欢迎光临中图网 请 | 注册
> >
博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践

作者:张玉宏
出版社:电子工业出版社出版时间:2018-07-01
开本: 16开 页数: 654
中 图 价:¥89.6(7.0折) 定价  ¥128.0 登录后可看到会员价
加入购物车 收藏
运费6元,满69元免运费
?快递不能达地区使用邮政小包,运费14元起
云南、广西、海南、新疆、青海、西藏六省,部分地区快递不可达
本类五星书更多>

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践 版权信息

  • ISBN:9787121342462
  • 条形码:9787121342462 ; 978-7-121-34246-2
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践 本书特色

深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和实践,全书共分16章,采用理论和实践双主线写作方式。 第1章给出深度学习的大图。第2章和第3章,讲解了机器学习的相关基础理论。第4章和第5章,讲解了Python基础和基于Python的机器学习实战。第6至10章,先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络,并给出了相关的实战项目。第14章和第15章,分别讲解了循环递归网络和长短期记忆(LSTM)网络。第16章讲解了神经胶囊网络,并给出了神经胶囊网络设计的详细论述和实践案例分析。

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践 内容简介

√零入门。本书在介绍深度学习时,也介绍了Python、TensorFlow、M-P模型、感知机等神经网络等基础知识,从而可以让读者零基础入门。 √高可读。有别于其他同类书籍的深奥难懂,本书配合近300幅手绘图片,一图胜千言,辅以大量的哲理故事,通俗易懂,独辟蹊径。 √重实战。除了理论部分的讲解不落窠臼,本书还重视实战,列举了大量具有启发意义的实战案例,循序渐进,让读者通过实战获得成就感。 √抓前沿。本书紧抓领域前沿,Geoffrey Hinton的新研究成果——神经胶囊网络,本书详细解读,辅以实战,让读者能够站在科研前沿。

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践 目录

第1章 一入侯门“深”似海,深度学习深几许 ........... 1
1.1 深度学习的巨大影响 .....................................2
1.2 什么是学习 ..... 4
1.3 什么是机器学习 ........................................... 4
1.4 机器学习的4个象限 ......................................5
1.5 什么是深度学习 .......................................... 6
1.6 “恋爱”中的深度学习 .................................... 7
1.7 深度学习的方法论 .......................................9
1.8 有没有浅层学习 ..........................................13
1.9 本章小结 ....... 14
1.10 请你思考 ..... 14
参考资料 ................ 14
第2章 人工“碳”索意犹尽,智能“硅”来未可知 . 16
2.1 信数据者得永生吗 .....................................17
2.2 人工智能的“江湖定位”............................... 18
2.3 深度学习的归属 ........................................19
2.4 机器学习的形式化定义 ...............................21
2.5 为什么要用神经网络 ...................................24
2.6 人工神经网络的特点 .................................. 26
2.7 什么是通用近似定理 .................................. 27
2.8 本章小结 ....... 31
2.9 请你思考 ....... 31
参考资料 ................ 31
第3章 “机器学习”三重门,“中庸之道”趋若人 ... 33
3.1 监督学习 ....... 34
3.1.1 感性认知监督学习 ..................................34
3.1.2 监督学习的形式化描述 ........................... 35
3.1.3 k-近邻算法 ...........................................37
3.2 非监督学习 ... 39
3.2.1 感性认识非监督学习 .............................. 39
3.2.2 非监督学习的代表—K均值聚类 ........... 41
3.3 半监督学习 ... 45
3.4 从“中庸之道”看机器学习............................ 47
3.5 强化学习 ....... 49
3.6 本章小结 ....... 52
3.7 请你思考 ....... 53
参考资料 ................ 53
第4章 人生苦短对酒歌, 我用Python乐趣多 ........55
4.1 Python概要 ... 56
4.1.1 为什么要用Python ................................. 56
4.1.2 Python中常用的库 ..................................58
4.2 Python的版本之争 .....................................61
4.3 Python环境配置 ....................................... 65
4.3.1 Windows下的安装与配置 .........................65
4.3.2 Mac下的安装与配置 .................................72
4.4 Python编程基础 ....................................... 76
4.4.1 如何运行Python代码 ................................77
4.4.2 代码缩进 ................................................79
4.4.3 注释 ... 80
4.4.4 Python中的数据结构 ................................ 81
4.4.5 函数的设计 ............................................. 93
4.4.6 模块的导入与使用 .................................... 101
4.4.7 面向对象程序设计 .................................... 102
4.5 本章小结 ..... 112
4.6 请你思考 ..... 112
参考资料 .............. 113
第5章 机器学习终觉浅,Python带我来实践 ......... 114
5.1 线性回归 ..... 115
5.1.1 线性回归的概念 .......................................115
5.1.2 简易线性回归的Python实现详解 ........... 119
5.2 k-近邻算法 .. 139
5.2.1 k-近邻算法的三个要素 ............................. 140
5.2.2 k-近邻算法实战 .......................................143
5.2.3 使用scikit-learn实现k-近邻算法 ............ 155
5.3 本章小结 ..... 162
5.4 请你思考 ..... 162
参考资料 .............. 162
第6章 神经网络不胜语,M-P模型似可寻 ............. 164
6.1 M-P神经元模型是什么 ................................165
6.2 模型背后的那些人和事 .................................167
6.3 激活函数是怎样的一种存在............................175
6.4 什么是卷积函数 ..........................................176
6.5 本章小结 ..... 177
6.6 请你思考 ..... 178
参考资料 .............. 178
第7章 Hello World感知机,懂你我心才安息 ......... 179
7.1 网之初,感知机 ...........................................180
7.2 感知机名称的由来 ........................................180
7.3 感性认识“感知机” ........................................183
7.4 感知机是如何学习的 ......................................185
7.5 感知机训练法则 ............................................187
7.6 感知机的几何意义 .........................................190
7.7 基于Python的感知机实战 ..............................191
7.8 感知机的表征能力 .........................................196
7.9 本章小结 ..... 199
7.10 请你思考 ... 199
参考资料 .............. 199
第8章 损失函数减肥用,神经网络调权重 ............201
8.1 多层网络解决“异或”问题........................... 202
8.2 感性认识多层前馈神经网络........................ 205
8.3 是浅而“胖”好,还是深而“瘦”佳 ................. 209
8.4 分布式特征表达 ......................................... 210
8.5 丢弃学习与集成学习 ................................... 211
8.6 现实很丰满,理想很骨感.............................. 212
8.7 损失函数的定义 ......................................... 213
8.8 热力学定律与梯度弥散 ................................ 215
8.9 本章小结 ..... 216
8.10 请你思考 ... 216
参考资料 .............. 217
第9章 山重水复疑无路,*快下降问梯度 .............. 219
9.1 “鸟飞派”还飞不 ......................................... 220
9.2 1986年的那篇神作 .................................... 221
9.3 多层感知机网络遇到的大问题 ....................... 222
9.4 神经网络结构的设计 ................................... 225
9.5 再议损失函数 ............................................ 227
9.6 什么是梯度 . 229
9.7 什么是梯度递减 .......................................... 231
9.8 梯度递减的线性回归实战............................... 235
9.9 什么是随机梯度递减 .................................... 238
9.10 利用SGD解决线性回归实战 ........................ 240
9.11 本章小结 ... 247
9.12 请你思考 ... 248
参考资料 .............. 248
第10章 BP算法双向传,链式求导*缠绵 ............. 249
10.1 BP算法极简史 ........................................... 250
10.2 正向传播信息 ............................................ 251
10.3 求导中的链式法则 ...................................... 255
10.4 误差反向传播 ............................................ 264
10.4.1 基于随机梯度下降的BP算法 .............. 265
10.4.2 输出层神经元的权值训练 ..................... 267
10.4.3 隐含层神经元的权值训练 ..................... 270
10.4.4 BP算法的感性认知 ............................... 273
10.4.5 关于BP算法的补充说明 ...................... 278
10.5 BP算法实战详细解释 ................................ 280
10.5.1 初始化网络 .......................................... 280
10.5.2 信息前向传播 ....................................... 282
10.5.3 误差反向传播 ....................................... 285
10.5.4 训练网络(解决异或问题) ................. 288
10.5.5 利用BP算法预测小麦品种的分类 ...... 293
10.6 本章小结 ... 301
10.7 请你思考 ... 302
参考资料 .............. 304
第11章 一骑红尘江湖笑,TensorFlow谷歌造 ....... 305
11.1 TensorFlow概述 ..................................... 306
11.2 深度学习框架比较 ..................................... 309
11.2.1 Theano .............................................. 309

