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)
-
>
深度學習
深度學習:從基礎到實踐:from basics to practice 版權信息
- ISBN：9787115554512
- 條形碼：9787115554512 ; 978-7-115-55451-2
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
深度學習:從基礎到實踐:from basics to practice 本書特色
1.“計算機圖形研究領域*受尊敬的天才之一”Andrew Glassner編寫。 2. 基本概念+理論，不涉及復雜的數(shù)學內(nèi)容。 3. 近千張圖和簡單的例子，由淺入深地講解深度學習的相關知識。
深度學習:從基礎到實踐:from basics to practice 內(nèi)容簡介
本書從基本概念和理論入手，通過近千張圖和簡單的例子由淺入深地講解深度學習的相關知識，且不涉及復雜的數(shù)學內(nèi)容。 本書分為上下兩冊。上冊著重介紹深度學習的基礎知識，旨在幫助讀者建立扎實的知識儲備，主要介紹隨機性與基礎統(tǒng)計學、訓練與測試、過擬合與欠擬合、神經(jīng)元、學習與推理、數(shù)據(jù)準備、分類器、集成算法、前饋網(wǎng)絡、激活函數(shù)、反向傳播等內(nèi)容。下冊介紹機器學習的 scikit-learn 庫和深度學習的 Keras 庫(這兩種庫均基于 Python 語言)，以及卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、自編碼器、強化學習、生成對抗網(wǎng)絡等內(nèi)容，還介紹了一些創(chuàng)造性應用，并給出了一些典型的數(shù)據(jù)集，以幫助讀者更好地了解學習。 本書適合想要了解和使用深度學習的人閱讀，也可作為深度學習教學培訓領域的入門級參考用書。
深度學習:從基礎到實踐:from basics to practice 目錄
上冊
第 1章 機器學習與深度學習入門 1
1.1 為什么這一章出現(xiàn)在這里 1
1.1.1 從數(shù)據(jù)中提取含義 1
1.1.2 專家系統(tǒng) 3
1.2 從標記數(shù)據(jù)中學習 4
1.2.1 一種學習策略 5
1.2.2 一種計算機化的學習策略 6
1.2.3 泛化 8
1.2.4 讓我們仔細看看學習過程 9
1.3 監(jiān)督學習 10
1.3.1 分類 10
1.3.2 回歸 11
1.4 無監(jiān)督學習 12
1.4.1 聚類 13
1.4.2 降噪 13
1.4.3 降維 14
1.5 生成器 16
1.6 強化學習 18
1.7 深度學習 19
1.8 接下來會講什么 22
參考資料 22
第 2章 隨機性與基礎統(tǒng)計學 24
2.1 為什么這一章出現(xiàn)在這里 24
2.2 隨機變量 24
2.3 一些常見的分布 29
2.3.1 均勻分布 30
2.3.2 正態(tài)分布 31
2.3.3 伯努利分布 34
2.3.4 多項式分布 34
2.3.5 期望值 35
2.4 獨立性 35
2.5 抽樣與放回 36
2.5.1 有放回抽樣 36
2.5.2 無放回抽樣 37
2.5.3 做選擇 38
2.6 Bootstrapping算法 38
2.7 高維空間 41
2.8 協(xié)方差和相關性 43
2.8.1 協(xié)方差 43
2.8.2 相關性 44
2.9 Anscombe四重奏 47
參考資料 48
第3章 概率 50
3.1 為什么這一章出現(xiàn)在這里 50
3.2 飛鏢游戲 50
3.3 初級概率學 52
3.4 條件概率 52
3.5 聯(lián)合概率 55
3.6 邊際概率 57
3.7 測量的正確性 58
3.7.1 樣本分類 58
3.7.2 混淆矩陣 60
3.7.3 混淆矩陣的解釋 62
3.7.4 允許錯誤分類 64
3.7.5 準確率 65
3.7.6 精度 66
3.7.7 召回率 67
3.7.8 關于精度和召回率 68
3.7.9 其他方法 69
