掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 智能系統(tǒng)與技術(shù)叢書PYTHON人工智能項(xiàng)目實(shí)戰(zhàn)
開本：
16開
頁(yè)數(shù)：
240
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥55.5
加入購(gòu)物車
智能系統(tǒng)與技術(shù)叢書PYTHON人工智能項(xiàng)目實(shí)戰(zhàn) 版權(quán)信息
- ISBN：9787111637905
- 條形碼：9787111637905 ; 978-7-111-63790-5
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
智能系統(tǒng)與技術(shù)叢書PYTHON人工智能項(xiàng)目實(shí)戰(zhàn) 本書特色
通過(guò)結(jié)合深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，幫助你構(gòu)建智能而且實(shí)用的人工智能系統(tǒng)。本書涉及的項(xiàng)目涵蓋眾多領(lǐng)域，例如醫(yī)療健康、電子商務(wù)、專家系統(tǒng)、智能安防、移動(dòng)應(yīng)用和自動(dòng)駕駛，使用的技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)、基于LSTM的RNN、受限玻爾茲曼機(jī)、生成對(duì)抗網(wǎng)絡(luò)、機(jī)器翻譯和遷移學(xué)習(xí)。本書有關(guān)構(gòu)建智能應(yīng)用的理論知識(shí)將幫助讀者使用有趣的方法來(lái)拓展項(xiàng)目，令其快速創(chuàng)建有影響力的AI應(yīng)用。讀完本書之后，你將有足夠的能力建立自己的智能模型，輕松地解決來(lái)自任何領(lǐng)域的問(wèn)題。
智能系統(tǒng)與技術(shù)叢書PYTHON人工智能項(xiàng)目實(shí)戰(zhàn) 內(nèi)容簡(jiǎn)介
通過(guò)結(jié)合深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，幫助你構(gòu)建智能而且實(shí)用的人工智能系統(tǒng)。本書涉及的項(xiàng)目涵蓋眾多領(lǐng)域，例如醫(yī)療健康、電子商務(wù)、專家系統(tǒng)、智能安防、移動(dòng)應(yīng)用和自動(dòng)駕駛，使用的技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)、基于LSTM的RNN、受限玻爾茲曼機(jī)、生成對(duì)抗網(wǎng)絡(luò)、機(jī)器翻譯和遷移學(xué)習(xí)。本書有關(guān)構(gòu)建智能應(yīng)用的理論知識(shí)將幫助讀者使用有趣的方法來(lái)拓展項(xiàng)目，令其快速創(chuàng)建有影響力的AI應(yīng)用。讀完本書之后，你將有足夠的能力建立自己的智能模型，輕松地解決來(lái)自任何領(lǐng)域的問(wèn)題。
智能系統(tǒng)與技術(shù)叢書PYTHON人工智能項(xiàng)目實(shí)戰(zhàn) 目錄
譯者序
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第1章 人工智能系統(tǒng)基礎(chǔ)知識(shí)1
1.1 神經(jīng)網(wǎng)絡(luò)2
1.2 神經(jīng)激活單元5
1.2.1 線性激活單元5
1.2.2 sigmoid激活單元6
1.2.3 雙曲正切激活函數(shù)6
1.2.4 修正線性單元7
1.2.5 softmax激活單元9
1.3 用反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)9
1.4 卷積神經(jīng)網(wǎng)絡(luò)12
1.5 循環(huán)神經(jīng)網(wǎng)絡(luò)13
1.6 生成對(duì)抗網(wǎng)絡(luò)16
1.7 強(qiáng)化學(xué)習(xí)18
1.7.1 Q學(xué)習(xí)19
1.7.2 深度Q學(xué)習(xí)20
1.8 遷移學(xué)習(xí)21
1.9 受限玻爾茲曼機(jī)22
1.10 自編碼器23
1.11 總結(jié)24