展开全部

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践 相关资料

要想战胜深度学习陡峭的学习曲线,领悟到它的美,其实需要很长的学习时间,也要求具有一定的数学功底。而这本《深度学习之美》内容丰富,紧抓前沿,用轻松的语言和恰当的类比帮助大家越过晦涩的公式,行文流畅、图文并茂,是一本难得的零基础入门教程。 ——知衣科技CEO,郑泽宇 科普书籍有两种写法,一种是用通俗语言讲解深奥概念,另一种是用江湖传闻诉说来龙去脉。很显然,作者将两者很好地进行了融合。很少见到把深度学习的大众科普与前沿科学结合在一本书中论述,且不致人迷茫的,本书的作者做到了。因此,强烈建议所有对深度学习望而生畏却又心驰神往的人持卷品读。 ——科大讯飞研究院研究主管,李鑫 深度学习给人的反应往往是复杂的网络结构和繁冗的数学公式,让人望而却步。张博士所著的这本《深度学习之美》却能独辟蹊径,不落窠臼,于轻松嬉笑间将深度学习的道理娓娓道来,让人在享受阅读的同时领悟深度学习之美,可谓雅俗共赏的科普佳作。 ——极客时间专栏作者、贵州大学副教授,王天一 作者十分擅长以幽默、浅显的语言讲解复杂的知识,在介绍专业知识的同时还介绍了每项技术发展的历史脉络。这些历史故事不仅为本书增添了趣味性,更能帮助读者理解每项技术是在什么条件下为解决什么问题而开发的,十分可贵。相信无论是专业人士还是非专业人士,在阅读本书时都能有所收获。 ——Google机器翻译组工程师,梁博文

博文视点AI系列深度学习之美:AI时代的数据处理与最佳实践 作者简介

张玉宏,1980年3月生,河南罗山人,2012年博士毕业于电子科技大学,2009年~2011年在美国西北大学(Northwestern University)访学,电子科技大学博士后。阿里云栖社区认证技术专栏作家。发表SCI/EI论文10余篇,出版《品味大数据》等畅销著作2部,参编英文学术专著2部。主要研究方向为高性能计算、大数据、机器学习等。

商品评论(0条)
暂无评论……
书友推荐
编辑推荐
返回顶部
中图网
在线客服