3.7.10 同時使用精度和召回率 71
3.7.11 f1分數(shù) 72
3.8 混淆矩陣的應用 73
參考資料 77
第4章 貝葉斯定理 78
4.1 為什么這一章出現(xiàn)在這里 78
4.2 頻率論者法則以及貝葉斯法則 78
4.2.1 頻率論者法則 79
4.2.2 貝葉斯法則 79
4.2.3 討論 79
4.3 拋硬幣 80
4.4 這枚硬幣公平嗎 81
4.4.1 貝葉斯定理 86
4.4.2 貝葉斯定理的注意事項 87
4.5 生活中的貝葉斯定理 89
4.6 重復貝葉斯定理 91
4.6.1 后驗-先驗循環(huán) 92
4.6.2 例子：挑到的是哪種硬幣 93
4.7 多個假設 97
參考資料 101
第5章 曲線和曲面 102
5.1 為什么這一章出現(xiàn)在這里 102
5.2 引言 102
5.3 導數(shù) 103
5.4 梯度 108
參考資料 112
第6章 信息論 113
6.1 為什么這一章出現(xiàn)在這里 113
6.2 意外程度與語境 113
6.2.1 意外程度 114
6.2.2 語境 114
6.3 用比特作為單位 115
6.4 衡量信息 116
6.5 事件的大小 117
6.6 自適應編碼 117
6.7 熵 122
6.8 交叉熵 123
6.8.1 兩種自適應編碼 123
6.8.2 混合編碼 125
6.9 KL散度 127
參考資料 128
第7章 分類 130
7.1 為什么這一章出現(xiàn)在這里 130
7.2 二維分類 130
7.3 二維多分類 134
7.4 多維二元分類 135
7.4.1 one-versus-rest 135
7.4.2 one-versus-one 136
7.5 聚類 138
7.6 維度災難 141
參考資料 149
第8章 訓練與測試 150
8.1 為什么這一章出現(xiàn)在這里 150
8.2 訓練 150
8.3 測試數(shù)據(jù) 153
8.4 驗證數(shù)據(jù) 156
8.5 交叉驗證 157
8.6 對測試結(jié)果的利用 160
參考資料 161
第9章 過擬合與欠擬合 162
9.1 為什么這一章出現(xiàn)在這里 162
9.2 過擬合與欠擬合 162
9.2.1 過擬合 162
9.2.2 欠擬合 164
9.3 過擬合數(shù)據(jù) 164
9.4 及早停止 167
9.5 正則化 168
9.6 偏差與方差 169
9.6.1 匹配潛在數(shù)據(jù) 170
9.6.2 高偏差，低方差 172
9.6.3 低偏差，高方差 173
9.6.4 比較這些曲線 173
9.7 用貝葉斯法則進行線擬合 175
參考資料 179
第 10章 神經(jīng)元 181
10.1 為什么這一章出現(xiàn)在這里 181
10.2 真實神經(jīng)元 181
10.3 人工神經(jīng)元 182
10.3.1 感知機 183
10.3.2 感知機的歷史 183
10.3.3 現(xiàn)代人工神經(jīng)元 184
10.4 小結(jié) 188
參考資料 188
第 11章 學習與推理 190
11.1 為什么這一章出現(xiàn)在這里 190
11.2 學習的步驟 190
11.2.1 表示 190
11.2.2 評估 192
11.2.3 優(yōu)化 193
11.3 演繹和歸納 193
11.4 演繹 194
11.5 歸納 199
11.5.1 機器學習中的歸納術語 201
11.5.2 歸納謬誤 202
11.6 組合推理 203
11.7 操作條件 204
參考資料 206
第 12章 數(shù)據(jù)準備 208
12.1 為什么這一章出現(xiàn)在這里 208
12.2 數(shù)據(jù)變換 208
12.3 數(shù)據(jù)類型 210
12.4 數(shù)據(jù)清理基礎 212
12.4.1 數(shù)據(jù)清理 212
12.4.2 現(xiàn)實中的數(shù)據(jù)清理 213
12.5 歸一化和標準化 213
12.5.1 歸一化 213
12.5.2 標準化 214
12.5.3 保存數(shù)據(jù)的轉(zhuǎn)換方式 215