第2章 遷移學(xué)習(xí)26
2.1 技術(shù)要求26
2.2 遷移學(xué)習(xí)簡(jiǎn)介27
2.3 遷移學(xué)習(xí)和糖尿病視網(wǎng)膜病變檢測(cè)28
2.4 糖尿病視網(wǎng)膜病變數(shù)據(jù)集29
2.5 定義損失函數(shù)30
2.6 考慮類別不平衡問(wèn)題31
2.7 預(yù)處理圖像32
2.8 使用仿射變換生成額外數(shù)據(jù)33
2.8.1 旋轉(zhuǎn)34
2.8.2 平移34
2.8.3 縮放35
2.8.4 反射35
2.8.5 通過(guò)仿射變換生成額外的圖像36
2.9 網(wǎng)絡(luò)架構(gòu)36
2.9.1 VGG16遷移學(xué)習(xí)網(wǎng)絡(luò)38
2.9.2 InceptionV3遷移學(xué)習(xí)網(wǎng)絡(luò)39
2.9.3 ResNet50遷移學(xué)習(xí)網(wǎng)絡(luò)39
2.10 優(yōu)化器和初始學(xué)習(xí)率40
2.11 交叉驗(yàn)證40
2.12 基于驗(yàn)證對(duì)數(shù)損失的模型檢查點(diǎn)40
2.13 訓(xùn)練過(guò)程的Python實(shí)現(xiàn)41
2.14 類別分類結(jié)果50
2.15 在測(cè)試期間進(jìn)行推斷50
2.16 使用回歸而非類別分類52
2.17 使用keras sequential工具類生成器53
2.18 總結(jié)57
第3章 神經(jīng)機(jī)器翻譯58
3.1 技術(shù)要求59
3.2 基于規(guī)則的機(jī)器翻譯59
3.2.1 分析階段59
3.2.2 詞匯轉(zhuǎn)換階段60
3.2.3 生成階段60
3.3 統(tǒng)計(jì)機(jī)器學(xué)習(xí)系統(tǒng)60
3.3.1 語(yǔ)言模型61
3.3.2 翻譯模型63
3.4 神經(jīng)機(jī)器翻譯65
3.4.1 編碼器–解碼器模型65
3.4.2 使用編碼器–解碼器模型進(jìn)行推斷66
3.5 實(shí)現(xiàn)序列到序列的神經(jīng)機(jī)器翻譯67
3.5.1 處理輸入數(shù)據(jù)67
3.5.2 定義神經(jīng)翻譯機(jī)器的模型71
3.5.3 神經(jīng)翻譯機(jī)器的損失函數(shù)73
3.5.4 訓(xùn)練模型73
3.5.5 構(gòu)建推斷模型74
3.5.6 單詞向量嵌入78
3.5.7 嵌入層79
3.5.8 實(shí)現(xiàn)基于嵌入的NMT79
3.6 總結(jié)84
第4章 基于GAN的時(shí)尚風(fēng)格遷移85
4.1 技術(shù)要求85
4.2 DiscoGAN86
4.3 CycleGAN88
4.4 學(xué)習(xí)從手繪輪廓生成自然手提包89
4.5 預(yù)處理圖像89
4.6 DiscoGAN的生成器91
4.7 DiscoGAN的判別器93
4.8 構(gòu)建網(wǎng)絡(luò)和定義損失函數(shù)94
4.9 構(gòu)建訓(xùn)練過(guò)程97
4.10 GAN訓(xùn)練中的重要參數(shù)值99
4.11 啟動(dòng)訓(xùn)練100
4.12 監(jiān)督生成器和判別器的損失101
4.13 DiscoGAN生成的樣例圖像103
4.14 總結(jié)104
第5章 視頻字幕應(yīng)用105
5.1 技術(shù)要求105
5.2 視頻字幕中的CNN和LSTM106
5.3 基于序列到序列的視頻字幕系統(tǒng)107
5.4 視頻字幕系統(tǒng)數(shù)據(jù)集109
5.5 處理視頻圖像以創(chuàng)建CNN特征110
5.6 處理視頻的帶標(biāo)簽字幕113
5.7 構(gòu)建訓(xùn)練集和測(cè)試集114
5.8 構(gòu)建模型115
5.8.1 定義模型的變量116
5.8.2 編碼階段117
5.8.3 解碼階段117
5.8.4 計(jì)算小批量損失118
5.9 為字幕創(chuàng)建單詞詞匯表118
5.10 訓(xùn)練模型119
5.11 訓(xùn)練結(jié)果123
5.12 對(duì)未見過(guò)的視頻進(jìn)行推斷124
5.12.1 推斷函數(shù)126
5.12.2 評(píng)估結(jié)果127
5.13 總結(jié)128
第6章 智能推薦系統(tǒng)129
6.1 技術(shù)要求129
6.2 什么是推薦系統(tǒng)129
6.3 基于潛在因子分解的推薦系統(tǒng)131
6.4 深度學(xué)習(xí)與潛在因子協(xié)同過(guò)濾132
6.5 SVD 136
6.6 基于受限玻爾茲曼機(jī)的推薦系統(tǒng)138
6.7 對(duì)比分歧139
6.8 使用RBM進(jìn)行協(xié)同過(guò)濾140
6.9 使用RBM實(shí)現(xiàn)協(xié)同過(guò)濾142
6.9.1 預(yù)處理輸入143
6.9.2 構(gòu)建RBM網(wǎng)絡(luò)進(jìn)行協(xié)作過(guò)濾144
6.9.3 訓(xùn)練RBM 147
6.10 使用訓(xùn)練好的RBM進(jìn)行推斷149
6.11 總結(jié)150
第7章 用于電影評(píng)論情感分析的移動(dòng)應(yīng)用程序151
7.1 技術(shù)要求152
7.2 使用TensorFlow mobile構(gòu)建Android移動(dòng)應(yīng)用程序152
7.3 Android應(yīng)用中的電影評(píng)論評(píng)分153
7.4 預(yù)處理電影評(píng)論文本154
7.5 構(gòu)建模型156
7.6 訓(xùn)練模型157
7.7 將模型凍結(jié)為protobuf格式159
7.8 為推斷創(chuàng)建單詞到表征的字典161
7.9 應(yīng)用程序交互界面設(shè)計(jì)162
7.10 Android應(yīng)用程序的核心邏輯164
7.11 測(cè)試移動(dòng)應(yīng)用168
7.12 總結(jié)170
第8章 提供客戶服務(wù)的AI聊天機(jī)器人171
8.1 技術(shù)要求172
8.2 聊天機(jī)器人的架構(gòu)172
8.3 基于LSTM的序列到序列模型173
8.4 建立序列到序列模型174
8.5 Twitter平臺(tái)上的聊天機(jī)器人174
8.5.1 構(gòu)造聊天機(jī)器人的訓(xùn)練數(shù)據(jù)175
8.5.2 將文本數(shù)據(jù)轉(zhuǎn)換為單詞索引175
8.5.3 替換匿名用戶名176
8.5.4 定義模型176
8.5.5 用于訓(xùn)練模型的損失函數(shù)178
8.5.6 訓(xùn)練模型179
8.5.7 從模型生成輸出響應(yīng)180
8.5.8 所有代碼連起來(lái)180
8.5.9 開始訓(xùn)練181
8.5.10 對(duì)一些輸入推特的推斷結(jié)果181
8.6 總結(jié)182
第9章 基于增強(qiáng)學(xué)習(xí)的無(wú)人駕駛183
9.1 技術(shù)要求183
9.2 馬爾科夫決策過(guò)程184
9.3 學(xué)習(xí)Q值函數(shù)185
9.4 深度Q學(xué)習(xí)186
9.5 形式化損失函數(shù)186
9.6 深度雙Q學(xué)習(xí)187
9.7 實(shí)現(xiàn)一個(gè)無(wú)人駕駛車的代碼189
9.8 深度Q學(xué)習(xí)中的動(dòng)作離散化189
9.9 實(shí)現(xiàn)深度雙Q值網(wǎng)絡(luò)190
9.10 設(shè)計(jì)智能體191
9.11 自動(dòng)駕駛車的環(huán)
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第1章 人工智能系統(tǒng)基礎(chǔ)知識(shí)1
1.1 神經(jīng)網(wǎng)絡(luò)2
1.2 神經(jīng)激活單元5
1.2.1 線性激活單元5
1.2.2 sigmoid激活單元6
1.2.3 雙曲正切激活函數(shù)6
1.2.4 修正線性單元7
1.2.5 softmax激活單元9
1.3 用反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)9
1.4 卷積神經(jīng)網(wǎng)絡(luò)12
1.5 循環(huán)神經(jīng)網(wǎng)絡(luò)13
1.6 生成對(duì)抗網(wǎng)絡(luò)16
1.7 強(qiáng)化學(xué)習(xí)18
1.7.1 Q學(xué)習(xí)19
1.7.2 深度Q學(xué)習(xí)20
1.8 遷移學(xué)習(xí)21
1.9 受限玻爾茲曼機(jī)22
1.10 自編碼器23
1.11 總結(jié)24
