中圖網小程序
一鍵登錄
更方便
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
PythonPython深度學習從原理到應用 版權信息
- ISBN：9787115551160
- 條形碼：9787115551160 ; 978-7-115-55116-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
PythonPython深度學習從原理到應用 本書特色
1. 涵蓋深度學習算法的實際應用和*佳實踐，可從中了解識別和提取信息的方法，提高預測的準確率，并對結果進行優化；2. 涵蓋神經網絡、無監督特征學習、圖像識別以及遞歸神經網絡等多種機器學習的方法和技術；3. 展示了深度學習在棋盤游戲和電子游戲中的應用；4. 實現了一個可用于生產環境的入侵檢測系統；5. 提供源代碼。
PythonPython深度學習從原理到應用 內容簡介
本書借助現實案例介紹深度學習算法的實際應用（包括很好實踐），旨在幫助讀者了解如何識別和提取信息，以提高預測準確率及優化結果。 本書共10章，分別是機器學習—引言、神經網絡、深度學習基本原理、無監督特征學習、圖像識別、遞歸神經網絡和語言模型、深度學習在棋盤游戲中的應用、深度學習在電子游戲中的應用、異常檢測和構建一個可用于生產環境的入侵檢測系統。 本書適合想深入研究深度學習算法和技術的讀者學習，也適合想探究如何從這項強大技術中學到更多知識的讀者參考。
PythonPython深度學習從原理到應用 目錄
第 1章 機器學習—引言 1
1．1 什么是機器學習 1
1．2 不同的機器學習方法 2
1．2．1 監督學習 2
1．2．2 無監督學習 4
1．2．3 強化學習 6
1．2．4 機器學習系統所涉及的步驟 7
1．2．5 關于流行技術/算法的簡介 9
1．2．6 在現實生活中的應用 19
1．2．7 流行開源包 21
1．3 小結 26
第 2章 神經網絡 27
2．1 為什么是神經網絡 27
2．2 基本原理 28
2．2．1 神經元以及層 29
2．2．2 不同類型的激活函數 33
2．3 反向傳播算法 37
2．3．1 線性回歸 37
2．3．2 邏輯回歸 39
2．3．3 反向傳播 41
2．4 行業應用 44
2．4．1 信號處理 44
2．4．2 醫療 44
2．4．3 自動汽車駕駛 44
2．4．4 商業 45
2．4．5 模式識別 45
2．4．6 語音生成 45
2．5 異或函數的神經網絡代碼示例 45
2．6 小結 50
第3章 深度學習基本原理 52
3．1 什么是深度學習 52
3．1．1 基本概念 54
3．1．2 特征學習 55
3．1．3 深度學習算法 62
3．2 深度學習應用 63
3．2．1 語音識別 63
3．2．2 對象識別與分類 65
3．3 圖形處理單元與中央處理單元 67
3．4 流行開源庫—引言 69
3．4．1 Theano 69
3．4．2 TensorFlow 69
3．4．3 Keras 70
3．4．4 使用Keras的簡單深度神經
網絡代碼 70
3．5 小結 75
第4章 無監督特征學習 76
4．1 自編碼器 77
4．1．1 網絡設計 80
4．1．2 用于自編碼器的正則化技術 83
4．1．3 自編碼器概述 87
4．2 受限玻爾茲曼機 87
4．2．1 霍普菲爾德網絡與
玻爾茲曼機 89
4．2．2 玻爾茲曼機 91
4．2．3 受限玻爾茲曼機 93
4．2．4 在TensorFlow中的實現 94
4．2．5 深度信念網絡 98
4．3 小結 99
第5章 圖像識別 102
5．1 人工模型與生物模型的相似性 102
5．2 直觀認識與合理性 103
5．3 卷積層 104
5．4 池化層 111
5．5 dropout層 112
5．6 深度學習中的卷積層 113
5．7 Theano中的卷積層 114
5．8 用Keras來識別數字的卷積層
示例 115
5．9 將Keras用于cifar10的卷積層
示例 118
5．10 預訓練 120
5．11 小結 121
第6章 遞歸神經網絡和語言模型 123
6．1 遞歸神經網絡 123
6．1．1 RNN—如何實施和訓練 125
6．1．2 長短期記憶 130
6．2 語言建模 133
6．2．1 基于單詞的語言模型 133
6．2．2 基于字符的語言模型 138
6．3 語音識別 144
6．3．1 語音識別管線 144
6．3．2 作為輸入數據的語音 145
6．3．3 預處理 146
6．3．4 聲學模型 147
6．3．5 解碼 149
6．3．6 端到端模型 150
6．4 小結 150
6．5 拓展閱讀 150
第7章 深度學習在棋盤游戲中的
應用 154
7．1 早期游戲AI 155
7．2 用*小-*大算法評估游戲狀態 156
7．3 實現Python井字游戲 158
7．4 學習價值函數 166
7．5 訓練AI掌握圍棋 167
7．6 應用于樹結構的置信上限 169
