 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習商業應用開發指南: 從對話機器人到醫療圖像處理 ( 簡體 字) |
| 作者：Armando Vieira Bernardete Ribeir編著 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者：張向東 江超譯 |
| 出版社：北京航空航天大學出版社 |  3dWoo書號： 51892
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：9/1/2019 |
| 頁數：218 |
| 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：9787512430396 |
| 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：深度學習演算法的一個關鍵特性是能夠以*少的監督學習大量資料，這與通常需要較少(標記)資料的淺層模型不同。本書將探索一些示例，例如使用完全卷積神經網路和殘差神經網路進行視頻預測和圖像分割，這個應用已經在ImageNet圖像識別競賽中取得了較佳的性能。同時，通過這些技術的應用，讀者還將學習到更多的圖像識別技術和認識到一些活躍的初創公司。
通過本書中的示例，讀者還將探索深度學習演算法相對于其他傳統(淺層)機器學習演算法的優勢；學習Word2vec、skip thought vectors和Item2Vec等技術；通過學習嵌入式語言翻譯模型練習使用長短期記憶網路單元和Sequence 2 Sequence模型。
此外,本書還將帶領讀者瞭解深度學習業務中的一些重要發現和影響，以及採用該技術的主要公司和初創公司。*後本書將介紹一些訓練深度學習模型的框架、關鍵方法和微調模型的技巧。
書中的實操編碼示例在Keras中,使用Python 3.6完成。
|
目錄：第一部分 背景和基礎知識
第1章 緒 論
1.1 範圍和動機
1.2 深度學習領域的挑戰
1.3 目標受眾
1.4 本書結構
第2章 深度學習概述
2.1 冬去春來
2.2 為什麼DL不同?
2.2.1 機器時代
2.2.2 對DL的一些批評
2.3 資 源
2.3.1 圖 書
2.3.2 簡 訊
2.3.3 博 客
2.3.4 線上視頻和課程
2.3.5 播 客
2.3.6 其他網路資源
2.3.7 從一些不錯的地方開始學習
2.3.8 會 議
2.3.9 其他資源
2.3.10 DL框架
2.3.11 DL即服務(DLAS,DL As a Service)
2.4 最近的發展
2.4.1 2016年
2.4.2 2017年
2.4.3 演化演算法
2.4.4 創造力
第3章 深度神經網路模型
3.1 神經網路簡史
3.1.1 多層感知器
3.2 什麼是深度神經網路
3.3 玻耳茲曼機器
3.3.1 受限玻耳茲曼機器
3.3.2 深度信念網路
3.3.3 深度玻耳茲曼機器
3.4 卷積神經網路
3.5 深度自動編碼器
3.6 遞迴神經網路
3.6.1 強化學習的RNN
3.6.2 LSTM
3.7 生成模型
3.7.1 變分自動編碼器
3.7.2 生成性對抗網路
第二部分 深度學習:核心應用
第4章 影像處理
4.1 CNN 影像處理模型
4.2 ImageNet及其他
4.3 圖像分割
4.4 圖像標題
4.5 視覺問答(VQA)
4.6 視頻分析
4.7 GAN 和生成模型
4.8 其他應用
4.8.1 衛星圖像
4.9 新聞和公司
4.10 協力廠商工具和API
第5章 自然語言處理及語音
5.1 解 析
5.2 分散式表示
5.3 知識表示與知識圖譜
5.4 自然語言翻譯
5.5 其他應用
5.6 多模態學習與問答
5.7 語音辨識
5.8 新聞與資源
5.9 總結與思考展望
第6章 強化學習和機器人
6.1 什麼是強化學習
6.2 傳統的RL
6.3 DNN 強化學習
6.3.1 確定性政策梯度
6.3.2 深層確定性政策梯度
6.3.3 深度Q 學習
6.3.4 Actor Critic演算法
6.4 機器人與控制
6.5 自動駕駛汽車
6.6 會話機器人(聊天機器人)
6.7 新聞聊天機器人
6.8 應 用
6.9 展 望
6.10 自動駕駛汽車的相關新聞
第三部分 深度學習:商務應用
第7章 推薦演算法和電子商務
7.1 線上用戶行為
7.2 重新定向
7.3 推薦演算法
7.3.1 協同篩檢程式
7.3.2 RS的深度學習演算法
7.3.3 Item2Vec
7.4 推薦演算法的應用
7.5 未來發展方向
第8章 遊戲和藝術
8.1 早期的國際象棋
8.2 從國際象棋到圍棋
8.3 其他遊戲和新聞
8.3.1 Doom
8.3.2 Dota
8.3.3 其他應用
8.4 人造角色
8.5 藝術中的應用
8.6 音 樂
8.7 多模態學習
8.8 其他應用
第9章 其他應用
9.1 異常檢測與欺詐
9.1.1 欺詐預防
9.1.2 網上評論的欺詐行為
9.2 安保及防範
9.3 預 測
9.3.1 交易和對沖基金
9.4 醫學和生物醫學
9.4.1 影像處理醫學圖像
9.4.2 生物組學
9.4.3 藥物發現
9.5 其他應用
9.5.1 用戶體驗
9.5.2 大數據
9.6 未 來
第四部分 機遇與展望
第10章 深度學習技術的商務影響
10.1 深度學習機會
10.2 電腦視覺
10.3 AI助手
10.4 法 律
10.5 放射學和醫學圖像
10.6 自動駕駛汽車
10.7 資料中心
10.8 利用DL建立競爭優勢
10.9 人 才
10.10 光有準確度還不夠
10.11 風 險
10.12 當個人助理變得比我們好
第11章 新近研究和未來方向
11.1 研 究
11.1.1 注意機制
11.1.2 多模式學習
11.1.3 一次性學習
11.1.4 強化學習和推理
11.1.5 生成神經網路
11.1.6 生成性對抗神經網路
11.1.7 知識轉移和學會學習
11.2 何時不使用深度學習
11.3 新 聞
11.4 人工智慧在社會中的倫理和啟示
11.5 AI中的隱私和公共政策
11.6 初創公司和風險投資
11.7 未 來
11.7.1 用較少的數據學習
11.7.2 轉移學習
11.7.3 多工學習
11.7.4 對抗性學習
11.7.5 少量學習
11.7.6 元學習
11.7.7 神經推理
附錄A 用Keras訓練DNN
A.1 Keras框架
A.1.1 在Linux中安裝Keras/
A.1.2 模 型
A.1.3 核心層
A.1.4 損失函數
A.1.5 培訓和測試
A.1.6 回 調
A.1.7 編譯和擬合
A.2 深度和寬度模型
A.3 用於圖像分割的FCN
A.3.1 序列到序列
A.4 多層感知器的反向傳播
參考文獻
|
| 序： |
|