第2章 遷移學(xué)習(xí)26
2.1 技術(shù)要求26
2.2 遷移學(xué)習(xí)簡(jiǎn)介27
2.3 遷移學(xué)習(xí)和糖尿病視網(wǎng)膜病變檢測(cè)28
2.4 糖尿病視網(wǎng)膜病變數(shù)據(jù)集29
2.5 定義損失函數(shù)30
2.6 考慮類別不平衡問(wèn)題31
2.7 預(yù)處理圖像32
2.8 使用仿射變換生成額外數(shù)據(jù)33
2.8.1 旋轉(zhuǎn)34
2.8.2 平移34
2.8.3 縮放35
2.8.4 反射35
2.8.5 通過(guò)仿射變換生成額外的圖像36
2.9 網(wǎng)絡(luò)架構(gòu)36
2.9.1 VGG16遷移學(xué)習(xí)網(wǎng)絡(luò)38
2.9.2 InceptionV3遷移學(xué)習(xí)網(wǎng)絡(luò)39
2.9.3 ResNet50遷移學(xué)習(xí)網(wǎng)絡(luò)39
2.10 優(yōu)化器和初始學(xué)習(xí)率40
2.11 交叉驗(yàn)證40
2.12 基于驗(yàn)證對(duì)數(shù)損失的模型檢查點(diǎn)40
2.13 訓(xùn)練過(guò)程的Python實(shí)現(xiàn)41
2.14 類別分類結(jié)果50
2.15 在測(cè)試期間進(jìn)行推斷50
2.16 使用回歸而非類別分類52
2.17 使用keras sequential工具類生成器53
2.18 總結(jié)57
第3章 神經(jīng)機(jī)器翻譯58
3.1 技術(shù)要求59
3.2 基于規(guī)則的機(jī)器翻譯59
3.2.1 分析階段59
3.2.2 詞匯轉(zhuǎn)換階段60
3.2.3 生成階段60
3.3 統(tǒng)計(jì)機(jī)器學(xué)習(xí)系統(tǒng)60
3.3.1 語(yǔ)言模型61
3.3.2 翻譯模型63
3.4 神經(jīng)機(jī)器翻譯65
3.4.1 編碼器–解碼器模型65
3.4.2 使用編碼器–解碼器模型進(jìn)行推斷66
3.5 實(shí)現(xiàn)序列到序列的神經(jīng)機(jī)器翻譯67
3.5.1 處理輸入數(shù)據(jù)67
3.5.2 定義神經(jīng)翻譯機(jī)器的模型71
3.5.3 神經(jīng)翻譯機(jī)器的損失函數(shù)73
3.5.4 訓(xùn)練模型73
3.5.5 構(gòu)建推斷模型74
3.5.6 單詞向量嵌入78
3.5.7 嵌入層79
3.5.8 實(shí)現(xiàn)基于嵌入的NMT79
3.6 總結(jié)84
第4章 基于GAN的時(shí)尚風(fēng)格遷移85
4.1 技術(shù)要求85
4.2 DiscoGAN86
4.3 CycleGAN88
4.4 學(xué)習(xí)從手繪輪廓生成自然手提包89
4.5 預(yù)處理圖像89
4.6 DiscoGAN的生成器91
4.7 DiscoGAN的判別器93
4.8 構(gòu)建網(wǎng)絡(luò)和定義損失函數(shù)94
4.9 構(gòu)建訓(xùn)練過(guò)程97
4.10 GAN訓(xùn)練中的重要參數(shù)值99
4.11 啟動(dòng)訓(xùn)練100
4.12 監(jiān)督生成器和判別器的損失101
4.13 DiscoGAN生成的樣例圖像103
4.14 總結(jié)104
第5章 視頻字幕應(yīng)用105
5.1 技術(shù)要求105
5.2 視頻字幕中的CNN和LSTM106
5.3 基于序列到序列的視頻字幕系統(tǒng)107
5.4 視頻字幕系統(tǒng)數(shù)據(jù)集109
5.5 處理視頻圖像以創(chuàng)建CNN特征110
5.6 處理視頻的帶標(biāo)簽字幕113
5.7 構(gòu)建訓(xùn)練集和測(cè)試集114
5.8 構(gòu)建模型115
5.8.1 定義模型的變量116
5.8.2 編碼階段117
5.8.3 解碼階段117
5.8.4 計(jì)算小批量損失118
5.9 為字幕創(chuàng)建單詞詞匯表118
5.10 訓(xùn)練模型119
5.11 訓(xùn)練結(jié)果123
5.12 對(duì)未見過(guò)的視頻進(jìn)行推斷124
5.12.1 推斷函數(shù)126
5.12.2 評(píng)估結(jié)果127
5.13 總結(jié)128
第6章 智能推薦系統(tǒng)129
6.1 技術(shù)要求129
