-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習的數學:用數學開啟深度學習的大門

( 繁體 字)
作者:涌井良幸、涌井貞美類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:博碩文化深度學習的數學:用數學開啟深度學習的大門 3dWoo書號: 52683
詢問書籍請說出此書號!

缺書
NT定價: 500
折扣價: 375

出版日:4/30/2020
頁數:240
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:9789864344802
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

【數學王道】01掌握數學才能開啟深度學習的大門注重理解才能走向數學應用之大道許多人在求學時期接觸數學的時候總是意興闌珊,總覺得只要四則運算就能夠應付大部分的日常所需,什麼指數、對數、向量、三角函數,甚至微積分,常常是不求甚解而只求低空飛過。等到機器學習、深度學習等掘起,人們才突然了解到那些數學知識的確是有用的,它們才是這些領域入門的鑰匙。不論您是曾經放棄過數學,還是想要重溫數學的知識,透過本書都可以讓您迅速重回數學的懷抱。書中擅用比喻的方式,務使讀者能夠從基礎原理開始理解,並佐以簡明扼要的範例加以解說,使讀者循序漸進地理解深度學習的諸多關鍵字,像是:權重、偏壓、啟動函數、梯度下降法、誤差反向傳播法、卷積神經網路......等。搭配清楚且直觀的插圖,就連高中生也看得懂!不管什麼樣的職業或年紀,只要拿起這本書,就能使數學成為您強而有力的武器。除了理解之外,本書也重視實際動手作。您可以下載書中資源,親自用Excel檔來接觸深度學習的數學操作。輸入不同的數字並觀察其變化,相信會使讀者更能夠了解公式的涵義。本書內容第1章 神經網路的概說第2章 理解神經網路所需的數學基礎知識第3章 神經網路的最佳化第4章 神經網路和誤差反向傳播法第5章 深度學習和卷積神經網路。書中使用Excel進行理論驗證,幫助讀者直觀地體驗深度學習的原理。
目錄:

第 1 章 神經網路的概說
1-1 神經網路和深度學習
1-2 神經元行為的數學表示
1-3 啟動函數:將神經元的行為一般化
1-4 什麼是神經網路
1-5 用惡魔來講解神經網路的結構
1-6 將惡魔的行為翻譯成神經網路的語言
1-7 網路自主學習的神經網路

第 2 章 神經網路的數學基礎
2-1 神經網路所需的函數
2-2 有助於理解神經網路的數列和遞推關係式
2-3 神經網路中經常用到的 Σ 符號
2-4 有助於理解神經網路的向量基礎
2-5 有助於理解神經網路的矩陣基礎
2-6 神經網路的微分基礎
2-7 神經網路的偏微分基礎
2-8 誤差反向傳播法必備的連鎖律
2-9 梯度下降法的基礎:多變數函數的近似公式
2-10 梯度下降法的涵義與公式
2-11 用 Excel 體驗梯度下降法
2-12 最優化問題和迴歸分析

第 3 章 神經網路的最佳化
3-1 神經網路的參數和變數
3-2 神經網路的變數的關係式
3-3 學習資料和正解
3-4 神經網路的成本函數
3-5 用 Excel 體驗神經網路

第 4 章 神經網路和誤差反向傳播法
4-1 梯度下降法的回顧
4-2 神經單元誤差 δ
4-3 神經網路和誤差反向傳播法
4-4 用 Excel 體驗神經網路的誤差反向傳播法

第 5 章 深度學習和卷積神經網路
5-1 用小惡魔來講解卷積神經網路的結構
5-2 將小惡魔的行為翻譯成卷積神經網路的語言
5-3 卷積神經網路的變數關係式
5-4 用 Excel 體驗卷積神經網路
5-5 卷積神經網路和誤差反向傳播法
5-6 用 Excel 體驗卷積神經網路的誤差反向傳播法

附錄
A 訓練資料(1)
B 訓練資料(2)
C 用數學式表示模式的相似度
序: