AlphaGo如何戰勝人類圍棋大師——智能硬件TensorFlow實踐 ( 簡體 字) |
| 作者：陳震 鄭文勛 | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 49426
詢問書籍請說出此書號！【缺書】
NT售價： 195 元 |
| 出版日：7/1/2018 |
| 頁數：121 |
| 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：9787302492702 |
| 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：信息技術日新月異，機器智能更是一個快速發展的領域，其所引發的社會變化和帶來的社會影響也是巨大的。圍繞這一領域的熱點技術，如深度學習和強化學習，涉及一些基礎數學知識，包括微積分、線性代數和優化理論等。機器智能作為計算機科學的一個應用，雖然涉及計算機體系結構、分布式系統、軟硬件協同設計、算法與數據管理等諸多計算機理論知識，但其核心內容還是算法與數據。
AlphaGo戰勝人類圍棋大師，其實就是人類所創造的智能工具能力的勝利，是科學理性的勝利。AlphaGo的成功，證明了基于深度強化學習和蒙特卡洛樹搜索方法的機器智能，在很多規則清晰的場景下完全可以比人類做得更好。
機器智能的領域不斷擴大，遇到的問題也越來越多，需要人們不斷創新，不斷深入探究。近些年來的教學實踐表明，對于一個新的知識領域，在具備一定的基礎知識后，本科生完全有能力投入這一領域前沿技術的研究工作中。本書的目的就是要通過系統整理機器智能領域知識點，幫助本科同學迅速了解全貌，從而快速深入技術細節，為進一步的科研工作打下基礎。
大凡與機器智能相關的技術，都需要訓練有素的頭腦，快速分析問題與解決問題的能力。所以，本科同學要想進入這個領域，除了解、掌握本書中的知識和實踐操作外，還需要不斷地訓練自己思考問題和解決問題的能力。
本書的編寫離不開清華大學iCenter智能系統實驗室教師團隊的協助，他們是馬曉東、章屹松、王蓓和高英。本書在本科生課程“大數據智能”與“智能硬件”的實踐教學中，根據反饋意見已經做了多次修訂。實驗室學生鄭文勛、王亦凡、常嘉輝、吳垠鋆、馮杰、宋丹丹、錢鵬等多次擔任課程或單元的助教，為本書的完善做出很大貢獻。實驗室SRT學生的多次學術活動，也為本書提供了有益的參考資料。
同時，我們也得到微軟公司ETG團隊的大力支持，他們是楊滔、章艷、劉士君、閆偉。微軟公司除了提供云計算與機器學習服務支持外，還連續三屆為清華iCenter——人工智能挑戰賽提供了支持，極大方便了我們的課程教學和實驗工作。
最后，感謝所有參與我們課程及挑戰單元的同學們。他們朝氣蓬勃，銳意進取，對未知領域充滿好奇并進行著不知疲倦的探索。我們堅信，他們是學術和產業的希望及未來。
書中代碼可從清華大學出版社網站下載。
作 者2018年1月 |
內容簡介：本書主要闡述了當前機器智能的熱點技術——深度學習和強化學習技術的原理。在此基礎上，介紹AlphaGo結合深度學習和強化學習技術，如何戰勝人類圍棋大師的原理。接下來，將深度學習的理論轉化為實踐，給出如何通過掌握TensorFlow和Keras深度學習框架，制作聲控智能硬件的例子，同時給出機器視覺的對象檢測案例，指導讀者逐步學習使用深度學習技術。
本書的主要特點是實踐操作，用實用可運行的案例來上手。本書可作為實踐入門指導書，適用于對機器智能有興趣的高年級本科生，也適合于對機器智能有興趣的人員參考。 |
目錄：第1章機器智能的發展1
1.1機器智能1
1.1.1機器智能的定義1
1.1.2機器智能的分類1
1.2深度學習2
1.2.1機器智能的神經網絡方法2
1.2.2人工神經元與人工神經網絡3
1.2.3神經網絡的復興4
1.3機器學習5
1.3.1機器學習的基本原理5
1.3.2機器學習泛化能力6
