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
基于Python的數據分析叢書深度學習入門——基于Python的實現(基于Python的數據分析叢書) 版權信息
- ISBN：9787300290782
- 條形碼：9787300290782 ; 978-7-300-29078-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于Python的數據分析叢書深度學習入門——基于Python的實現(基于Python的數據分析叢書) 內容簡介
深度學習是一種人工智能, 模仿人腦處理數據和創建用于決策的模式方面的工作, 處理用于檢測對象、識別語音、翻譯語言和進行決策的數據. 本書是深度學習入門級教材，有以下特點：
1. 由淺入深, 對于很基本的單層神經網絡到多層神經網絡的前向及后向傳播理論, 從公式到代碼緩慢進階, 做了透徹的解釋, 易于理解及上手。
2. 在基本模塊介紹之后, 對于各種更復雜的模型并不拘泥于細節, 而是著重介紹其含義, 讓讀者著眼于整體框架及未來發展。
3. 盡量跟隨新發展, 書中近期新的模型來自2020年.
基于Python的數據分析叢書深度學習入門——基于Python的實現(基于Python的數據分析叢書) 目錄
**部分 Python 基礎
第 1 章 Python 基礎
1．1引 言
1．2 安 裝
1．3 基本模塊的編程
1．4 NumPy 模塊
1．5 Pandas 模塊
1．6 Matplotlib 模塊
1．7 Python 的類——面向對象編程簡介
1．8 習 題
第二部分 神經網絡基礎及逐步深化
第 2 章 從*簡單的神經網絡說起
2．1 紀元和批次
2．2 神經網絡回歸
2．3 神經網絡分類
第 3 章 有隱藏層的神經網絡
3．1 一個隱藏層的神經網絡
3．2 多個隱藏層的神經網絡
3．3 通過 PyTorch 實現神經網絡初等計算
第三部分 深度學習的 PyTorch 實現
第 4 章 神經網絡的 PyTorch 逐步深化
4．1 簡單的人造數據回歸
4．2 MNIST 手寫數字數據神經網絡案例
4．3 卷積神經網絡
4．4 MNIST 手 寫 數 字 數 據 ( 續)： CNN
4．5 CIFAR10 數據圖像 CNN 案例·
第 5 章 遞歸神經網絡
5．1 遞歸神經網絡簡介
5．2 長短期記憶網絡 (LSTM)
5．3 LSTM 預測句子的例子
5．4 門控遞歸網絡 (GRU)
5．5 數 據 MNIST 手 寫 數 字 數 據 的GRU 分類例子
5．6 GRU 處理時間序列的例子
第 6 章 PyTorch 文本數據分析
6．1 一個簡單的文本分類例子
6．2 序列到序列模型 (seq2seq)
6．3 剖析一個著名 seq2seq 案例
第 7 章 用于自然語言處理的變換器
7．1 變換器的原理
7．2 預訓練模塊Transformers·
7．3 seq2seq 變換器示范代碼
第 8 章 現代 Hopfifield 網絡
8．1 概論
8．2 傳統的 Hopfifield 網絡
8．3 現代 Hopfifield 網絡
8．4 現代 Hopfifield 網絡例子
第四部分 深度學習的 TensorFlow 實現
第 9 章 通過例子進入 TensorFlow
9．1 分類例子： 皮膚病
9．2 回歸例子
9．3 不平衡數據分類例子
第 10 章 TensorFlow 案例
10．1 102 種花卉 CNN 分類例子
10．2 通過 RNN 生成文本例子
10．3 IMDB 數據文本情感分析案例
10．4 IMDB 數據的變換器示范代碼
10．5 圖像分割案例
第 1 章 Python 基礎
1．1引 言
1．2 安 裝
1．3 基本模塊的編程
1．4 NumPy 模塊
1．5 Pandas 模塊
