中圖網(wǎng)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(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
Keras深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 版權(quán)信息
- ISBN：9787115564788
- 條形碼：9787115564788 ; 978-7-115-56478-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Keras深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 本書特色
1.以操作實踐為學(xué)習(xí)的切入點，而不是直接切入理論講解； 2.以任務(wù)為驅(qū)動，貫穿知識內(nèi)容； 3.充分考慮學(xué)習(xí)者的認知曲線，由淺入深，邊講邊練邊切入理論知識； 4.通過項目實訓(xùn)訓(xùn)練技能的綜合使用能力。
Keras深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 內(nèi)容簡介
本書從人工智能導(dǎo)論入手，闡述人工智能的發(fā)展及現(xiàn)狀，重點介紹了機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、反向傳播原理、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等內(nèi)容。本書內(nèi)容由淺入深，循序漸進，從神經(jīng)元和感知機入手，逐步講解深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、反向傳播以及更深層次的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)。本書知識體系完整，內(nèi)容覆蓋面廣，介紹了深度學(xué)習(xí)中常用的模型和算法，助力讀者全方位掌握深度學(xué)習(xí)的相關(guān)知識。 本書可作為高等院校計算機等相關(guān)專業(yè)的教材，也可供人工智能領(lǐng)域的技術(shù)人員學(xué)習(xí)使用，還可以作為人工智能研究人員的參考用書。
Keras深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 目錄
目錄 第１章 人工智能導(dǎo)論
任務(wù) 1．1：了解人工智能發(fā)展歷程
人工智能的發(fā)展歷程
任務(wù) 1．2：理解人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)．
1．2．1 人工智能，機器學(xué)習(xí)和深度學(xué)習(xí)
1．2．2 深度學(xué)習(xí)的發(fā)展
任務(wù) 1．3：了解深度學(xué)習(xí)的應(yīng)用情況
1．3．1 深度學(xué)習(xí)的應(yīng)用情況
本章小結(jié)
本章習(xí)題
第 2 章 深度學(xué)習(xí)流程
任務(wù) 2．1：什么是機器學(xué)習(xí)
2．1．1 機器學(xué)習(xí)
2．1．2 機器如何學(xué)習(xí)
任務(wù) 2．2：理解回歸與分類
2．2．1 回歸
2．2．2 分類
任務(wù) 2．3：了解深度學(xué)習(xí)工作過程
深度學(xué)習(xí)工作過程
本章小結(jié)
本章習(xí)題
第 3 章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
任務(wù) 3．1：什么是人工神經(jīng)元
3．1．1 生物神經(jīng)元
3．1．2 人工神經(jīng)元
任務(wù) 3．2：理解激活函數(shù)的意義
3．2．1 激活函數(shù)的意義
3．2．2 激活函數(shù)種類
任務(wù) 3．3：掌握基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3．3．1 感知機模型
3．3．2 全連接神經(jīng)網(wǎng)絡(luò)
任務(wù) 3．4：了解什么是損失函數(shù)
3．4．1 損失函數(shù)的意義
3．4．2 損失函數(shù)的種類
本章小結(jié)
本章習(xí)題
第 4 章 反向傳播原理．
任務(wù) 4．1：計算神經(jīng)網(wǎng)絡(luò)的輸出
前向傳播計算
任務(wù) 4．2：掌握反向傳播算法
4．2．1 反向傳播算法的意義
4．2．2 反向傳播算法的計算
任務(wù) 4．3：掌握梯度下降算法
4．3．1 梯度下降概述
4．3．2 梯度下降的形式
4．3．3 學(xué)習(xí)率的作用
任務(wù) 4．4：使用 Python 實現(xiàn)反向傳播算法
反向傳播的 Python 實現(xiàn)
本章小結(jié)
本章習(xí)題
第 5 章 Keras 與環(huán)境配置
任務(wù) 5．1：深度學(xué)習(xí)開發(fā)環(huán)境的配置
5．1．1 Python 開發(fā)環(huán)境搭建
5．1．2 Keras 與 TensorFlow 安裝
任務(wù) 5．2：快速開始 Keras
5．2．1 為什么選擇 Keras
5．2．2 快速開始 Keras
任務(wù) 5．3：掌握順序模型 Sequential API
5．3．1 Sequential API
任務(wù) 5．4：認識函數(shù)式模型 Funtional API
