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
TensorFlow深度學習:數學原理與Python實戰進階 版權信息
- ISBN：9787111645849
- 條形碼：9787111645849 ; 978-7-111-64584-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
TensorFlow深度學習:數學原理與Python實戰進階 本書特色
本書重點在幫你掌握深度學習所要求的數學原理和編程實戰經驗，使你能快速使用TensorFlow輕松部署產品中的深度學習解決方案，并形成開發深度學習架構和解決方案時所需的數學理解和直覺。
本書提供了豐富的理論和實戰動手經驗，使你可以從零開始掌握深度學習，并能快速部署有價值的深度學習解決方案。本書重點講解了與多個行業相關的深度學習實踐方面的專業知識。通過這些實戰經驗，你將能夠使用原型來構建新的深度學習應用程序。
本書適合誰
正在研究深度學習解決方案以解決復雜業務問題的數據科學家和機器學習專業人員。
通過TensorFlow開發深度學習解決方案的軟件開發人員。
渴望不斷學習的師生和人工智能愛好者。
TensorFlow深度學習:數學原理與Python實戰進階 內容簡介
掌握深度學習數學原理、編程實戰經驗
輕松構建復雜實際項目的深度學習方案
本書重點在幫你掌握深度學習所要求的數學原理和編程實戰經驗，使你能快速使用TensorFlow輕松部署產品中的深度學習解決方案，并形成開發深度學習架構和解決方案時所需的數學理解和直覺。
深入淺出講解數學基礎、深度學習與TensorFlow、卷積神經網絡、自然語言處理、無監督學習、高級神經網絡等內容，幫助你快速理解數學基礎、理論知識，掌握實際項目開發經驗，迅速勝任學習、工作要求。
本書特點：
通過使用TensorFlow深入理解全棧深度學習，并為深度學習奠定堅實的數學基礎。
使用TensorFlow在實際項目中部署復雜的深度學習解決方案。
深入深度學習研究，并使用TensorFlow進行具體項目實踐。
TensorFlow深度學習:數學原理與Python實戰進階 目錄
原書前言
第1章 數學基礎//1
1.1 線性代數//2
1.1.1 向量//2
1.1.2 標量//2
1.1.3 矩陣//3
1.1.4 張量//3
1.1.5 矩陣的運算和操作//4
1.1.6 向量的線性獨立//6
1.1.7 矩陣的秩//8
1.1.8 單位矩陣或恒等運算符//8
1.1.9 矩陣的行列式//9
1.1.10 逆矩陣//10
1.1.11 向量的范數（模）//11
1.1.12 偽逆矩陣//12
1.1.13 以特定向量為方向的單位向量//12
1.1.14 一個向量在另一個向量方向上的投影（或射影）//12
1.1.15 特征向量//12
1.2 微積分//17
1.2.1 微分//17
1.2.2 函數的梯度//17
1.2.3 連續偏導數//18
1.2.4 海森矩陣//18
1.2.5 函數的極大值和極小值//18
1.2.6 局部極小值和全局*小值//20
1.2.7 半正定以及正定矩陣//21
1.2.8 凸集//21
1.2.9 凸函數//22
1.2.10 非凸函數//22
1.2.11 多變量凸函數以及非凸函數范例//23
1.2.12 泰勒級數//24
1.3 概率//24
1.3.1 并集、交集和條件概率//25
1.3.2 事件交集概率的鏈式法則//26
1.3.3 互斥事件//26
1.3.4 事件獨立性//27
1.3.5 事件條件獨立性//27
1.3.6 貝葉斯定理（公式）//27
1.3.7 概率質量函數//28
1.3.8 概率密度函數//28
1.3.9 隨機變量的數學期望//28
1.3.10 隨機變量的方差//28
1.3.11 偏度和峰度//29
1.3.12 協方差//30
1.3.13 相關性系數//31
1.3.14 一些常見的概率分布//31
1.3.15 似然函數//34
1.3.16 *大似然估計//35
1.3.17 假設檢驗和p值//36
1.4 機器學習算法的制定與優化算法//38
1.4.1 監督學習//38
1.4.2 無監督學習//45
1.4.3 機器學習的優化算法//45
1.4.4 約束優化問題//53
1.5 機器學習中的幾個重要主題//54
1.5.1 降維方法//54
1.5.2 正則化//5
1.5.3 約束優化問題中的正則化//59
1.6 總結//60
第2章 深度學習概念和TensorFlow介紹//61
2.1 深度學習及其發展//61
2.2 感知機和感知機學習算法//63
2.2.1 感知機學習的幾何解釋//65
2.2.2 感知機學習的局限性//66
2.2.3 非線性需求//68
2.2.4 隱藏層感知機的非線性激活函數//69
2.2.5 神經元或感知機的不同激活函數//70
