閱讀3：小批量方法（minibatch）的作用
  編程體驗：改變網路訓練配置參數
  4.3  採用遷移學習進行物體識別
    4.3.1  站在巨人的肩膀上——遷移學習
    4.3.2  實例需求

    4.3.3  開發步驟
    4.3.4  可直接載入的網路及方法
    4.3.5  如何對網路結構和樣本進行微調
    4.3.6  函數解析
    4.3.7  程序實現及運行效果
  擴展閱讀：多角度看「遷移學習」
  經驗分享：「遷移學習」中的微調技術
  4.4  採用深度網路設計器實現卷積網路設計
    4.4.1  什麼是深度網路設計器
    4.4.2  如何打開深度網路設計器
    4.4.3  需求實例
    4.4.4  在深度網路設計器中構建卷積神經網路
    4.4.5  對網路進行訓練與驗證
    4.4.6  深度網路設計器的檢驗功能
  4.5  採用深度網路設計器實現遷移學習
    4.5.1  基於深度網路設計器的網路結構調整
    4.5.2  對網路進行訓練
  4.6  如何顯示、分析卷積神經網路
    4.6.1  如何查看訓練好的網路的結構和信息
    4.6.2  如何畫出深度網路的結構圖
    4.6.3  如何用analyzeNetwork函數查看與分析網路
  4.7  如何載入深度學習工具箱可用的數據集
    4.7.1  如何載入MATLAB自帶的數據集
    4.7.2  如何載入自己製作的數據集
    4.7.3  如何載入網路下載的數據集——以CIFAR-10為例
    4.7.4  如何劃分訓練集與驗證集
  編程體驗：基於CIFAR-10數據集訓練卷積神經網路
  4.8  如何構造一個具有捷徑連接的卷積神經網路
    4.8.1  本節用到的函數
    4.8.2  實例需求
    4.8.3  創建含有捷徑連接的卷積神經網路的實現步驟
    4.8.4  程序實現
    4.8.5  對捷徑連接網路進行結構檢查
  編程體驗：採用常式
    4.8.2  所構建的卷積神經網路進行圖像分類
  4.9  思考與練習
第5章  應用案例深度解析
  5.1  基於卷積神經網路的圖像分類
    5.1.1  什麼是圖像分類
    5.1.2  評價分類的指標
    5.1.3  基於深度學習和數據驅動的圖像分類
    5.1.4  傳統的圖像分類與基於深度學習的圖像分類的區別
    5.1.5  基於AlexNet的圖像分類
    5.1.6  基於GoogLeNet的圖像分類
    5.1.7  基於卷積神經網路的圖像分類抗干擾性分析
  擴展閱讀：電腦視覺的發展之路
  編程體驗：體驗GoogLeNet識別圖像的抗雜訊能力
  擴展閱讀：AI「隱身衣」
  5.2  基於LeNet卷積神經網路的交通燈識別
    5.2.1  實例需求

    5.2.2  卷積神經網路設計
    5.2.3  載入交通燈數據集
    5.2.4  程序實現
  5.3  融合卷積神經網路與支持向量機的圖像分類
    5.3.1  整體思路
    5.3.2  本節所用到的函數
    5.3.3  實現步驟與程序
  編程體驗：基於AlexNet和SVM的圖像分類
  5.4  基於R-CNN的交通標誌檢測
    5.4.1  目標分類、檢測與分割
    5.4.2  目標檢測及其難點問題
    5.4.3  R-CNN目標檢測演算法的原理及實現過程
    5.4.4  實例需求
    5.4.5  實現步驟
    5.4.6  本節所用到的函數
    5.4.7  程序實現
    5.4.8  基於AlexNet遷移學習的R-CNN實現
    5.4.9  基於Image Labeler的R-CNN目標檢測器構建
  5.5  基於Video Labeler與R-CNN的車輛檢測
    5.5.1  實例需求
    5.5.2  實現步驟
  5.6  基於YOLO v4的車輛目標檢測
    5.6.1  YOLO目標檢測原理概述
    5.6.2  實例需求
    5.6.3  實現步驟
    5.6.4  本節所用到的函數
    5.6.5  程序實現
  5.7  思考與練習
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