 |
-- 會員 / 註冊 --
|
 |
|
|
|
程序員的AI書：從代碼開始 ( 簡體 字) |
| 作者：張力柯,潘暉 | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 52412
詢問書籍請說出此書號！【缺書】
NT售價： 545 元 |
| 出版日：2/1/2020 |
| 頁數：320 |
| 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：9787121382703 |
| 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：推薦序一
認識力柯兄多年，一直認為他是一員虎將——能用代碼說話，便絕不打無謂的嘴仗；能用技術與產品直接證明，便絕不空談“形式”和“主義”。這次，通過力柯兄寫的這本書，一如既往地看到他“心有猛虎”的一面：直截了當、大開大合。
在機器學習或者說工業界AI火起來的這幾年，程序員這一受眾群體一直缺少優秀的教程。有些教程過于淺顯，很難稱其為“入門教程”，只能稱其為科普書；有些教程則過于貼近理論推導，對夯實讀者的數理基礎大有裨益，也能給研究生提供參考，但對程序員來說，則理論有余而實踐不足，常常令注重工程實踐的他們一頭霧水：畢竟不是每個程序員都有耐心、有必要一門一門地撿回微積分、概率統計、偏微分方程、線性代數和數值計算等基礎學科的知識，再真正實現一個屬于自己的模型。如何在數學理論和工程實踐之間找到一個平衡點，讓具有工程背景的廣大讀者從中獲得實際的價值，而非進行簡單的腦力或數學訓練，這一直是我評價機器學習教程時最為看重的要素。現在，我有幸從力柯兄的成書中找到了這些要素，實乃幸事！
這是一本寫給程序員看的機器學習指南。它有針對性地從程序員的視角切入（而非像市面上的大多數機器學習教程一樣，從數學的角度切入），介紹了工業界流行的若干模型及應用場景，同時涵蓋了神經網絡的原理和基礎實現、Keras庫的使用方法和TensorFlow的部署方案，可謂有的放矢。另外，本書章節不多，卻簡短有力。這不是一本科普讀物，不存在淺嘗輒止；也不是一本百科全書，不存在天書符號。這是一本有代碼的書，是一本談工程實現的書。我認為，這正是機器學習領域所缺少的那一類教程。
本書的上篇，讓我不由得想起多年前力柯兄剛從硅谷回國高就時，與我圍繞“怎樣的面試題對于機器學習程序員是合適的”這一話題展開的討論。那時AI正在升溫，無數有著各種背景、能力和水平的人都在嘗試接觸AI方面的內容，但對于人才的選拔和錄用，卻似乎沒有一個行業內的公認標準和規范。力柯兄的面試題十分簡單粗暴，要求面試者僅使用一些基礎的Python庫去實現一個深度神經網絡。這聽起來有點讓人匪夷所思，但事后細想，卻是大道至簡。這可以讓人拋去繁雜的模型，回歸神經網絡最本質的前向傳播和反向傳播，將一切都落實在代碼層面。雖然需要運用的數學知識不過是一點高等數學的皮毛，卻可以同時從工程和數學兩個角度考察候選人的基本功。這幾年間，機器學習和深度學習教程及相關公開課越來越多，我閱課無數，竟發現很少有一門課能夠沉下心來，仔仔細細地告訴讀者和學員，搭建和實現這些神經網絡的基礎元素從何而來，又為何如此。而本書的上篇，尤其是在第2章中，一絲不茍地介紹了神經元、激活函數和損失函數，從偏微分方程層面嚴謹地推導反向傳播，又從代碼層面給出了那道面試題的答案。這都讓我不由得敬佩力柯兄在工程上的執著。本書的下篇，則是標準的深度學習入門。
至此，我不再“劇透”，因為當你從實戰角度閱讀這些章節時，會有一種不斷發現珍寶的驚喜感，而我更愿意把這些“珍寶”留給本書的讀者。
周竟舸，Pinterest機器學習平臺技術負責人
2019年12月
推薦序二
