 |
-- 會員 / 註冊 --
|
 |
|
|
|
學會TensorFlow之後呢？最尖端的21個夢幻範例實作 ( 繁體 字) |
| 作者：何之源 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：佳魁資訊 |  3dWoo書號： 49797
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：8/8/2018 |
| 頁數： |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 繁體 版 ) |
| |
【不接受訂購】 | | ISBN：9789863796855 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書把最尖端的21個人工智慧應用，用最簡單的TensorFlow 程式碼實作出來，對大家會有疑義的地方，作者更花功夫用程式講解，這21個夢幻般的範例讓你搖身一變，成為真正活用TensorFlow的專家。
本書特點：
■ 以實作、應用導向。深度學習需要深厚的數理基礎，對初學者有一定難度。本書從實作出發，用實例來啟動讀者學習深度學習技術和TensorFlow 程式設計技巧。從實用性和趣味性二方面考量，選擇21個實作專案，其中既有MNIST影像識別入門專案，也有目標檢測、人臉識別、時間序列預測實用性專案，還有一些諸如Deep Dream 趣味性專案。讀者可以在實作中找到樂趣，逐漸進步，讓學習深度學習和TensorFlow不再那麼痛苦。
■ 清晰而有深度的介紹。儘量用簡單的語言描述演算法的原理，做到清晰而有條理。此外，深度學習是一種還在快速發展的新技術，限於篇幅，很多內容不能完全展開，在大部分章節的尾端列出「擴充閱讀」材料，有興趣的讀者可以參考進一步學習。
■ 基於TensorFlow 1.4 及以上版本。本書程式全部基於TensorFlow 1.4 及以上版本，並介紹TensorFlow的一些新特性，如Time Series 模組（1.3 版本增加）、新的MultiRNNCell 函數（1.2 版本更改）等。
適用：有機器學習基礎者，希望深入研究TensorFlow和深度學習演算法的工程師，對人工智慧、深度學習感興趣的學生，希望進入大數據應用的研究者。 |
目錄：01 MNIST 機器學習入門
1.1 MNIST 資料集
1.2 利用TensorFlow 識別MNIST
1.3 歸納
02 CIFAR-10 與ImageNet 影像識別
2.1 CIFAR-10 資料集
2.2 利用TensorFlow 訓練CIFAR-10 識別模型
2.3 ImageNet 影像識別模型
2.4 歸納
03 打造自己的影像識別模型
3.1 微調的原理
3.2 資料準備
3.3 使用TensorFlow Slim 微調模型
3.4 歸納
04 Deep Dream 模型
4.1 Deep Dream 的技術原理
4.2 TensorFlow 中的Deep Dream 模型實作
4.3 歸納
05 深度學習中的目標檢測
5.1 深度學習中目標檢測的原理
5.2 TensorFlow Object Detection API
5.3 歸納
06 人臉檢測和人臉識別
6.1 MTCNN 的原理
6.2 使用深度旋積網路分析特徵
6.3 使用特徵設計應用
6.4 在TensorFlow 中實現人臉識別
6.5 歸納
07 影像風格移轉
7.1 影像風格移轉的原理
7.2 在TensorFlow 中實現快速風格移轉
7.3 歸納
08 GAN 和DCGAN 入門
8.1 GAN 的原理
8.2 DCGAN 的原理
8.3 在TensorFlow 中用DCGAN 產生影像
8.4 歸納
09 pix2pix 模型與自動著色技術
9.1 cGAN 的原理
9.2 pix2pix 模型的原理
9.3 TensorFlow 中的pix2pix 模型
9.4 使用TensorFlow 為灰階影像自動著色
9.5 歸納
10 超解析度：如何讓影像變得更清晰
10.1 資料前置處理與訓練
10.2 歸納
11 CycleGAN 與非配對影像轉換
11.1 CycleGAN 的原理
11.2 在TensorFlow 中用訓練CycleGAN 模型
11.3 程式結構分析
11.4 歸納
12 RNN 基本結構與Char RNN 文字產生
12.1 RNN 的原理
12.2 LSTM 的原理
12.3 Char RNN 的原理
12.4 TensorFlow 中的RNN 實現方式
12.5 使用TensorFlow 實現Char RNN
12.6 歸納
13 序列分類問題詳解
13.1 N VS 1 的RNN 結構
13.2 序列分類問題與資料產生
13.3 在TensorFlow 中定義RNN 分類模型
13.4 模型的推廣
13.5 歸納
14 詞的向量表示：word2vec 與詞嵌入
14.1 為什麼需要做詞嵌入
14.2 詞嵌入的原理
14.3 在TensorFlow 中實現詞嵌入
14.4 歸納
15 在TensorFlow 中進行時間序列預測
15.1 時間序列問題的一般形式
15.2 用TFTS 讀取時間序列資料
15.3 使用AR 模型預測時間序列
15.4 使用LSTM 模型預測時間序列
15.5 歸納
16 神經網路機器翻譯技術
16.1 Encoder-Decoder 模型的原理
16.2 注意力機制
16.3 使用TensorFlow NMT 架設神經網路翻譯引擎
16.4 TensorFlow NMT 原始程式簡介
16.5 歸納
17 看圖說話：將影像轉為文字
17.1 Image Caption 技術整體說明
17.2 在TensorFlow 中實現Image Caption
17.3 歸納
18 強化學習入門之Q Learning
18.1 強化學習中的幾個核心概念
18.2 Q Learning 的原理與實驗
18.3 歸納
19強化學習入門之SARSA 演算法
19.1 SARSA 演算法的原理
19.2 SARSA 演算法的實現
19.3 歸納
20 深度強化學習：Deep Q Learning
20.1 DQN 演算法的原理
20.2 在TensorFlow 中執行DQN 演算法
20.3 在TensorFlow 中DQN 演算法的實現分析
20.4 歸納
21 策略梯度演算法
21.1 策略梯度演算法的原理
21.2 在TensorFlow 中實現策略梯度演算法
21.3 歸納 |
| 序： |
|