Funtional API
本章小結(jié)
本章習(xí)題
第 6 章 深度神經(jīng)網(wǎng)絡(luò)手寫體識別
任務(wù) 6．1：理解 Softmax 回歸模型
6．1．1 Softmax 回歸模型
6．1．2 交叉熵損失函數(shù)
任務(wù) 6．2：使用手寫體識別數(shù)據(jù)集 MNIST
圖像分類數(shù)據(jù)集-MNIST
任務(wù) 6．3：深度神經(jīng)網(wǎng)絡(luò)解決圖像分類問題
多層感知機結(jié)合 Softmax 完成手寫體識別
任務(wù) 6．4：模型評估
6．4．1 選擇一個可靠的模型
6．4．2 欠擬合和過擬合
本章小結(jié)
本章習(xí)題
第 7 章 神經(jīng)網(wǎng)絡(luò)優(yōu)化
任務(wù) 7．1：范數(shù)正則化避免過擬合
范數(shù)正則化
任務(wù) 7．2：丟棄法正則化避免過擬合
丟棄法
任務(wù) 7．3：掌握改進的優(yōu)化算法
7．3．1 深度學(xué)習(xí)與優(yōu)化
7．3．2 小批量隨機梯度下降算法改進
本章小結(jié)
本章習(xí)題
第 8 章 卷積神經(jīng)網(wǎng)絡(luò)
任務(wù) 8．1：初識卷積神經(jīng)網(wǎng)絡(luò)
8．1．1 卷積概述
8．1．2 與全連接網(wǎng)絡(luò)對比
任務(wù) 8．2：卷積運算
8．2．1 卷積核
8．2．2 填充和步幅
8．2．3 多通道卷積
8．2．4 池化層
任務(wù) 8．3：LeNet 實現(xiàn)物體分類
8．3．1 LeNet-開山之作
8．3．2 LeNet 進行物體分類
本章小結(jié)
本章習(xí)題
第 9 章 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典結(jié)構(gòu)
任務(wù) 9．1：訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)
9．1．1 AlexNet
9．1．2 圖像增廣
9．1．3 實現(xiàn) AlexNet
任務(wù) 9．2：進一步增加網(wǎng)絡(luò)的深度
9．2．1 VGG 系列
9．2．2 應(yīng)用 VGG16 提取特征
任務(wù) 9．3：認識并行結(jié)構(gòu)的卷積網(wǎng)絡(luò)
9．3．1 GoogLeNet
9．3．2 Inception 結(jié)構(gòu)塊
9．3．3 1×1 卷積核
9．3．4 GoogLeNet 結(jié)構(gòu)
任務(wù) 9．4：把網(wǎng)絡(luò)深度提升至上百層
9．4．1 深度殘差網(wǎng)絡(luò)
9．4．2 稠密連接網(wǎng)絡(luò)
本章小結(jié)
本章習(xí)題
第 10 章 循環(huán)神經(jīng)網(wǎng)絡(luò)
任務(wù) 10．1：對時序數(shù)據(jù)建模
10．1．1 時序數(shù)據(jù)
10．1．2 循環(huán)神經(jīng)網(wǎng)絡(luò)
任務(wù) 10．2：增加循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶
10．2．1 長短期記憶網(wǎng)絡(luò)原理
10．2．2 Keras 實現(xiàn) LSTM
任務(wù) 10．3：優(yōu)化長短期記憶網(wǎng)絡(luò)
10．3．1 重置門與更新門
本章小結(jié)
本章習(xí)題
任務(wù) 1．1：了解人工智能發(fā)展歷程
人工智能的發(fā)展歷程
任務(wù) 1．2：理解人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)．
1．2．1 人工智能，機器學(xué)習(xí)和深度學(xué)習(xí)
1．2．2 深度學(xué)習(xí)的發(fā)展
任務(wù) 1．3：了解深度學(xué)習(xí)的應(yīng)用情況
1．3．1 深度學(xué)習(xí)的應(yīng)用情況
本章小結(jié)
本章習(xí)題
第 2 章 深度學(xué)習(xí)流程
任務(wù) 2．1：什么是機器學(xué)習(xí)
2．1．1 機器學(xué)習(xí)
2．1．2 機器如何學(xué)習(xí)
任務(wù) 2．2：理解回歸與分類
2．2．1 回歸
2．2．2 分類
任務(wù) 2．3：了解深度學(xué)習(xí)工作過程
深度學(xué)習(xí)工作過程
本章小結(jié)
本章習(xí)題
第 3 章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
任務(wù) 3．1：什么是人工神經(jīng)元
3．1．1 生物神經(jīng)元
3．1．2 人工神經(jīng)元
任務(wù) 3．2：理解激活函數(shù)的意義
3．2．1 激活函數(shù)的意義
3．2．2 激活函數(shù)種類
任務(wù) 3．3：掌握基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3．3．1 感知機模型
3．3．2 全連接神經(jīng)網(wǎng)絡(luò)
任務(wù) 3．4：了解什么是損失函數(shù)
3．4．1 損失函數(shù)的意義
3．4．2 損失函數(shù)的種類
本章小結(jié)
本章習(xí)題
第 4 章 反向傳播原理．
任務(wù) 4．1：計算神經(jīng)網(wǎng)絡(luò)的輸出
前向傳播計算
任務(wù) 4．2：掌握反向傳播算法
4．2．1 反向傳播算法的意義
4．2．2 反向傳播算法的計算