1．6 Matplotlib 模塊
1．7 Python 的類——面向對象編程簡介
1．8 習 題
第二部分 神經網絡基礎及逐步深化
第 2 章 從*簡單的神經網絡說起
2．1 紀元和批次
2．2 神經網絡回歸
2．3 神經網絡分類
第 3 章 有隱藏層的神經網絡
3．1 一個隱藏層的神經網絡
3．2 多個隱藏層的神經網絡
3．3 通過 PyTorch 實現神經網絡初等計算
第三部分 深度學習的 PyTorch 實現
第 4 章 神經網絡的 PyTorch 逐步深化
4．1 簡單的人造數據回歸
4．2 MNIST 手寫數字數據神經網絡案例
4．3 卷積神經網絡
4．4 MNIST 手 寫 數 字 數 據 ( 續)： CNN
4．5 CIFAR10 數據圖像 CNN 案例·
第 5 章 遞歸神經網絡
5．1 遞歸神經網絡簡介
5．2 長短期記憶網絡 (LSTM)
5．3 LSTM 預測句子的例子
5．4 門控遞歸網絡 (GRU)
5．5 數 據 MNIST 手 寫 數 字 數 據 的GRU 分類例子
5．6 GRU 處理時間序列的例子
第 6 章 PyTorch 文本數據分析
6．1 一個簡單的文本分類例子
6．2 序列到序列模型 (seq2seq)
6．3 剖析一個著名 seq2seq 案例
第 7 章 用于自然語言處理的變換器
7．1 變換器的原理
7．2 預訓練模塊Transformers·
7．3 seq2seq 變換器示范代碼
第 8 章 現代 Hopfifield 網絡
8．1 概論
8．2 傳統的 Hopfifield 網絡
8．3 現代 Hopfifield 網絡
8．4 現代 Hopfifield 網絡例子
第四部分 深度學習的 TensorFlow 實現
第 9 章 通過例子進入 TensorFlow
9．1 分類例子： 皮膚病
9．2 回歸例子
9．3 不平衡數據分類例子
第 10 章 TensorFlow 案例
10．1 102 種花卉 CNN 分類例子
10．2 通過 RNN 生成文本例子
10．3 IMDB 數據文本情感分析案例
10．4 IMDB 數據的變換器示范代碼
10．5 圖像分割案例
展開全部
基于Python的數據分析叢書深度學習入門——基于Python的實現(基于Python的數據分析叢書) 節選
深度學習是機器學習的一個子領域. 它利用層次化的人工神經網絡來實現機器學習的過程. 人工神經網絡類似于人的大腦, 其神經元節點像網絡一樣連接在一起. 深度學習系統的分層功能使機器可以使用非線性方法處理數據. 它主要用于有監督學習, 也能夠從非結構化或未標記的數據中不受監督地學習網絡. 由于深度學習主要使用神經網絡, 也稱為深度神 經學習或深度神經網絡. 數字時代引起了來自世界各地的各種形式的數據爆炸式增長. 這些數據 (簡稱為大數據) 來自社交媒體、互聯網搜索引擎和電子商務平臺等多種資源. 有大量數據易于訪問, 并且可以通過云計算等金融科技應用程序共享. 但是, 通常只有非結構化的數據如此龐大, 以至于基于傳統方法可能需要數十年才能理解并提取相關信息. 人們意識到, 挖掘這些豐富的信息可能會帶來令人難以置信的潛力, 因此, 越來越多地采用諸如深度學習這樣的人工智能系統進行自動化支持.
基于Python的數據分析叢書深度學習入門——基于Python的實現(基于Python的數據分析叢書) 作者簡介
吳喜之 北京大學數學力學系本科畢業，北卡羅來納大學統計系博士。中國人民大學統計學院教授，博士生導師。曾在南開大學、北京大學、加利福尼亞大學、北卡羅來納大學等多所著名學府執教。
書友推薦
- >
經典常談
- >
中國歷史的瞬間
- >
月亮與六便士
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
巴金－再思錄
- >
【精裝繪本】畫給孩子的中國神話
- >
推拿
- >
史學評論
本類暢銷