6.2 什么是推薦系統(tǒng)129
6.3 基于潛在因子分解的推薦系統(tǒng)131
6.4 深度學(xué)習(xí)與潛在因子協(xié)同過(guò)濾132
6.5 SVD 136
6.6 基于受限玻爾茲曼機(jī)的推薦系統(tǒng)138
6.7 對(duì)比分歧139
6.8 使用RBM進(jìn)行協(xié)同過(guò)濾140
6.9 使用RBM實(shí)現(xiàn)協(xié)同過(guò)濾142
6.9.1 預(yù)處理輸入143
6.9.2 構(gòu)建RBM網(wǎng)絡(luò)進(jìn)行協(xié)作過(guò)濾144
6.9.3 訓(xùn)練RBM 147
6.10 使用訓(xùn)練好的RBM進(jìn)行推斷149
6.11 總結(jié)150
第7章 用于電影評(píng)論情感分析的移動(dòng)應(yīng)用程序151
7.1 技術(shù)要求152
7.2 使用TensorFlow mobile構(gòu)建Android移動(dòng)應(yīng)用程序152
7.3 Android應(yīng)用中的電影評(píng)論評(píng)分153
7.4 預(yù)處理電影評(píng)論文本154
7.5 構(gòu)建模型156
7.6 訓(xùn)練模型157
7.7 將模型凍結(jié)為protobuf格式159
7.8 為推斷創(chuàng)建單詞到表征的字典161
7.9 應(yīng)用程序交互界面設(shè)計(jì)162
7.10 Android應(yīng)用程序的核心邏輯164
7.11 測(cè)試移動(dòng)應(yīng)用168
7.12 總結(jié)170
第8章 提供客戶服務(wù)的AI聊天機(jī)器人171
8.1 技術(shù)要求172
8.2 聊天機(jī)器人的架構(gòu)172
8.3 基于LSTM的序列到序列模型173
8.4 建立序列到序列模型174
8.5 Twitter平臺(tái)上的聊天機(jī)器人174
8.5.1 構(gòu)造聊天機(jī)器人的訓(xùn)練數(shù)據(jù)175
8.5.2 將文本數(shù)據(jù)轉(zhuǎn)換為單詞索引175
8.5.3 替換匿名用戶名176
8.5.4 定義模型176
8.5.5 用于訓(xùn)練模型的損失函數(shù)178
8.5.6 訓(xùn)練模型179
8.5.7 從模型生成輸出響應(yīng)180
8.5.8 所有代碼連起來(lái)180
8.5.9 開始訓(xùn)練181
8.5.10 對(duì)一些輸入推特的推斷結(jié)果181
8.6 總結(jié)182
第9章 基于增強(qiáng)學(xué)習(xí)的無(wú)人駕駛183
9.1 技術(shù)要求183
9.2 馬爾科夫決策過(guò)程184
9.3 學(xué)習(xí)Q值函數(shù)185
9.4 深度Q學(xué)習(xí)186
9.5 形式化損失函數(shù)186
9.6 深度雙Q學(xué)習(xí)187
9.7 實(shí)現(xiàn)一個(gè)無(wú)人駕駛車的代碼189
9.8 深度Q學(xué)習(xí)中的動(dòng)作離散化189
9.9 實(shí)現(xiàn)深度雙Q值網(wǎng)絡(luò)190
9.10 設(shè)計(jì)智能體191
9.11 自動(dòng)駕駛車的環(huán)
展開全部
智能系統(tǒng)與技術(shù)叢書PYTHON人工智能項(xiàng)目實(shí)戰(zhàn) 作者簡(jiǎn)介
作者簡(jiǎn)介
桑塔努·帕塔納亞克（Santanu Pattanayak）是高通公司研發(fā)部門的一名機(jī)器學(xué)習(xí)專家，著有《Pro Deep Learning with TensorFlow - A Mathematical Approach to Advanced Artificial Intelligence in Python》。他擁有12年的工作經(jīng)驗(yàn)，在加入高通之前，曾在GE、Capgemini和IBM任職。
書友推薦
- >
上帝之肋:男人的真實(shí)旅程
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
煙與鏡
- >
月亮虎
- >
伯納黛特,你要去哪(2021新版)
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
苦雨齋序跋文-周作人自編集
- >
山海經(jīng)
本類暢銷