近十余年，計算機領域中令人矚目的亮點就是以深度學習為代表的一系列突破。無論是人臉檢測還是圖像識別，抑或文本翻譯或無人駕駛，這些在過去幾十年里讓計算機科學家苦苦思索卻不能解的種種難題，在深度學習的幫助下，竟被一一攻克，這不能不說是人類科技史上一顆耀眼的明星。
AI技術的突飛猛進，卻使傳統程序員產生不少困惑：過去常用的數據結構、排序搜索、鏈表數組等，現在變成了模型、卷積、權重和激活函數……無論是要開發AI應用，還是和算法研究人員共同工作，他們都存在同一個問題：如何學習AI技術？如何理解AI算法人員常用的名詞和概念？更重要的是，如何把AI相關的代碼和自己的軟件開發經驗聯系起來？
現在市面上已經有很多深度學習和機器學習教程了，其中也不乏從實例入手、以代碼實現為重點的書籍，但并沒有一本書真正地從程序員的視角來看待深度學習技術。或者，我們也可以這么說，大部分相關書籍的重點是講解深度學習理論，所用的實例是解釋深度學習理論的實際應用。盡管有不少書籍在講解理論和代碼時詳盡而深入，卻沒有涉及核心問題：要解決這個問題，為什么非用深度學習或機器學習不可？沒有這些方法就不能做嗎？用深度學習處理該問題的優勢是什么？是十全十美，還是存在問題？
打開本書，我驚喜地發現它并非像市面上的其他書籍那樣，直接把各種新鮮概念放到讀者面前并強迫他們接受。它一開始就沒有在機器學習概念上過多糾纏，而是先快速展示了簡短的AI實現代碼的結構和流程，然后帶出一些常常讓初學者疑惑的問題，針對這些問題再帶出新的內容。我們可以看到，本書每一章都用到了類似的形式：闡述一個領域中的實際問題，提出不同的解決方法，簡要探討不同的方法，找到人們難以解決的問題，然后解釋機器學習或深度學習處理這些問題的原理。讀者了解到的并非單純的機器學習理論，而是不同領域的具體技術挑戰和相關算法的解決方案，從而理解機器學習的真正意義。
必須要說的是，作者在美國工作多年，養成了求真務實和獨立思考的習慣，我們從書中能感受到他獨特的風格，并有愉悅的閱讀體驗。本書在理論講解方面也沒有概念堆砌的枯燥無味，作者常常加入一些對技術的調侃和個人見解，以供讀者思考。在代碼解析階段，作者著眼于整體框架與流程，把重點放在理論中的網絡結構如何在實際代碼中實現，而不會浪費篇幅在代碼的語言細節上。
閱讀本書，不但是對不同領域AI開發的學習，也是一次以資深程序員的視角去審視相關代碼實現的體驗。本書無論是對于應用開發程序員，還是對于算法研究人員，都相當有價值，非常值得閱讀。
喻杰博士，華為智能車云首席技術官
2019年12月
推薦序三
隨著AlphaGo在人機大戰中一舉成名，關于機器學習的研究開始備受人們關注。機器學習和神經網絡已經被廣泛應用于互聯網的各個方面，例如搜索、廣告、無人駕駛、智能家居，等等。AI井噴式發展的主要動力如下。
其一，數據的積累。各大IT公司都擁有了自己的數據平臺，數據積累的速度越來越快。各大高校針對不同的機器學習任務，積累了多樣化的數據集。
其二，計算機性能指數級的增長。從當初的CPU到GPU，再從GPU到專門為AI設計的芯片，都提供了強大而高效的并行計算能力，大大推動了AI算法的進步。
其三，AI理論及模型的突破，例如卷積網絡、長短期記憶等。
其四，深度學習開源框架日趨完善。TensorFlow是當前領先的深度學習開源框架，越來越多的人在使用它從事計算機視覺、自然語言處理、語音識別和一般性的預測分析工作。TensorFlow集成的Keras是為人類而非機器設計的API，易于學習和使用。
這是一本非常適合程序員入門和實踐深度學習的書，理論和實踐并重，使用Keras作為機器學習框架，側重于AI 算法實現。
本書以從代碼出發，再回歸AI相關原理為宗旨，深入淺出、循序漸進地講解了Keras及常見的深度學習網絡，還講解了深度學習在不同領域的應用及模型的部署與服務。讀者在一步步探索AI算法奧秘的同時，也在享受解決問題的喜悅和成就感，并開啟深度學習之旅。