12.5.4 轉(zhuǎn)換方式 216
12.6 特征選擇 217
12.7 降維 217
12.7.1 主成分分析 217
12.7.2 圖像的標準化和PCA 222
12.8 轉(zhuǎn)換 226
12.9 切片處理 229
12.9.1 逐樣本處理 230
12.9.2 逐特征處理 230
12.9.3 逐元素處理 231
12.10 交叉驗證轉(zhuǎn)換 232
參考資料 234
第 13章 分類器 236
13.1 為什么這一章出現(xiàn)在這里 236
13.2 分類器的種類 236
13.3 k近鄰法 237
13.4 支持向量機 241
13.5 決策樹 247
13.5.1 構建決策樹 250
13.5.2 分離節(jié)點 253
13.5.3 控制過擬合 255
13.6 樸素貝葉斯 255
13.7 討論 259
參考資料 260
第 14章 集成算法 261
14.1 為什么這一章出現(xiàn)在這里 261
14.2 集成方法 261
14.3 投票 262
14.4 套袋算法 262
14.5 隨機森林 264
14.6 極端隨機樹 265
14.7 增強算法 265
參考資料 270
第 15章 scikit-learn 272
15.1 為什么這一章出現(xiàn)在這里 272
15.2 介紹 273
15.3 Python 約定 273
15.4 估算器 276
15.4.1 創(chuàng)建 276
15.4.2 學習fit()用法 277
15.4.3 用predict()預測 278
15.4.4 decision_function()，predict_proba() 279
15.5 聚類 279
15.6 變換 282
15.7 數(shù)據(jù)精化 286
15.8 集成器 288
15.9 自動化 290
15.9.1 交叉驗證 290
15.9.2 超參數(shù)搜索 292
15.9.3 枚舉型網(wǎng)格搜索 294
15.9.4 隨機型網(wǎng)格搜索 300
15.9.5 pipeline 300
15.9.6 決策邊界 307
15.9.7 流水線式變換 308
15.10 數(shù)據(jù)集 309
15.11 實用工具 311
15.12 結(jié)束語 312
參考資料 312
第 16章 前饋網(wǎng)絡 314
16.1 為什么這一章出現(xiàn)在這里 314
16.2 神經(jīng)網(wǎng)絡圖 314
16.3 同步與異步流 316
16.4 權重初始化 317
參考資料 320
第 17章 激活函數(shù) 321
17.1 為什么這一章出現(xiàn)在這里 321
17.2 激活函數(shù)可以做什么 321
17.3 基本的激活函數(shù) 324
17.3.1 線性函數(shù) 324
17.3.2 階梯狀函數(shù) 325
17.4 階躍函數(shù) 325
17.5 分段線性函數(shù) 327
17.6 光滑函數(shù) 329
17.7 激活函數(shù)畫廊 333
17.8 歸一化指數(shù)函數(shù) 333
參考資料 335
第 18章 反向傳播 336
18.1 為什么這一章出現(xiàn)在這里 336
18.2 一種非常慢的學習方式 337
18.2.1 緩慢的學習方式 339
18.2.2 更快的學習方式 340
18.3 現(xiàn)在沒有激活函數(shù) 341
18.4 神經(jīng)元輸出和網(wǎng)絡誤差 342
18.5 微小的神經(jīng)網(wǎng)絡 345
18.6 第 1步：輸出神經(jīng)元的delta 347
18.7 第 2步：使用delta改變權重 353
18.8 第3步：其他神經(jīng)元的delta 356
18.9 實際應用中的反向傳播 359
18.10 使用激活函數(shù) 363
18.11 學習率 367
18.12 討論 374
18.12.1 在一個地方的反向傳播 374
18.12.2 反向傳播不做什么 374
18.12.3 反向傳播做什么 375
18.12.4 保持神經(jīng)元快樂 375
18.12.5 小批量 377