2.2.6 多層感知機網絡的學習規則//74
2.2.7 梯度計算的反向傳播//75
2.2.8 反向傳播方法推廣到梯度計算//76
2.3 TensorFlow //82
2.3.1 常見的深度學習包//82
2.3.2 TensorFlow的安裝//83
2.3.3 TensorFlow的開發基礎//83
2.3.4 深度學習視角下的梯度下降優化方法//86
2.3.5 隨機梯度下降的小批量方法中的學習率//90
2.3.6 TensorFlow中的優化器//90
2.3.7 TensorFlow實現XOR//96
2.3.8 TensorFlow中的線性回歸//100
2.3.9 使用全批量梯度下降的SoftMax函數多分類//103
2.3.10 使用隨機梯度下降的SoftMax函數多分類//105
2.4 GPU //107
2.5 總結//108
第3章 卷積神經網絡//109
3.1 卷積操作//109
3.1.1 線性時不變和線性移不變系統//109
3.1.2 一維信號的卷積//111
3.2 模擬信號和數字信號//112
3.2.1 二維和三維信號//113
3.3 二維卷積//114
3.3.1 二維單位階躍函數//114
3.3.2 LSI系統中單位階躍響應信號的二維卷積//115
3.3.3 不同的LSI系統中圖像的二維卷積//117
3.4 常見的圖像處理濾波器//120
3.4.1 均值濾波器//120
3.4.2 中值濾波器//122
3.4.3 高斯濾波器//122
3.4.4 梯度濾波器//123
3.4.5 Sobel邊緣檢測濾波器//125
3.4.6 恒等變換//127
3.5 卷積神經網絡//128
3.6 卷積神經網絡的組成部分//128
3.6.1 輸入層//129
3.6.2 卷積層//129
3.6.3 池化層//131
3.7 卷積層中的反向傳播//131
3.8 池化層中的反向傳播//134
3.9 卷積中的權值共享及其優點//136
3.10 平移同變性//136
3.11 池化的平移不變性//137
3.12 舍棄層和正則化//138
3.13 MNIST數據集上進行手寫數字識別的卷積神經網絡//140
3.14 用來解決現實問題的卷積神經網絡//144
3.15 批規范化//151
3.16 卷積神經網絡中的幾種不同的網絡架構//153
3.16.1 LeNet//153
3.16.2 AlexNet//154
3.16.3 VGG16//155
3.16.4 ResNet//156
3.17 遷移學習//157
3.17.1 遷移學習的使用指導//158
3.17.2 使用谷歌InceptionV3網絡進行遷移學習//159
3.17.3 使用預訓練的VGG16網絡遷移學習//162
3.18 總結//166
第4章 基于循環神經網絡的自然語言處理//167
4.1 向量空間模型//167
4.2 單詞的向量表示//170
4.3 Word2Vec//170
4.3.1 CBOW //171
4.3.2 CBOW 在TensorFl
第1章 數學基礎//1
1.1 線性代數//2
1.1.1 向量//2
1.1.2 標量//2
1.1.3 矩陣//3
1.1.4 張量//3
1.1.5 矩陣的運算和操作//4
1.1.6 向量的線性獨立//6
1.1.7 矩陣的秩//8
1.1.8 單位矩陣或恒等運算符//8
1.1.9 矩陣的行列式//9
1.1.10 逆矩陣//10
1.1.11 向量的范數（模）//11
1.1.12 偽逆矩陣//12
1.1.13 以特定向量為方向的單位向量//12
1.1.14 一個向量在另一個向量方向上的投影（或射影）//12
1.1.15 特征向量//12
1.2 微積分//17
1.2.1 微分//17
1.2.2 函數的梯度//17
1.2.3 連續偏導數//18
1.2.4 海森矩陣//18
1.2.5 函數的極大值和極小值//18
1.2.6 局部極小值和全局*小值//20
1.2.7 半正定以及正定矩陣//21
1.2.8 凸集//21
1.2.9 凸函數//22
1.2.10 非凸函數//22
1.2.11 多變量凸函數以及非凸函數范例//23
1.2.12 泰勒級數//24
1.3 概率//24
1.3.1 并集、交集和條件概率//25
1.3.2 事件交集概率的鏈式法則//26
1.3.3 互斥事件//26
1.3.4 事件獨立性//27
1.3.5 事件條件獨立性//27
1.3.6 貝葉斯定理（公式）//27
1.3.7 概率質量函數//28
1.3.8 概率密度函數//28
1.3.9 隨機變量的數學期望//28
1.3.10 隨機變量的方差//28
1.3.11 偏度和峰度//29
1.3.12 協方差//30
1.3.13 相關性系數//31
1.3.14 一些常見的概率分布//31