衷心地希望有志于AI學習的讀者抓住機會，早做準備，成為AI時代的弄潮兒。
王昀績，Google AI高級研究員
2019年12月 |
內容簡介：隨著AI技術的普及，如何快速理解、掌握并應用AI技術，成為絕大多數程序員亟需解決的問題。本書基于Keras框架并以代碼實現為核心，詳細解答程序員學習AI算法時的常見問題，對機器學習、深度神經網絡等概念在實際項目中的應用建立清晰的邏輯體系。本書分為上下兩篇，上篇（第1∼4章）可幫助讀者理解并獨立開發較簡單的機器學習應用，下篇（第5∼9章）則聚焦于AI技術的三大熱點領域：推薦系統、自然語言處理（NLP）及圖像處理。其中，第1章通過具體實例對Keras的機器學習實現進行快速介紹并給出整體概念；第2章從簡單的神經元開始，以實際問題和代碼實現為引導，逐步過渡到多層神經網絡的具體實現上，從代碼層面講解神經網絡的工作模式；第3章講解Keras的核心概念和使用方法，幫助讀者快速入門Keras；第4章講解機器學習中的常見概念、定義及算法；第5章介紹推薦系統的常見方案，包括協同過濾的不同實現及Wide＆Deep模型等；第6章講解循環神經網絡（RNN）的原理及Seq2Seq、Attention等技術在自然語言處理中的應用；第7∼8章針對圖像處理的分類及目標識別進行深度討論，從代碼層面分析Faster RCNN及YOLO v3這兩種典型識別算法；第9章針對AI模型的工程部署問題，引入TensorFlow Serving并進行介紹。本書主要面向希望學習AI開發或者轉型算法的程序員，也可以作為Keras教材，幫助讀者學習Keras在不同領域的具體應用。 |
目錄：上篇
第1章 機器學習的HELLO WORLD 2
1.1 機器學習簡介 2
1.2 機器學習應用的核心開發流程 3
1.3 從代碼開始 6
1.3.1 搭建環境 6
1.3.2 一段簡單的代碼 7
1.4 本章小結 9
1.5 本章參考文獻 9
第2章 手工實現神經網絡 10
2.1 感知器 10
2.1.1 從神經元到感知器 10
2.1.2 實現簡單的感知器 12
2.2 線性回歸、梯度下降及實現 15
2.2.1 分類的原理 15
2.2.2 損失函數與梯度下降 16
2.2.3 神經元的線性回歸實現 18
2.3 隨機梯度下降及實現 21
2.4 單層神經網絡的Python實現 23
2.4.1 從神經元到神經網絡 23
2.4.2 單層神經網絡：初始化 25
2.4.3 單層神經網絡：核心概念 27
2.4.4 單層神經網絡：前向傳播 28
2.4.5 單層神經網絡：反向傳播 29
2.4.6 網絡訓練及調整 34
2.5 本章小結 38
2.6 本章參考文獻 38
第3章 上手KERAS 39
3.1 Keras簡介 39
3.2 Keras開發入門 40
3.2.1 構建模型 40
3.2.2 訓練與測試 42
3.3 Keras的概念說明 44
3.3.1 Model 44
3.3.2 Layer 48
3.3.3 Loss 65
3.4 再次代碼實戰 70
3.4.1 XOR運算 70
3.4.2 房屋價格預測 73
3.5 本章小結 75
3.6 本章參考文獻 76
第4章 預測與分類：簡單的機器學習應用 77
4.1 機器學習框架之sklearn簡介 77
4.1.1 安裝sklearn 78
4.1.2 sklearn中的常用模塊 78
4.1.3 對算法和模型的選擇 79
4.1.4 對數據集的劃分 80
4.2 初識分類算法 80
4.2.1 分類算法的性能度量指標 81
4.2.2 樸素貝葉斯分類及案例實現 86
4.3 決策樹 90
4.3.1 算法介紹 90
