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

深度學習及電腦視覺應用/新一代人工智慧創新人才培養精品系列

  • 作者：編者:郭延明|責編:孫澍
  • 出版社：人民郵電
  • ISBN：9787115676450
  • 出版日期：2026/01/01
  • 裝幀：平裝
  • 頁數：278
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書共8章，主要包括深度學習的相關理論知識和深度學習的電腦視覺應用。深度學習的相關理論知識部分包括人工智慧基礎、機器學習、深度學習基礎及深度學習三部曲。其中，深度學習三部曲重點介紹深度學習的組成模塊，旨在幫助讀者把握深度學習的概況。深度學習的電腦視覺應用部分主要以電腦視覺相關任務為引導，介紹深度學習中常用的模型及應用，包括圖像分類、目標檢測、跨媒體信息處理和圖像生成等，涉及擅長圖像信息處理的卷積神經網路（CNN）、擅長時序信息處理的循環神經網路（RNN）、擅長機器翻譯的Transformer模型和擅長信息生成的生成對抗網路（GAN）等。
    本書可作為人工智慧、電腦、大數據等專業深度學習相關課程的教材，也可供相關科技人員學習參考。
作者介紹
編者:郭延明|責編:孫澍
目錄
上篇  深度學習知識基礎
  第1章  人工智慧基礎
    1.1  引言
    1.2  人工智慧概念
      1.2.1  定義
      1.2.2  研究學派
      1.2.3  學科領域
    1.3  人工智慧歷史
    1.4  人工智慧應用
    1.5  人工智慧爆發因素
      1.5.1  ABC範式
      1.5.2  ABC範式帶來的改變
    1.6  人工智慧發展趨勢
      1.6.1  從大數據驅動到X數據驅動
      1.6.2  從參數學習到結構學習
      1.6.3  從特定任務處理到多任務協同
      1.6.4  從單一聯結主義到多流派集成
    本章小結
    本章習題
  第2章  機器學習基礎
    2.1  引言
    2.2  機器學習概念
      2.2.1  定義
      2.2.2  發展歷程
      2.2.3  基本範式
      2.2.4  導圖
    2.3  機器學習場景
      2.3.1  監督學習
      2.3.2  遷移學習
      2.3.3  強化學習
    2.4  機器學習任務
      2.4.1  回歸
      2.4.2  分類
      2.4.3  結構化學習
    2.5  機器學習方法
      2.5.1  線性模型
      2.5.2  邏輯回歸
      2.5.3  深度學習
      2.5.4  SVM
      2.5.5  樸素貝葉斯分類
      2.5.6  決策樹
      2.5.7  集成學習
    2.6  應用與挑戰
      2.6.1  應用
      2.6.2  挑戰
    本章小結
    本章習題
  第3章  深度學習基礎
    3.1  引言
    3.2  深度學習概念

    3.3  深度學習歷史
    3.4  深度學習分類
      3.4.1  基於卷積神經網路的模型
      3.4.2  基於受限玻耳茲曼機的模型
      3.4.3  基於自編碼器的模型
    3.5  深度學習步驟
      3.5.1  定義函數集合——神經網路
      3.5.2  衡量函數好壞——損失函數
      3.5.3  找到最優函數——優化方法
    3.6  深度學習的電腦視覺應用
    本章小結
    本章習題
  第4章  深度學習三部曲
    4.1  引言
    4.2  網路層
      4.2.1  基礎層
      4.2.2  激活函數層
      4.2.3  正則化層
    4.3  損失函數
      4.3.1  合頁損失
      4.3.2  多分類SVM損失
      4.3.3  交叉熵損失
      4.3.4  均方誤差損失
      4.3.5  對比損失
      4.3.6  三元組損失
      4.3.7  中心損失
      4.3.8  大間距Softmax損失
      4.3.9  焦點損失
      4.3.10  權值衰減
    4.4  優化方法
      4.4.1  梯度下降法
      4.4.2  反向傳播演算法
      4.4.3  隨機梯度下降法
      4.4.4  動量法
      4.4.5  自適應學習率
      4.4.6  梯度消失和梯度爆炸
    本章小結
    本章習題
下篇  深度學習的電腦視覺應用
  第5章  圖像分類
    5.1  引言
    5.2  任務介紹
    5.3  經典CNN
      5.3.1  LeNet
      5.3.2  AlexNet
      5.3.3  ZFNet
      5.3.4  VGGNet
      5.3.5  GoogLeNet
      5.3.6  ResNet
    5.4  Inception拓展網路

      5.4.1  Inception v2 & Inception-v3
      5.4.2  Inception v4 & Inception-ResNet
    5.5  ResNet拓展網路
      5.5.1  Identity Mapping
      5.5.2  Wide Residual Network
      5.5.3  ResNeXt
      5.5.4  Deep Network with Stochastic Depth
    5.6  其他有效類型網路
      5.6.1  DenseNet
      5.6.2  SENet
      5.6.3  Highway Network
      5.6.4  FractalNet
      5.6.5  Involution
    5.7  輕量化模型
      5.7.1  SqueezeNet
      5.7.2  MobileNet系列
      5.7.3  ShuffleNet
    本章小結
    本章習題
  第6章  目標檢測
    6.1  引言
    6.2  任務介紹
    6.3  兩階段目標檢測
      6.3.1  R-CNN
      6.3.2  SPP-Net
      6.3.3  Fast R-CNN
      6.3.4  Faster R-CNN
      6.3.5  Feature Pyramid Network
      6.3.6  Mask R-CNN
      6.3.7  總結
    6.4  單階段目標檢測
      6.4.1  YOLO系列模型
      6.4.2  SSD系列模型
      6.4.3  RetinaNet模型
    本章小結
    本章習題
  第7章  跨媒體信息處理
    7.1  引言
    7.2  任務介紹
      7.2.1  圖文檢索
      7.2.2  圖像描述
      7.2.3  視覺問答
    7.3  RNN模型
      7.3.1  提出背景
      7.3.2  基本理念
      7.3.3  基本結構
      7.3.4  梯度消失和梯度爆炸
      7.3.5  LSTM網路
      7.3.6  門循環神經網路
    7.4  Transformer模型

      7.4.1  自注意力機制
      7.4.2  Transformer模型結構
    本章小結
    本章習題
  第8章  圖像生成
    8.1  引言
    8.2  GAN的基本思想
      8.2.1  GAN的感性認識
      8.2.2  GAN的理性認識
    8.3  任務介紹
    8.4  GAN的發展
      8.4.1  WGAN
      8.4.2  DCGAN
      8.4.3  CGAN
      8.4.4  StackGAN
      8.4.5  LapGAN
      8.4.6  CycleGAN
      8.4.7  CoupledGAN
      8.4.8  InfoGAN
    本章小結
    本章習題
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