7．7 蒙特卡羅樹搜索中的深度學習 176
7．8 快速復習強化學習 177
7．9 用于學習策略函數的策略梯度 177
7．10 AlphaGo中的策略梯度 185
7．11 小結 186
第8章 深度學習在電子游戲中的
應用 188
8．1 應用于游戲的監督學習算法 188
8．2 遺傳算法在游戲中的應用 189
8．3 Q-learning算法 190
8．4 Q-learning算法在動作中的應用 192
8．5 動態游戲 197
8．5．1 經驗回放 200
8．5．2 Epsilon貪婪算法 203
8．6 《雅達利打磚塊》游戲 204
8．6．1 《雅達利打磚塊》游戲的
隨機基準 205
8．6．2 預處理屏幕 207
8．6．3 創建一個深度卷積網絡 208
8．6．4 Q-learning算法中的收斂
問題 213
8．6．5 策略梯度與Q-learning算法 214
8．7 actor-critic算法 215
8．7．1 方差縮減基線 216
8．7．2 通用優勢估計器 216
8．8 異步算法 217
8．9 基于模型的算法 218
8．10 小結 220
第9章 異常檢測 221
9．1 什么是異常檢測和異常點檢測 221
9．2 異常檢測的現實應用 224
9．3 流行的淺層機器學習技術 225
9．3．1 數據建模 225
9．3．2 檢測建！225
9．4 基于深度自編碼器的異常檢測 227
9．5 開始使用H2O 229
9．6 示例 230
9．6．1 MNIST數字異常識別 230
9．6．2 心電圖脈沖檢測 238
9．7 小結 243
第 10章 構建一個可用于生產環境的
入侵檢測系統 244
10．1 什么是數據產品 245
10．2 訓練 246
10．2．1 權值初始化 246
10．2．2 使用HOGWILD!的并行
隨機梯度下降算法 248
10．2．3 自適應學習 250
10．2．4 學習率退火 250
10．2．5 動量法 251
10．2．6 Nesterov加速法 251
10．2．7 牛頓迭代法 252
10．2．8 Adagrad算法 253
10．2．9 Adadelta算法 253
10．2．10 通過Map/Reduce實現
分布式學習 255
10．2．11 Sparkling Water 258
10．3 測試 260
10．3．1 模型驗證 266
10．3．2 有標記數據 267
10．3．3 無標記數據 269
10．3．4 驗證總結 272
10．3．5 超參數調優 272
10．3．6 端到端評估 275
10．3．7 A/B測試 277
10．3．8 測試總結 278
10．4 部署 279
10．4．1 POJO模型導出 280
10．4．2 異常得分API 283
10．4．3 部署總結 285
10．5 小結 285
1．1 什么是機器學習 1
1．2 不同的機器學習方法 2
1．2．1 監督學習 2
1．2．2 無監督學習 4
1．2．3 強化學習 6
1．2．4 機器學習系統所涉及的步驟 7
1．2．5 關于流行技術/算法的簡介 9
1．2．6 在現實生活中的應用 19
1．2．7 流行開源包 21
1．3 小結 26
第 2章 神經網絡 27
2．1 為什么是神經網絡 27
2．2 基本原理 28
2．2．1 神經元以及層 29
2．2．2 不同類型的激活函數 33
2．3 反向傳播算法 37
2．3．1 線性回歸 37
2．3．2 邏輯回歸 39
2．3．3 反向傳播 41
2．4 行業應用 44
2．4．1 信號處理 44
2．4．2 醫療 44
2．4．3 自動汽車駕駛 44
2．4．4 商業 45
2．4．5 模式識別 45
2．4．6 語音生成 45
2．5 異或函數的神經網絡代碼示例 45
2．6 小結 50
第3章 深度學習基本原理 52
3．1 什么是深度學習 52
3．1．1 基本概念 54
3．1．2 特征學習 55
3．1．3 深度學習算法 62
3．2 深度學習應用 63
3．2．1 語音識別 63
3．2．2 對象識別與分類 65
3．3 圖形處理單元與中央處理單元 67
3．4 流行開源庫—引言 69
3．4．1 Theano 69
3．4．2 TensorFlow 69
3．4．3 Keras 70
3．4．4 使用Keras的簡單深度神經
網絡代碼 70
3．5 小結 75
第4章 無監督特征學習 76
4．1 自編碼器 77
4．1．1 網絡設計 80
4．1．2 用于自編碼器的正則化技術 83
4．1．3 自編碼器概述 87
4．2 受限玻爾茲曼機 87
4．2．1 霍普菲爾德網絡與
玻爾茲曼機 89
4．2．2 玻爾茲曼機 91
4．2．3 受限玻爾茲曼機 93
4．2．4 在TensorFlow中的實現 94
4．2．5 深度信念網絡 98
4．3 小結 99
第5章 圖像識別 102
5．1 人工模型與生物模型的相似性 102
5．2 直觀認識與合理性 103
5．3 卷積層 104