18.12.6 并行更新 378
18.12.7 為什么反向傳播很有吸引力 378
18.12.8 反向傳播并不是有保證的 379
18.12.9 一點歷史 379
18.12.10 深入研究數(shù)學 380
參考資料 381
第 19章 優(yōu)化器 383
19.1 為什么這一章出現(xiàn)在這里 383
19.2 幾何誤差 383
19.2.1 *小值、*大值、平臺和鞍部 383
19.2.2 作為二維曲線的誤差 386
19.3 調(diào)整學習率 388
19.3.1 固定大小的更新 388
19.3.2 隨時間改變學習率 394
19.3.3 衰減規(guī)劃 396
19.4 更新策略 398
19.4.1 批梯度下降 398
19.4.2 隨機梯度下降 400
19.4.3 mini batch梯度下降 401
19.5 梯度下降變體 403
19.5.1 動量 403
19.5.2 Nesterov動量 408
19.5.3 Adagrad 410
19.5.4 Adadelta和RMSprop 411
19.5.5 Adam 413
19.6 優(yōu)化器選擇 414
參考資料 415
下冊
第 20章 深度學習 417
20.1 為什么這一章出現(xiàn)在這里 417
20.2 深度學習概述 417
20.3 輸入層和輸出層 419
20.3.1 輸入層 419
20.3.2 輸出層 420
20.4 深度學習層縱覽 420
20.4.1 全連接層 421
20.4.2 激活函數(shù) 421
20.4.3 dropout 422
20.4.4 批歸一化 423
20.4.5 卷積層 424
20.4.6 池化層 425
20.4.7 循環(huán)層 426
20.4.8 其他工具層 427
20.5 層和圖形符號總結(jié) 428
20.6 一些例子 429
20.7 構建一個深度學習器 434
20.8 解釋結(jié)果 435
參考資料 440
第 21章 卷積神經(jīng)網(wǎng)絡 441
21.1 為什么這一章出現(xiàn)在這里 441
21.2 介紹 441
21.2.1 “深度”的兩重含義 442
21.2.2 放縮后的值之和 443
21.2.3 權重共享 445
21.2.4 局部感知域 446
21.2.5 卷積核 447
21.3 卷積 447
21.3.1 過濾器 450
21.3.2 復眼視圖 452
21.3.3 過濾器的層次結(jié)構 453
21.3.4 填充 458
21.3.5 步幅 459
21.4 高維卷積 462
21.4.1 具有多個通道的過濾器 463
21.4.2 層次結(jié)構的步幅 465
21.5 一維卷積 466
21.6 1×1卷積 466
21.7 卷積層 468
21.8 轉(zhuǎn)置卷積 469
21.9 卷積網(wǎng)絡樣例 472
21.9.1 VGG16 475
21.9.2 有關過濾器的其他內(nèi)容：第 1部分 477
21.9.3 有關過濾器的其他內(nèi)容：第 2部分 481
21.10 對手 483
參考資料 485
第 22章 循環(huán)神經(jīng)網(wǎng)絡 488
22.1 為什么這一章出現(xiàn)在這里 488
22.2 引言 489
22.3 狀態(tài) 490
22.4 RNN單元的結(jié)構 494
22.4.1 具有更多狀態(tài)的單元 496
22.4.2 狀態(tài)值的解釋 498
22.5 組織輸入 498
22.6 訓練RNN 500
22.7 LSTM和GRU 502
22.7.1 門 503
22.7.2 LSTM 505
22.8 RNN的結(jié)構 508
22.8.1 單個或多個輸入和輸出 508
22.8.2 深度RNN 510
22.8.3 雙向RNN 511
22.8.4 深度雙向RNN 512
22.9 一個例子 513
參考資料 517
第 23章 Keras第 1部分 520
23.1 為什么這一章出現(xiàn)在這里 520
23.1.1 本章結(jié)構 520
23.1.2 筆記本 521
23.1.3 Python警告 521
