掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習導論 版權信息
- ISBN：9787115534521
- 條形碼：9787115534521 ; 978-7-115-53452-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習導論 本書特色
《深度學習導論精裝版》講述了Tensorflow、前饋神經網絡、卷積神經網絡、詞嵌入、循環神經網絡、序列到序列學習、深度強化學習、無監督模型等深度學習領域的基本概念和技術，通過一系列的編程任務，向讀者介紹了熱門的人工智能應用，包括計算機視覺和自然語言處理等。 本書編寫簡明扼要，理論聯系實踐，每一章都包括一個編程項目、練習以及進一步閱讀的參考資料。本書既可作為高校人工智能教學用書，也可供從業者入門參考。 本書要求讀者熟悉線性代數、多元微積分、概率和統計知識，另外需要讀者了解Python 編程。
深度學習導論 內容簡介
1.國內知識圖譜界領軍人物、文因互聯CEO鮑捷作序。國內外產業界和學術界大咖鼎力推薦 2.本書編寫簡明扼要，是美國常青藤名校布朗大學的教材。本書的每一章都包括了一個編程項目和一些書面練習，并附上了參考資料，可供讀者進一步閱讀。 3.人工智能經典入門書，基于Tensorflow編寫，以項目為導向，通過一系列的編程任務，向讀者介紹了熱門的人工智能應用，包括計算機視覺、自然語言處理和強化學習等。 4.做中學。作者在前言中寫道：“對我而言，學習計算機科學的*好方法，就是坐下來寫程序。”本書正是采用了這種方法。
深度學習導論 目錄
第 1章 前饋神經網絡 1
1.1 感知機 3
1.2 神經網絡的交叉熵損失函數 7
1.3 導數與隨機梯度下降 11
1.4 編寫程序 15
1.5 神經網絡的矩陣表示 17
1.6 數據獨立性 19
1.7 參考文獻和補充閱讀 20
1.8 習題 21
第 2章 Tensorflow 23
2.1 預備知識 23
2.2 TF程序 26
2.3 多層神經網絡 31
2.4 其他方面 34
2.4.1 檢查點 34
2.4.2 tensordot 35
2.4.3 TF變量的初始化 37
2.4.4 TF圖創建的簡化 39
2.5 參考文獻和補充閱讀 40
2.6 習題 40
第3章 卷積神經網絡 43
3.1 濾波器、步長和填充 43
3.2 一個簡單的TF卷積例子 49
3.3 多層卷積 51
3.4 卷積細節 54
3.4.1 偏置 54
3.4.2 卷積層 55
3.4.3 池化運算（pooling） 55
3.5 參考文獻和補充閱讀 56
3.6 習題 57
第4章 詞嵌入與循環神經網絡 59
4.1 語言模型的詞嵌入 59
4.2 構建前饋語言模型 63
4.3 改進前饋語言模型 65
4.4 過擬合 66
4.5 循環網絡 69
4.6 長短期記憶模型 75
4.7 參考文獻和補充閱讀 78
4.8 習題 78
第5章 序列到序列學習 81
5.1 seq2seq模型 82
5.2 編寫一個seq2seq MT程序 84
5.3 seq2seq中的注意力機制 87
5.4 多長度seq2seq 90
5.5 編程練習 91
5.6 參考文獻和補充閱讀 93
5.7 習題 94
第6章 深度強化學習 97
6.1 值迭代 98
6.2 Q學習 101
6.3 深度Q學習基礎 103
6.4 策略梯度法 106
6.5 行動者-評論家方法 112
6.6 經驗回放 114
6.7 參考文獻和補充閱讀 115
6.8 習題 116
第7章 無監督神經網絡模型 119
7.1 基本自編碼 119
7.2 卷積自編碼 122
7.3 變分自編碼 126
7.4 生成式對抗網絡 132
7.5 參考文獻和補充閱讀 137
7.6 習題 137
附錄A 部分習題答案 139