4.3.2 決策樹的原理 91
4.3.3 實例演練 96
4.3.4 決策樹優化 99
4.4 線性回歸 101
4.4.1 算法介紹 101
4.4.2 實例演練 101
4.5 邏輯回歸 102
4.5.1 算法介紹 102
4.5.2 多分類問題與實例演練 107
4.6 神經網絡 108
4.6.1 神經網絡的歷史 108
4.6.2 實例演練 114
4.6.3 深度學習中的一些算法細節 117
4.7 本章小結 120
4.8 本章參考文獻 120
下篇
第5章 推薦系統基礎 122
5.1 推薦系統簡介 122
5.2 相似度計算 124
5.3 協同過濾 125
5.3.1 基于用戶的協同過濾 126
5.3.2 基于物品的協同過濾 128
5.3.3 算法實現與案例演練 129
5.4 LR模型在推薦場景下的應用 131
5.5 多模型融合推薦模型：Wide＆Deep模型 135
5.5.1 探索-利用困境的問題 135
5.5.2 Wide＆Deep模型 137
5.5.3 交叉特征 137
5.6 本章小結 145
5.7 本章參考文獻 145
第6章 項目實戰：聊天機器人 146
6.1 聊天機器人的發展歷史 146
6.2 循環神經網絡 148
6.2.1 Slot Filling 148
6.2.2 NLP中的單詞處理 150
6.2.3 循環神經網絡簡介 153
6.2.4 LSTM網絡簡介 154
6.3 Seq2Seq原理介紹及實現 157
6.3.1 Seq2Seq原理介紹 157
6.3.2 用Keras實現Seq2Seq算法 158
6.4 Attention 173
6.4.1 Seq2Seq的問題 174
6.4.2 Attention的工作原理 175
6.4.3 Attention在Keras中的實現 178
6.4.4 Attention示例 180
6.5 本章小結 185
6.6 本章參考文獻 185
第7章 圖像分類實戰 187
7.1 圖像分類與卷積神經網絡 187
7.1.1 卷積神經網絡的歷史 187
7.1.2 圖像分類的3個問題 188
7.2 卷積神經網絡的工作原理 190
7.2.1 卷積運算 191
7.2.2 傳統圖像處理中的卷積運算 193
7.2.3 Pooling 195
7.2.4 為什么卷積神經網絡能達到較好的效果 197
7.3 案例實戰：交通圖標分類 200
7.3.1 交通圖標數據集 200
7.3.2 卷積神經網絡的Keras實現 202
7.4 優化策略 209
7.4.1 數據增強 210
7.4.2 ResNet 214
7.5 本章小結 216
7.6 本章參考文獻 217
第8章 目標識別 218
8.1 CNN的演化 218
8.1.1 CNN和滑動窗口 218
8.1.2 RCNN 220
8.1.3 從Fast RCNN到Faster RCNN 223
8.1.4 Faster RCNN核心代碼解析 228
8.2 YOLO 242
8.2.1 YOLO v1 242
8.2.2 YOLO v2 248
8.2.3 YOLO v3 251
8.3 YOLO v3的具體實現 253
8.3.1 數據預處理 253
8.3.2 模型訓練 260
8.4 本章小結 293
8.5 本章參考文獻 294
第9章 模型部署與服務 296
9.1 生產環境中的模型服務 296
9.2 TensorFlow Serving的應用 299
9.2.1 轉換Keras模型 299
9.2.2 TensorFlow Serving部署 302
9.2.3 接口驗證 303
9.3 本章小結 307
9.4 本章參考文獻 308 |
| 序： |
|
