企業級AI技術內幕：深度學習框架開發+機器學習案例實戰+Alluxio解密 ( 簡體 字) |
| 作者：王家林、段智華 | 類別：1. -> 程式設計 -> 人工智慧
2. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53784
詢問書籍請說出此書號！【有庫存】
NT售價： 840 元 |
| 出版日：11/1/2020 |
| 頁數：640 |
| 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：9787302561774 |
| 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：《企業級AI技術內幕：深度學習框架開發+機器學習案例實戰+Alluxio解密》分為盤古人工智能框架開發專題篇、機器學習案例實戰篇、分布式內存管理Alluxio解密篇，分別對人工智能開發框架、機器學習案例及Alluxio系統進行透徹解析。
盤古人工智能框架開發專題篇，通過代碼講解多層次神經網絡、前向傳播算法、反向傳播算法、損失度計算及可視化、自適應學習和特征歸一化等內容。
機器學習案例實戰篇，選取機器學習中最具代表性的經典案例，透徹講解機器學習數據預處理、簡單線性回歸、多元線性回歸、多項式回歸、支持向量回歸、決策樹回歸、隨機森林回歸等回歸算法，邏輯回歸、k近鄰算法、支持向量機、樸素貝葉斯、決策樹分類、隨機森林分類等分類算法、ｋ均值聚類、層次聚類等聚類算法，以及關聯分析算法，并對回歸模型、分類模型進行性能評估。
分布式內存管理Alluxio解密篇，詳細講解Alluxio架構、部署、底層存儲及計算應用、基本用法、運行維護等內容。 |
目錄：盤古人工智能框架開發專題篇
第1章導論：為什么人工智能是必然的未來---3
1.1為什么一定需要人工智能--3
1.2人工智能為何如此強大---4
1.3學習人工智能的正道---6
1.4人工智能、機器學習、深度學習三者之間的關系--6
1.5人工智能的十大經典應用場景--7
1.6人工智能在海量數據處理中不可替代的原因--9
1.7本書開發環境的安裝---10
第2章盤古人工智能框架多層次神經網絡的實現---12
2.1盤古人工智能框架---12
2.2實現神經網絡的節點結構--17
2.3實現神經網絡層之間節點的連接--25
2.4如何初始化神經網絡的權重--29
2.5實現多個隱藏層---30
第3章盤古人工智能框架的前向傳播功能---35
3.1前向傳播功能---35
3.1.1從TensorFlow的可視化運行過程理解前向傳播功能-35
3.1.2從架構層面理解前向傳播功能---37
3.1.3理解前向傳播原理--37
3.2在每個節點上增加數據的輸入和計算結果---39
3.3實現前向傳播算法---45
3.4使用Sigmoid函數作為激活函數--49
3.5測試前向傳播算法并分析計算結果---51
第4章盤古人工智能框架的反向傳播功能---54
4.1深度學習是如何學習的---54
4.2實現反向傳播算法---60
4.3反向傳播算法測試及分析計算結果---67
第5章盤古人工智能框架的損失度計算及其可視化--71
5.1關于損失度的思考——所有人工智能框架終身的魔咒-71
5.2編碼實現損失度并進行測試--74
5.3損失度可視化運行結果---77
第6章通過特征歸一化和自適應學習優化盤古人工智能框架-81
6.1盤古人工智能框架性能測試及問題剖析---81
6.2使用特征歸一化進行性能優化--87
6.3使用自適應學習進行性能優化--91
第7章盤古人工智能框架實現方法大總結---96
7.1盤古人工智能框架性能測試--96
7.2神經網絡實現及和TensorFlow的對比---97
7.3前向傳播算法實現及其和TensorFlow的算法對比--98
7.4反向傳播算法實現及與TensorFlow的對比--99
7.5損失度計算實現與TensorFlow的對比---100
7.6人工智能盤古框架源代碼--103
第8章使用矩陣的方式編寫人工智能框架---115
8.1使用矩陣編寫人工智能框架--115
8.2測試及分析計算結果---121
8.3對使用矩陣方式編寫的人工智能框架進行優化--125
第9章使用四種性能優化矩陣編寫人工智能框架--129
9.1梯度下降陷阱---130
9.2增加和調整alpha參數--131
9.3人工智能框架的改進優化--137
第10章人工智能及感知元解密--146
10.1人工智能是什么，怎么做，前景為什么好--146
10.2計算機視覺面臨的困境及突破--148
10.3感知器解密---149
10.4計算機圖像識別---151
第11章神經網絡結構及Sigmoid函數---159
11.1神經網絡實現與非門---159
11.2神經網絡為什么能夠完成各類計算---160
11.3神經網絡的結構解密---162
11.4Sigmoid函數背后的設計和實現密碼---163
11.5Sigmoid函數的弱點及改進--166
第12章用神經網絡識別手寫數字--173
12.1神經網絡識別手寫數字的原理--173
12.2為何識別數字的三層神經網絡輸出層為10個神經元-175
-IV-
12.3MINST數據集圖片庫解析--176
12.4使用PyTorch框架編碼實現MNIST手寫數字識別程序-178
第13章人工智能框架編寫中關于損失度及梯度下降的設計與實現-187
13.1損失函數的本質剖析--187
13.2梯度下降的本質---187
13.3隨機梯度下降法的設計和實現--189
13.4通過一個簡單示例理解梯度下降---191
第14章MNIST數字識別---194
14.1MNIST數據的加載---194
14.2神經網絡的初始化---199
14.3前向傳播和反向傳播函數--201
14.4小批量隨機梯度下降--204
14.5損失函數及評估函數--205
14.6超參數調優---206
第15章從矩陣視角剖析神經網絡的運行過程---211
15.1點積和外積的本質---211
15.2從矩陣的視角剖析神經網絡的計算過程---213
15.3神經網絡中的損失函數--215
15.4人工智能框架神經網絡四個核心數學公式--216
第16章Spark+PyTorch開發應用--221
16.1PyTorch深度學習框架案例--221
16.1.1案例的應用場景解析--221
16.1.2案例的數據分析及預處理---221
16.1.3PyTorch深度學習案例實戰---226
16.1.4PyTorch預訓練BERT模型解讀--249
16.2Spark+Alluxio+PyTorch綜合開發案例---258 |
| 序： |