附錄B 參考文獻 143
附錄C 索引 147
本書贊譽 151
1.1 感知機 3
1.2 神經網絡的交叉熵損失函數 7
1.3 導數與隨機梯度下降 11
1.4 編寫程序 15
1.5 神經網絡的矩陣表示 17
1.6 數據獨立性 19
1.7 參考文獻和補充閱讀 20
1.8 習題 21
第 2章 Tensorflow 23
2.1 預備知識 23
2.2 TF程序 26
2.3 多層神經網絡 31
2.4 其他方面 34
2.4.1 檢查點 34
2.4.2 tensordot 35
2.4.3 TF變量的初始化 37
2.4.4 TF圖創建的簡化 39
2.5 參考文獻和補充閱讀 40
2.6 習題 40
第3章 卷積神經網絡 43
3.1 濾波器、步長和填充 43
3.2 一個簡單的TF卷積例子 49
3.3 多層卷積 51
3.4 卷積細節 54
3.4.1 偏置 54
3.4.2 卷積層 55
3.4.3 池化運算（pooling） 55
3.5 參考文獻和補充閱讀 56
3.6 習題 57
第4章 詞嵌入與循環神經網絡 59
4.1 語言模型的詞嵌入 59
4.2 構建前饋語言模型 63
4.3 改進前饋語言模型 65
4.4 過擬合 66
4.5 循環網絡 69
4.6 長短期記憶模型 75
4.7 參考文獻和補充閱讀 78
4.8 習題 78
第5章 序列到序列學習 81
5.1 seq2seq模型 82
5.2 編寫一個seq2seq MT程序 84
5.3 seq2seq中的注意力機制 87
5.4 多長度seq2seq 90
5.5 編程練習 91
5.6 參考文獻和補充閱讀 93
5.7 習題 94
第6章 深度強化學習 97
6.1 值迭代 98
6.2 Q學習 101
6.3 深度Q學習基礎 103
6.4 策略梯度法 106
6.5 行動者-評論家方法 112
6.6 經驗回放 114
6.7 參考文獻和補充閱讀 115
6.8 習題 116
第7章 無監督神經網絡模型 119
7.1 基本自編碼 119
7.2 卷積自編碼 122
7.3 變分自編碼 126
7.4 生成式對抗網絡 132
7.5 參考文獻和補充閱讀 137
7.6 習題 137
附錄A 部分習題答案 139
附錄B 參考文獻 143
附錄C 索引 147
本書贊譽 151
展開全部
深度學習導論 作者簡介
作者簡介 Eugene Charniak是美國布朗大學計算機科學和認知科學教授，博士畢業于MIT，博士導師是人工智能之父Marvin Minsky。他是國際知名的人工智能研究者，美國人工智能學會（AAAI）會士，2011年獲美國計算語言學會（ACL）終身成就獎。他撰寫了《統計語言學習》《人工智能編程》等圖書。 譯者簡介 沈磊，美國計算語言學會（ACL）會員，中國計算機學會（CCF）會員，博士畢業于北京航空航天大學計算機學院，博士研究方向為人工智能、模式識別，現為vivo公司北京AI研究院NLP算法專家，主要方向為自然語言理解和自動問答。她在自然語言處理及推薦算法方向發表了多篇學術論文，申請了5項專利。 鄭春萍，教育學博士，北京郵電大學人文學院副教授，主要研究方向為應用語言學與計算機輔助翻譯。她是美國國務院“英語語言學者項目”訪問學者、英國曼徹斯特大學人文藝術學院訪問學者，曾獲北京市高等教育教學成果一等獎、北京市高校青年教學名師獎、中央電視臺“希望之星”英語風采大賽全國總決賽最佳指導教師獎等獎項。她主持了國家社科基金、教育部霍英東青年教師基金及教育部人文社科基金等省部級課題6項，發表學術論文40余篇，主編教材2部，出版專著1部、譯著2部。
書友推薦
- >
二體千字文
- >
史學評論
- >
月亮與六便士
- >
李白與唐代文化
- >
巴金－再思錄
- >
名家帶你讀魯迅:朝花夕拾
- >
龍榆生：詞曲概論/大家小書
- >
朝聞道
本類暢銷