5．4 池化層 111
5．5 dropout層 112
5．6 深度學習中的卷積層 113
5．7 Theano中的卷積層 114
5．8 用Keras來識別數字的卷積層
示例 115
5．9 將Keras用于cifar10的卷積層
示例 118
5．10 預訓練 120
5．11 小結 121
第6章 遞歸神經網絡和語言模型 123
6．1 遞歸神經網絡 123
6．1．1 RNN—如何實施和訓練 125
6．1．2 長短期記憶 130
6．2 語言建模 133
6．2．1 基于單詞的語言模型 133
6．2．2 基于字符的語言模型 138
6．3 語音識別 144
6．3．1 語音識別管線 144
6．3．2 作為輸入數據的語音 145
6．3．3 預處理 146
6．3．4 聲學模型 147
6．3．5 解碼 149
6．3．6 端到端模型 150
6．4 小結 150
6．5 拓展閱讀 150
第7章 深度學習在棋盤游戲中的
應用 154
7．1 早期游戲AI 155
7．2 用*小-*大算法評估游戲狀態 156
7．3 實現Python井字游戲 158
7．4 學習價值函數 166
7．5 訓練AI掌握圍棋 167
7．6 應用于樹結構的置信上限 169
7．7 蒙特卡羅樹搜索中的深度學習 176
7．8 快速復習強化學習 177
7．9 用于學習策略函數的策略梯度 177
7．10 AlphaGo中的策略梯度 185
7．11 小結 186
第8章 深度學習在電子游戲中的
應用 188
8．1 應用于游戲的監督學習算法 188
8．2 遺傳算法在游戲中的應用 189
8．3 Q-learning算法 190
8．4 Q-learning算法在動作中的應用 192
8．5 動態游戲 197
8．5．1 經驗回放 200
8．5．2 Epsilon貪婪算法 203
8．6 《雅達利打磚塊》游戲 204
8．6．1 《雅達利打磚塊》游戲的
隨機基準 205
8．6．2 預處理屏幕 207
8．6．3 創建一個深度卷積網絡 208
8．6．4 Q-learning算法中的收斂
問題 213
8．6．5 策略梯度與Q-learning算法 214
8．7 actor-critic算法 215
8．7．1 方差縮減基線 216
8．7．2 通用優勢估計器 216
8．8 異步算法 217
8．9 基于模型的算法 218
8．10 小結 220
第9章 異常檢測 221
9．1 什么是異常檢測和異常點檢測 221
9．2 異常檢測的現實應用 224
9．3 流行的淺層機器學習技術 225
9．3．1 數據建模 225
9．3．2 檢測建！225
9．4 基于深度自編碼器的異常檢測 227
9．5 開始使用H2O 229
9．6 示例 230
9．6．1 MNIST數字異常識別 230
9．6．2 心電圖脈沖檢測 238
9．7 小結 243
第 10章 構建一個可用于生產環境的
入侵檢測系統 244
10．1 什么是數據產品 245
10．2 訓練 246
10．2．1 權值初始化 246
10．2．2 使用HOGWILD!的并行
隨機梯度下降算法 248
10．2．3 自適應學習 250
10．2．4 學習率退火 250
10．2．5 動量法 251
10．2．6 Nesterov加速法 251
10．2．7 牛頓迭代法 252
10．2．8 Adagrad算法 253
10．2．9 Adadelta算法 253
10．2．10 通過Map/Reduce實現
分布式學習 255
10．2．11 Sparkling Water 258
10．3 測試 260
10．3．1 模型驗證 266
10．3．2 有標記數據 267
10．3．3 無標記數據 269
10．3．4 驗證總結 272
10．3．5 超參數調優 272
10．3．6 端到端評估 275
10．3．7 A/B測試 277
10．3．8 測試總結 278
10．4 部署 279
10．4．1 POJO模型導出 280
10．4．2 異常得分API 283
10．4．3 部署總結 285
10．5 小結 285
展開全部
PythonPython深度學習從原理到應用 作者簡介
Valentino Zocca本科畢業于羅馬大學數學系，博士畢業于美國馬里蘭大學，獲得數學博士學位。他在設計、開發和實現高級立體3D地球可視化軟件方面有著深厚的經驗。他在波音公司開發了許多數學算法和預測模型，并自動化了幾個衛星圖像的可視化程序。此后，他成為機器學習和深度學習方面的專家，曾在米蘭和紐約舉辦了關于機器學習和深度學習的研討會。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
巴金－再思錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
苦雨齋序跋文-周作人自編集
- >
羅庸西南聯大授課錄
- >
小考拉的故事-套裝共3冊
- >
經典常談
- >
詩經-先民的歌唱
本類暢銷
