 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習基礎教程 ( 簡體 字) |
| 作者：Wei Di, Anurag Bhardwaj, Jianing Wei | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49993
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：9/26/2018 |
| 頁數：164 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111608455 |
| 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：（領英、谷歌和eBay數據科學家傾情奉獻，深度學習入門書，數學不好的讀者也能輕松掌握）
《深度學習基礎教程》是真正適合深度學習初學者的入門書籍，全書沒有任何復雜的數學推導。《深度學習基礎教程》首先介紹了深度學習的優勢和面臨的挑戰、深度學習采用深層架構的動機、學習深度學習需要的數學知識和硬件知識以及深度學習常用的軟件框架。然后對多層感知機、卷積神經網絡（CNN）、受限玻耳茲曼機（RBM）、循環神經網絡（RNN）及其變體—長短時記憶（LSTM）網絡進行了詳細介紹，并且以獨立章節重點闡述了CNN在計算機視覺中的應用、RNN在自然語言處理中的應用以及深度學習在多模態學習領域中的應用。隨后，本書介紹了深度強化學習的基本知識，給出了應用深度學習技術需要的許多實用技巧并概述了深度學習的一些新方向和新應用。
|
目錄：譯者序
原書前言
第 1章 為什么進行深度學習 // 1
1.1 什么是人工智能和深度學習 // 1
1.2 深度學習的歷史及其興起 // 2
1.3 為什么進行深度學習 // 7
1.3.1 相比于傳統淺層方法的優勢 // 7
1.3.2 深度學習的影響 //8
1.4 深層架構的動機 // 9
1.4.1 神經的觀點 // 10
1.4.2 特征表示的觀點 // 10
1.5 應用 //14
1.5.1 盈利性應用 // 14
1.5.2 成功案例 // 14
1.5.3 面向企業的深度學習 // 19
1.6 未來的潛力和挑戰 // 20
1.7 小結 //21
第 2章 為深度學習做準備 // 22
2.1 線性代數的基礎知識 // 22
2.1.1 數據表示 // 22
2.1.2 數據操作 // 23
2.1.3 矩陣屬性 // 24
2.2 使用GPU進行深度學習 // 24
2.2.1 深度學習硬件指南 // 26
2.3 深度學習軟件框架 // 27
2.3.1 TensorFlow // 27
2.3.2 Caffe // 27
2.3.3 MXNet // 28
2.3.4 Torch // 28
2.3.5 Theano // 28
2.3.6 CNTK // 29
2.3.7 Keras // 29
2.3.8 框架比較 // 29
2.4 基本亞馬遜網絡服務的深度學習開發環境配置 // 30
2.4.1 從零開始配置 // 30
2.4.2 基于Docker的配置 // 33
2.5 小結 //34
第 3章 神經網絡入門 // 35
3.1 多層感知機 // 35
3.1.1 輸入層 // 36
3.1.2 輸出層 // 36
3.1.3 隱藏層 // 36
3.1.4 激活函數 // 36
3.2 如何進行網絡學習 // 39
3.2.1 權值初始化 // 39
3.2.2 前向傳播 // 39
3.2.3 反向傳播 // 40
3.2.4 梯度消失與爆炸 // 42
3.2.5 優化算法 // 42
3.2.6 正則化 // 43
3.3 深度學習模型 // 43
3.3.1 卷積神經網絡 // 43
3.3.2 受限玻耳茲曼機 // 47
3.3.3 循環神經網絡（RNN/LSTM網絡）// 50
3.3.4 RNN中的單元及其展開 // 51
3.3.5 通過時間的反向傳播 // 51
3.3.6 梯度消失與 LSTM網絡 // 51
3.3.7 LSTM網絡中的單元和網關 // 52
3.4 應用示例 //53
3.4.1 TensorFlow設置與關鍵概念 // 53
3.4.2 手寫數字識別 // 54
3.5 小結 //57
第 4章 計算機視覺中的深度學習 // 58
4.1 卷積神經網絡的起源 // 58