23.2 庫和調(diào)試 521
23.2.1 版本和編程風格 522
23.2.2 Python編程和調(diào)試 522
23.3 概述 523
23.3.1 什么是模型 524
23.3.2 張量和數(shù)組 524
23.3.3 設置Keras 524
23.3.4 張量圖像的形狀 525
23.3.5 GPU和其他加速器 527
23.4 準備開始 528
23.5 準備數(shù)據(jù) 530
23.5.1 重塑 530
23.5.2 加載數(shù)據(jù) 536
23.5.3 查看數(shù)據(jù) 537
23.5.4 訓練-測試拆分 541
23.5.5 修復數(shù)據(jù)類型 541
23.5.6 歸一化數(shù)據(jù) 542
23.5.7 固定標簽 544
23.5.8 在同一個地方進行預處理 547
23.6 制作模型 548
23.6.1 將網(wǎng)格轉(zhuǎn)換為列表 548
23.6.2 創(chuàng)建模型 550
23.6.3 編譯模型 554
23.6.4 模型創(chuàng)建摘要 556
23.7 訓練模型 557
23.8 訓練和使用模型 559
23.8.1 查看輸出 560
23.8.2 預測 562
23.8.3 訓練歷史分析 566
23.9 保存和加載 567
23.9.1 將所有內(nèi)容保存在一個文件中 567
23.9.2 僅保存權重 568
23.9.3 僅保存架構 568
23.9.4 使用預訓練模型 569
23.9.5 保存預處理步驟 569
23.10 回調(diào)函數(shù) 570
23.10.1 檢查點 570
23.10.2 學習率 572
23.10.3 及早停止 573
參考資料 575
第 24章 Keras第 2部分 577
24.1 為什么這一章出現(xiàn)在這里 577
24.2 改進模型 577
24.2.1 超參數(shù)計數(shù) 577
24.2.2 改變一個超參數(shù) 578
24.2.3 其他改進方法 580
24.2.4 再增加一個全連接層 581
24.2.5 少即是多 582
24.2.6 添加dropout 584
24.2.7 觀察 587
24.3 使用scikit-learn 588
24.3.1 Keras包裝器 588
24.3.2 交叉驗證 591
24.3.3 歸一化交叉驗證 594
24.3.4 超參數(shù)搜索 596
24.4 卷積網(wǎng)絡 602
24.4.1 工具層 603
24.4.2 為CNN準備數(shù)據(jù) 604
24.4.3 卷積層 606
24.4.4 對MNIST使用卷積 611
24.4.5 模式 619
24.4.6 圖像數(shù)據(jù)增強 621
24.4.7 合成數(shù)據(jù) 623
24.4.8 CNN的參數(shù)搜索 624
24.5 RNN 624
24.5.1 生成序列數(shù)據(jù) 625
24.5.2 RNN數(shù)據(jù)準備 627
24.5.3 創(chuàng)建并訓練RNN 631
24.5.4 分析RNN性能 634
24.5.5 一個更復雜的數(shù)據(jù)集 639
24.5.6 深度RNN 641
24.5.7 更多數(shù)據(jù)的價值 643
24.5.8 返回序列 646
24.5.9 有狀態(tài)的RNN 649
24.5.10 時間分布層 650
24.5.11 生成文本 653
24.6 函數(shù)式API 658
24.6.1 輸入層 659
24.6.2 制作函數(shù)式模型 660
參考資料 664
第 25章 自編碼器 665
25.1 為什么這一章出現(xiàn)在這里 665
25.2 引言 666
25.2.1 有損編碼和無損編碼 666
25.2.2 區(qū)域編碼 667
25.2.3 混合展示 669
25.3 *簡單的自編碼器 671
25.4 更好的自編碼器 675
25.5 探索自編碼器 677
25.5.1 深入地觀察隱藏變量 677
25.5.2 參數(shù)空間 679
25.5.3 混合隱藏變量 683
