 |
-- 會員 / 註冊 --
|
 |
|
|
|
Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python) ( 繁體 字) |
| 作者：Francois Chollet | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 深度學習 |
| 譯者：葉欣睿 |
| 出版社：旗標出版 |  3dWoo書號： 51181
詢問書籍請說出此書號！【缺書】
NT定價： 1000 元
折扣價： 790 元
|
| 出版日：5/31/2019 |
| 頁數：504 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 繁體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9789863125501 |
| 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：用 Python + Keras 實踐深度學習, 解開神經網路模型的黑盒子
在高階函式庫 Keras 的幫助下, 用 6 行程式就可寫一隻深度學習神經網路的程式, 建構深度學習模型就像玩樂高積木一樣, 可以輕易將各種神經網路組合在一起, 而每一種模型可用來解決不同的問題。
正宗 Keras 大神著作，正體中文版重磅登場
本書為 Keras 之父 Francois Chollet 親自撰寫, 詳細解說神經網路每一層的架構與原理, 並不時提供個人經驗累積而成的真知灼見, 帶領讀者熟悉機器學習的標準工作流程, 並了解如何使用 Keras 解決從電腦視覺到自然語言處理的各種實務問題, 例如圖像分類、時間序列預測、情感分析、圖像和文字資料的生成...等, 最有效率實作出可用的模型, 絕對是機器學習、資料科學、人工智慧從業人員必讀的經典之作。
最後引述 Francois Chollet 在書中所說：深度學習並不難, 只是又多又雜, 這本書就是希望能夠提供更多人瞭解深度學習的第一步。這不表示我們會把複雜的內容簡化 (因為這些都是深度學習所必需的), 而是希望各位不要擔心深度學習太過於困難而裹足不前。希望你能夠發現本書的價值, 並跟著本書逐步建構屬於你的人工智慧應用程式。
本書特色:
本書由施威銘研究室 監修, 書中會針對原書所提及的背景知識做補充, 所有程式均經過實際執行測試, 並適當添加註解與程式碼, 幫助讀者能更加理解程式內容。
■ CNN – 用於電腦視覺的深度學習
■ RNN – 用於文字與序列資料的深度學習
■ LSTM、VAE 與 DeepDream
■ 神經風格轉換
■ GAN 生成對抗神經網路
■ 機器學習與神經網路
■ 張量 Tensor 與張量運算
■ Keras API、callbacks 與 TensorBoard
■ 超參數優化與模型集成
|
目錄：Ch01何謂深度學習？
1-1 人工智慧、機器學習與深度學習
1-2 機器學習的基礎技術：深度學習之前
1-3 為什麼是深度學習？為什麼是現在？
Ch02 開始之前：了解神經網路的數學概念
2-1 初探神經網路
2-2 神經網路的資料表示法：張量 Tensor
2-3 神經網路的工具：張量運算
2-4 神經網路的引擎：以梯度為基礎的最佳化
2-5 回顧我們的第一個例子
Ch03 開始使用神經網路
3-1 神經網路的核心元件
3-2 Keras 簡介
3-3 建立一個深度學習的作業環境
3-4 二元分類範例：將電影評論分類為正評或負評
3-5 分類數位新聞專欄：多類別分類範例
3-6 預測房價：迴歸範例
Ch04 機器學習的基礎知識
4-1 機器學習的四個分支
4-2 評估機器學習模型
4-3 資料預處理 (preprocessing)、特徵工程 (feature engineering) 和特徵學習 (feature learning)
4-4 過度配適 (overfitting) 和低度配適 (underfitting)
4-5 機器學習的通用工作流程
Ch05 深度學習實務電腦視覺的深度學習
5-1 卷積神經網路 CNN
5-2 以少量資料集從頭訓練一個卷積神經網路
5-3 使用預先訓練的卷積神經網路
5-4 視覺化呈現卷積神經網路學習的內容
Ch06 應用於文字資料與序列資料的深度學習
6-1 文字資料處理
6-2 了解循環神經網路
6-3 循環神經網路的進階使用方法
6-4 使用卷積神經網路進行序列資料處理
Ch07 進階深度學習的最佳實作方式
7-1 超越序列式 (Sequential) 模型：Keras 函數式 API
7-2 使用 Keras 回呼 (callbacks) 和 TensorBoard 檢查和監控深度學習模型
7-3 模型成效最大化
Ch08 生成式深度學習
8-1 使用 LSTM 產生文字資料
8-2 DeepDream
8-3 神經風格轉換
8-4 使用變分自編碼器 Variational Autoencoders 生成圖像
8-5 生成對抗神經網路簡介 Generative Adversarial Network
Ch09 結語
9-1 回顧關鍵概念
9-2 深度學習的侷限性
9-3 深度學習的未來
9-4 在快速發展的領域保持最新狀態
9-5 後語
附錄 A 在 Ubuntu 上安裝 Keras 及相關套件
附錄 B 在 EC2 GPU 虛擬主機上使用 Jupyter Notebook 開發機器學習專案
|
| 序： |
|