4.2 卷積神經網絡 // 59
4.2.1 數據變換 // 61
4.2.2 網絡層 // 62
4.2.3 網絡初始化 // 65
4.2.4 正則化 // 66
4.2.5 損失函數 // 67
4.2.6 模型可視化 // 68
4.2.7 手寫數字分類示例 // 69
4.3 微調卷積神經網絡 // 71
4.4 主流的卷積神經網絡架構 // 72
4.4.1 AlexNet // 72
4.4.2 VGG // 72
4.4.3 GoogLeNet // 73
4.4.4 ResNet // 73
4.5 小結 //74
第 5章 自然語言處理中的向量表示 // 75
5.1 傳統的自然語言處理 // 75
5.1.1 BoW // 75
5.1.2 帶權的 tf-idf // 76
5.2 基于深度學習的自然語言處理 // 77
5.2.1 動機及分散式表示法 // 77
5.2.2 詞嵌入 // 78
5.2.3 Word2Vec // 81
5.2.4 了解 GloVe // 92
5.2.5 FastText // 92
5.3 應用 //93
5.3.1 使用示例 // 93
5.3.2 微調 // 93
5.4 小結 //94
第 6章 高級自然語言處理 // 95
6.1 面向文本的深度學習 // 95
6.1.1 神經網絡的局限性 // 95
6.2 循環神經網絡 // 96
6.2.1 RNN架構 // 97
6.2.2 基本的RNN模型 // 98
6.2.3 訓練RNN很難 // 98
6.3 LSTM網絡 //99
6.3.1 使用TensorFlow實現LSTM網絡 // 101
6.4 應用 //103
6.4.1 語言建模 // 103
6.4.2 序列標注 // 104
6.4.3 機器翻譯 // 106
6.4.4 聊天機器人 // 109
6.5 小結 //110
第 7章 多模態 // 111
7.1 什么是多模態學習 // 111
7.2 多模態學習的挑戰 // 111
7.2.1 模態表示 // 112
7.2.2 模態轉換 // 112
7.2.3 模態對齊 // 112
7.2.4 模態融合 // 113
7.2.5 協同學習 // 113
7.3 圖像標注生成 //113
7.3.1 show&tell算法 // 114
7.3.2 其他類型的方法 // 116
7.3.3 數據集 // 117
7.3.4 評估方法 // 119
7.3.5 注意力模型 // 121
7.4 視覺問答 //125
7.5 基于多源的自動駕駛 //127
7.6 小結 //130
第 8章 深度強化學習 // 131
8.1 什么是強化學習 // 131
8.1.1 問題設置 // 132
8.1.2 基于值函數學習的算法 // 132
8.1.3 基于策略搜索的算法 //134
8.1.4 基于Actor-Critic的算法 // 134
8.2 深度強化學習 // 135
8.2.1 深度Q網絡（DQN）// 135
8.2.2 雙DQN // 137
8.2.3 競爭DQN // 138
8.3 強化學習實現 // 138
8.3.1 簡單的強化學習示例 // 138
8.3.2 以Q-learning為例的強化學習 // 139
8.4 小結 //141
第 9章 深度學習的技巧 // 142
9.1 處理數據 //142
9.1.1 數據清理 // 142
9.1.2 數據擴充 // 142
9.1.3 數據歸一化 // 143
9.2 訓練技巧 // 143
9.2.1 權值初始化 // 143
9.2.2 優化 // 144
9.2.3 損失函數選擇 // 146
9.2.4 防止過擬合 // 147
9.2.5 微調 // 148
9.3 模型壓縮 // 149
9.4 小結 // 152
第 10章 深度學習的發展趨勢 // 153
10.1 深度學習的最新模型 // 153
10.1.1 生成對抗網絡 // 153
10.1.2 Capsule網絡 // 154
10.2 深度學習的新應用 // 155
10.2.1 基因組學 // 155
10.2.2 醫療預測 // 157
10.2.3 臨床影像學 // 159
10.2.4 唇語 // 160
10.2.5 視覺推理 // 161
10.2.6 代碼合成 // 162
10.3 小結 // 164
|
| 序： |
|