1.3.3大數據是深度學習的基礎6
參考文獻7
第2章深度學習8
2.1深度學習的原理8
2.1.1人工神經元8
2.1.2多層人工神經網絡10
2.1.3神經網絡訓練11
2.2典型的神經網絡架構15
2.2.1卷積神經網絡15
2.2.2循環神經網絡17
2.2.3長短時記憶循環網絡18
2.2.4門控循環單元循環網絡19
2.3機器感知21
2.3.1語音識別21
2.3.2計算機視覺25
2.4深度學習實踐26
2.4.1建模工具26
2.4.2軟硬件工具26
2.5小結28
參考文獻28
第3章強化學習30
3.1強化學習基礎30
3.1.1強化學習概述30
3.1.2深度強化學習32
3.1.3強化學習框架35
3.2計算機圍棋36
3.2.1圍棋游戲36
3.2.2蒙特卡洛樹搜索37
3.2.3基于卷積網絡的圍棋程序43
3.3阿爾法圍棋的原理43
3.3.1阿爾法圍棋團隊44
3.3.2深度卷積網絡44
3.3.3結合策略網絡和價值網絡的蒙特卡洛樹搜索46
3.3.4阿爾法圍棋技術總結48
3.4小結49
參考文獻49
第4章TensorFlow簡介51
4.1TensorFlow51
4.2TensorFlow使用53
4.2.1TensorFlow起步53
4.2.2TensorFlow數據的結構53
4.2.3TensorFlow的工作流程54
4.3Tensor運算54
4.4導入實驗數據55
4.4.1NumpyArray方法56
4.4.2TensorFlow組件方法57
4.4.3TensorFlow示例58
4.5TensorBoard示例59
4.6小結61
參考文獻61
第5章Keras簡介62
5.1Keras62
5.2Keras組織結構63
5.2.1Models63
5.2.2CoreLayers63
5.2.3Layers63
5.2.4Activations63
5.2.5Optimizers64
5.3Keras實踐64
5.3.1Keras安裝64
5.3.2Keras使用65
5.4小結66
參考文獻66
第6章聲控智能1——預處理與訓練67
6.1聲控智能67
6.1.1語音指令67
6.1.2語音時頻譜圖68
6.1.3語音文件錄音68
6.2實驗過程69
6.2.1語音數據預處理69
6.2.2語音識別網絡70
6.2.3TensorFlow/Keras的使用73
6.3小結76
參考文獻77
第7章聲控智能2——部署78
7.1網站端——在線推斷78
7.1.1云知音網站功能78
7.1.2Flask網站搭建79
7.1.3Flask+Keras實現80
7.2移動端——離線推斷81
7.2.1移動端的網絡模型文件81
7.2.2安卓平臺的TensorFlow庫生成85
7.2.3安卓應用的TensorFlow庫調用88
7.2.4安卓應用的錄音功能調用89
7.2.5快速集成開發91
7.3小結93
參考文獻94
第8章PYNQ語音識別95
8.1PYNQ95
8.1.1PYNQ簡介95
8.1.2PYNQ拟Z1開發板95
8.1.3JupyterNotebook97
8.2實驗設計97
8.2.1PYNQ設置97
8.2.2服務器端設置99
8.3實驗過程101
8.3.1AudioInput101
8.3.2傳送云端105
參考文獻106
第9章TX1視覺對象檢測107
9.1英偉達JetsonTX1107
9.2YOLO算法107
9.2.1YOLO算法107
9.2.2YOLOv2算法110
9.2.3YOLO的TX1實踐112
9.3SSD算法113
9.3.1SSD算法介紹113
9.3.2SSD的TX1實踐113
參考文獻115
后記116
附錄APython和TensorFlow操作基礎117A.1Python實踐基礎117
A.2TensorFlow實踐基礎120 |
| 序： |