1.3.15 似然函數//34
1.3.16 *大似然估計//35
1.3.17 假設檢驗和p值//36
1.4 機器學習算法的制定與優化算法//38
1.4.1 監督學習//38
1.4.2 無監督學習//45
1.4.3 機器學習的優化算法//45
1.4.4 約束優化問題//53
1.5 機器學習中的幾個重要主題//54
1.5.1 降維方法//54
1.5.2 正則化//5
1.5.3 約束優化問題中的正則化//59
1.6 總結//60
第2章 深度學習概念和TensorFlow介紹//61
2.1 深度學習及其發展//61
2.2 感知機和感知機學習算法//63
2.2.1 感知機學習的幾何解釋//65
2.2.2 感知機學習的局限性//66
2.2.3 非線性需求//68
2.2.4 隱藏層感知機的非線性激活函數//69
2.2.5 神經元或感知機的不同激活函數//70
2.2.6 多層感知機網絡的學習規則//74
2.2.7 梯度計算的反向傳播//75
2.2.8 反向傳播方法推廣到梯度計算//76
2.3 TensorFlow //82
2.3.1 常見的深度學習包//82
2.3.2 TensorFlow的安裝//83
2.3.3 TensorFlow的開發基礎//83
2.3.4 深度學習視角下的梯度下降優化方法//86
2.3.5 隨機梯度下降的小批量方法中的學習率//90
2.3.6 TensorFlow中的優化器//90
2.3.7 TensorFlow實現XOR//96
2.3.8 TensorFlow中的線性回歸//100
2.3.9 使用全批量梯度下降的SoftMax函數多分類//103
2.3.10 使用隨機梯度下降的SoftMax函數多分類//105
2.4 GPU //107
2.5 總結//108
第3章 卷積神經網絡//109
3.1 卷積操作//109
3.1.1 線性時不變和線性移不變系統//109
3.1.2 一維信號的卷積//111
3.2 模擬信號和數字信號//112
3.2.1 二維和三維信號//113
3.3 二維卷積//114
3.3.1 二維單位階躍函數//114
3.3.2 LSI系統中單位階躍響應信號的二維卷積//115
3.3.3 不同的LSI系統中圖像的二維卷積//117
3.4 常見的圖像處理濾波器//120
3.4.1 均值濾波器//120
3.4.2 中值濾波器//122
3.4.3 高斯濾波器//122
3.4.4 梯度濾波器//123
3.4.5 Sobel邊緣檢測濾波器//125
3.4.6 恒等變換//127
3.5 卷積神經網絡//128
3.6 卷積神經網絡的組成部分//128
3.6.1 輸入層//129
3.6.2 卷積層//129
3.6.3 池化層//131
3.7 卷積層中的反向傳播//131
3.8 池化層中的反向傳播//134
3.9 卷積中的權值共享及其優點//136
3.10 平移同變性//136
3.11 池化的平移不變性//137
3.12 舍棄層和正則化//138
3.13 MNIST數據集上進行手寫數字識別的卷積神經網絡//140
3.14 用來解決現實問題的卷積神經網絡//144
3.15 批規范化//151
3.16 卷積神經網絡中的幾種不同的網絡架構//153
3.16.1 LeNet//153
3.16.2 AlexNet//154
3.16.3 VGG16//155
3.16.4 ResNet//156
3.17 遷移學習//157
3.17.1 遷移學習的使用指導//158
3.17.2 使用谷歌InceptionV3網絡進行遷移學習//159
3.17.3 使用預訓練的VGG16網絡遷移學習//162
3.18 總結//166
第4章 基于循環神經網絡的自然語言處理//167
4.1 向量空間模型//167
4.2 單詞的向量表示//170
4.3 Word2Vec//170
4.3.1 CBOW //171
4.3.2 CBOW 在TensorFl
展開全部
TensorFlow深度學習:數學原理與Python實戰進階 作者簡介
關于作者
Santanu Pattanayak，目前在GE數字集團（GE Digital）擔任高級數據科學家。Santanu具有10年的總體工作經驗，6年以上的數據分析/數據科學領域的經驗，同時還具有研發和數據庫技術的背景。在加入GE之前，Santanu曾在RBS、Capgemini和IBM等公司工作。他還是一名狂熱的數學愛好者，在數據科學黑客馬拉松和Kaggle競賽等的全球500強排名中名列前茅。
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
李白與唐代文化
- >
經典常談
- >
史學評論
- >
巴金－再思錄
- >
龍榆生：詞曲概論/大家小書
- >
伊索寓言-世界文學名著典藏-全譯本
- >
詩經-先民的歌唱
本類暢銷
