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

臨床上的深度學習(概念原理與應用)

  • 作者：(美)徐曉音//章敏//顧險峰|責編:金佩雯//王怡菊
  • 出版社：浙江大學
  • ISBN：9787308262651
  • 出版日期：2025/11/01
  • 裝幀：平裝
  • 頁數：261
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    你是否好奇：
    人工智慧可以幫助醫生更早發現疾病嗎？
    它是怎樣學習並「看懂」醫學影像的？
    它在輔助臨床診斷時，是如何「思考」的？
    這本書或許能給你一些答案。
    《臨床上的深度學習》以平實的語言和生動的例子，講解深度學習的概念、原理及應用，主要內容包括：
    揭示人工智慧診斷背後的基本原理和決策過程；
    詳解從臨床需求到深度學習應用的銜接路徑；
    探討深度學習應用於臨床的關鍵挑戰及應對策略。
    本書既能幫助醫療從業者理解人工智慧的核心原理，對深度學習建立客觀、準確的認識；也適合對醫療人工智慧感興趣的普通讀者閱讀，感受智能技術為醫療領域帶來的變革與可能性。
作者介紹
(美)徐曉音//章敏//顧險峰|責編:金佩雯//王怡菊
目錄
01  什麼是深度學習？
  1.1  初識深度學習
  1.2  深度學習是科學還是藝術？
  1.3  深度學習與大數據的關係
  1.4  深度學習里的「深」
  1.5  深度學習里的平衡
  1.6  平衡中的數學
  1.7  什麼是好的深度學習模型？
  1.8  主動要求信息
  1.9  深度學習與人類學習的異同
  1.10  臨床實例
  1.11  小結
02  深度學習的一大應用——擬合
  2.1  擬合
  2.2  擬合的用處
  2.3  擬合與預測
  2.4  欠擬合
  2.5  過擬合
  2.6  理想的擬合
  2.7  偏差
  2.8  方差
  2.9  深度學習里擬合與偏差、方差的關係
  2.10  我們在這個環節應該問的問題
  2.11  小結
03  數據的本質——知識
  3.1  數據的本質
  3.2  訓練數據
  3.3  什麼是數據污染？
  3.4  數據污染的檢測
  3.5  處理數據污染
  3.6  訓練集、驗證集和測試集
  3.7  數據分配
  3.8  為什麼需要驗證集？
  3.9  數據的標籤
  3.10  無偏性原則
  3.11  標籤的形式
  3.12  真實世界的數據
  3.13  小結
04  深度學習模型的結構
  4.1  前饋模型
  4.2  卷積神經網路
  4.3  循環神經網路
  4.4  Transformer
  4.5  參數和超參數
  4.6  調參
  4.7  深度學習的學習過程
  4.8  梯度消失
  4.9  激活函數
  4.10  激活函數與深度學習的可解釋性
  4.11  模型的使用

  4.12  小結
05  如何下到谷底——梯度下降
  5.1  什麼是距離？
  5.2  定義損失函數
  5.3  什麼是維度？
  5.4  如何找到最低點？
  5.5  深度學習訓練的關鍵——反向傳播
  5.6  小結
06  概率與深度學習
  6.1  均勻分佈
  6.2  二項分佈
  6.3  正態分佈
  6.4  泊松分佈
  6.5  深度學習如何利用概率分佈？
  6.6  為什麼在深度學習里我們要關心概率分佈？
  6.7  小結
07  標準化
  7.1  z-score標準化
  7.2  歸一化
  7.3  為什麼要記錄標準化/歸一化里的參數？
  7.4  要對標籤做標準化或歸一化嗎？
  7.5  特徵
  7.6  特徵對每個觀察者來說都是一樣的嗎？
  7.7  特徵從哪裡來？
  7.8  深度學習模型是怎麼利用特徵的？
  7.9  來自臨床數據的挑戰
  7.10  小結
08  平衡
  8.1  偏差與方差的平衡
  8.2  模型複雜程度與正則化
  8.3  針對過擬合的正則化
  8.4  早停法
  8.5  改變激活函數
  8.6  小結
09  如果數據不夠多
  9.1  通過數據擴增來改進深度學習
  9.2  數據擴增的直接方法
  9.3  遷移學習
  9.4  聯邦學習
  9.5  小結
10  大語言模型
  10.1  以ChatGPT為代表的大語言模型
  10.2  大語言模型的工作原理
  10.3  注意力機制和自注意力機制
  10.4  大語言模型對醫療的影響
  10.5  大語言模型帶來的風險
  10.6  我們應該怎麼做？
  10.7  小結
11  生成式人工智慧
  11.1  GAN模型

  11.2  擴散模型
  11.3  生成式人工智慧在醫學上的應用
  11.4  小結
12  從臨床銜接到深度學習
  12.1  明確臨床需求
  12.2  從數據入手
  12.3  數據的質量
  12.4  實施與集成
  12.5  性價比的考慮
  12.6  對開發廠商的考慮
  12.7  我們應該問的問題
  12.8  小結
13  安全與倫理上的挑戰
  13.1  風險
  13.2  倫理上的挑戰
  13.3  法律合規性
  13.4  責任
  13.5  社會意義
  13.6  小結
14  使用上的挑戰
  14.1  醫學領域的獨特挑戰
  14.2  應對的策略
  14.3  人工驗證的成本
  14.4  小結
主要參考文獻

  • 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