任務(wù) 4．3：掌握梯度下降算法
4．3．1 梯度下降概述
4．3．2 梯度下降的形式
4．3．3 學(xué)習(xí)率的作用
任務(wù) 4．4：使用 Python 實現(xiàn)反向傳播算法
反向傳播的 Python 實現(xiàn)
本章小結(jié)
本章習(xí)題
第 5 章 Keras 與環(huán)境配置
任務(wù) 5．1：深度學(xué)習(xí)開發(fā)環(huán)境的配置
5．1．1 Python 開發(fā)環(huán)境搭建
5．1．2 Keras 與 TensorFlow 安裝
任務(wù) 5．2：快速開始 Keras
5．2．1 為什么選擇 Keras
5．2．2 快速開始 Keras
任務(wù) 5．3：掌握順序模型 Sequential API
5．3．1 Sequential API
任務(wù) 5．4：認識函數(shù)式模型 Funtional API
Funtional API
本章小結(jié)
本章習(xí)題
第 6 章 深度神經(jīng)網(wǎng)絡(luò)手寫體識別
任務(wù) 6．1：理解 Softmax 回歸模型
6．1．1 Softmax 回歸模型
6．1．2 交叉熵損失函數(shù)
任務(wù) 6．2：使用手寫體識別數(shù)據(jù)集 MNIST
圖像分類數(shù)據(jù)集-MNIST
任務(wù) 6．3：深度神經(jīng)網(wǎng)絡(luò)解決圖像分類問題
多層感知機結(jié)合 Softmax 完成手寫體識別
任務(wù) 6．4：模型評估
6．4．1 選擇一個可靠的模型
6．4．2 欠擬合和過擬合
本章小結(jié)
本章習(xí)題
第 7 章 神經(jīng)網(wǎng)絡(luò)優(yōu)化
任務(wù) 7．1：范數(shù)正則化避免過擬合
范數(shù)正則化
任務(wù) 7．2：丟棄法正則化避免過擬合
丟棄法
任務(wù) 7．3：掌握改進的優(yōu)化算法
7．3．1 深度學(xué)習(xí)與優(yōu)化
7．3．2 小批量隨機梯度下降算法改進
本章小結(jié)
本章習(xí)題
第 8 章 卷積神經(jīng)網(wǎng)絡(luò)
任務(wù) 8．1：初識卷積神經(jīng)網(wǎng)絡(luò)
8．1．1 卷積概述
8．1．2 與全連接網(wǎng)絡(luò)對比
任務(wù) 8．2：卷積運算
8．2．1 卷積核
8．2．2 填充和步幅
8．2．3 多通道卷積
8．2．4 池化層
任務(wù) 8．3：LeNet 實現(xiàn)物體分類
8．3．1 LeNet-開山之作
8．3．2 LeNet 進行物體分類
本章小結(jié)
本章習(xí)題
第 9 章 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典結(jié)構(gòu)
任務(wù) 9．1：訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)
9．1．1 AlexNet
9．1．2 圖像增廣
9．1．3 實現(xiàn) AlexNet
任務(wù) 9．2：進一步增加網(wǎng)絡(luò)的深度
9．2．1 VGG 系列
9．2．2 應(yīng)用 VGG16 提取特征
任務(wù) 9．3：認識并行結(jié)構(gòu)的卷積網(wǎng)絡(luò)
9．3．1 GoogLeNet
9．3．2 Inception 結(jié)構(gòu)塊
9．3．3 1×1 卷積核
9．3．4 GoogLeNet 結(jié)構(gòu)
任務(wù) 9．4：把網(wǎng)絡(luò)深度提升至上百層
9．4．1 深度殘差網(wǎng)絡(luò)
9．4．2 稠密連接網(wǎng)絡(luò)
本章小結(jié)
本章習(xí)題
第 10 章 循環(huán)神經(jīng)網(wǎng)絡(luò)
任務(wù) 10．1：對時序數(shù)據(jù)建模
10．1．1 時序數(shù)據(jù)
10．1．2 循環(huán)神經(jīng)網(wǎng)絡(luò)
任務(wù) 10．2：增加循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶
10．2．1 長短期記憶網(wǎng)絡(luò)原理
10．2．2 Keras 實現(xiàn) LSTM
任務(wù) 10．3：優(yōu)化長短期記憶網(wǎng)絡(luò)
10．3．1 重置門與更新門
本章小結(jié)
本章習(xí)題
展開全部
Keras深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 作者簡介
肖睿，課工場創(chuàng)始人，北京大學(xué)教育學(xué)博士，北京大學(xué)軟件學(xué)院特約講師，北京大學(xué)學(xué)習(xí)科學(xué)實驗室特約顧問。作為北大青鳥 Aptech 的聯(lián)合創(chuàng)始人，歷任學(xué)術(shù)總監(jiān)、研究院院長、公司副總裁等核心崗位，擁有20多年的IT職業(yè)教育產(chǎn)品管理和企業(yè)管理經(jīng)驗。于2015年創(chuàng)辦課工場，兼任總經(jīng)理，旨在為大學(xué)生提供更可靠的 IT 就業(yè)教育及服務(wù)。
書友推薦
- >
唐代進士錄
- >
經(jīng)典常談
- >
我從未如此眷戀人間
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
莉莉和章魚
- >
伯納黛特,你要去哪(2021新版)
- >
中國歷史的瞬間
- >
羅庸西南聯(lián)大授課錄
本類暢銷