25.5.4 對不同類型的輸入進行預測 684
25.6 討論 685
25.7 卷積自編碼器 685
25.7.1 混合卷積自編碼器中的隱藏變量 688
25.7.2 在CNN中對不同類型的輸入進行預測 689
25.8 降噪 689
25.9 VAE 691
25.9.1 隱藏變量的分布 691
25.9.2 VAE的結(jié)構 692
25.10 探索VAE 697
參考資料 703
第 26章 強化學習 704
26.1 為什么這一章出現(xiàn)在這里 704
26.2 目標 704
26.3 強化學習的結(jié)構 708
26.3.1 步驟1：智能體選擇一個動作 709
26.3.2 步驟2：環(huán)境做出響應 710
26.3.3 步驟3：智能體進行自我更新 711
26.3.4 簡單版本的變體 712
26.3.5 回到主體部分 713
26.3.6 保存經(jīng)驗 714
26.3.7 獎勵 714
26.4 翻轉(zhuǎn) 718
26.5 L學習 719
26.6 Q學習 728
26.6.1 Q值與更新 729
26.6.2 Q學習策略 731
26.6.3 把所有東西放在一起 732
26.6.4 顯而易見而又被忽略的事實 733
26.6.5 Q學習的動作 734
26.7 SARSA 739
26.7.1 實際中的SARSA 741
26.7.2 對比Q學習和SARSA 744
26.8 強化學習的全貌 748
26.9 經(jīng)驗回放 749
26.10 兩個應用 750
參考資料 751
第 27章 生成對抗網(wǎng)絡 753
27.1 為什么這一章出現(xiàn)在這里 753
27.2 一個比喻：偽造鈔票 754
27.2.1 從經(jīng)驗中學習 756
27.2.2 用神經(jīng)網(wǎng)絡偽造 757
27.2.3 一個學習回合 759
27.3 為什么要用“對抗” 760
27.4 GAN的實現(xiàn) 760
27.4.1 鑒別器 761
27.4.2 生成器 761
27.4.3 訓練GAN 762
27.4.4 博弈 763
27.5 實際操作中的GAN 764
27.6 DCGAN 769
27.7 挑戰(zhàn) 771
27.7.1 使用大樣本 772
27.7.2 模態(tài)崩潰 772
參考資料 773
第 28章 創(chuàng)造性應用 775
28.1 為什么這一章出現(xiàn)在這里 775
28.2 可視化過濾器 775
28.2.1 選擇網(wǎng)絡 775
28.2.2 可視化一個過濾器 776
28.2.3 可視化層 778
28.3 deep dreaming 779
28.4 神經(jīng)風格遷移 782
28.4.1 在矩陣中捕獲風格 783
28.4.2 宏觀藍圖 784
28.4.3 內(nèi)容損失 785
28.4.4 風格損失 786
28.4.5 實現(xiàn)風格遷移 789
28.4.6 討論 793
28.5 為本書生成更多的內(nèi)容 794
參考資料 795
第 29章 數(shù)據(jù)集 797
29.1 公共數(shù)據(jù)集 797
29.2 MNIST和Fashion-MNIST 797
29.3 庫的內(nèi)建數(shù)據(jù)集 798
29.3.1 scikit-learn 798
29.3.2 Keras 798
展開全部
深度學習:從基礎到實踐:from basics to practice 作者簡介
安德魯·格拉斯納(Andrew Glassner)博士是一位作家，同時也是計算機交互、圖形學領域的顧問。他于1978年開始從事3D計算機繪圖工作，在NYIT計算機圖形實驗室、凱斯西儲大學、IBM TJ Watson研究實驗室、代爾夫特理工大學、貝爾通信研究、施樂帕克研究中心和微軟研究院等公司進行了相關研究。《紐約時報》曾評價他為“計算機圖形研究領域最受尊敬的天才之一。”
書友推薦
- >
史學評論
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
朝聞道
- >
回憶愛瑪儂
- >
【精裝繪本】畫給孩子的中國神話
- >
苦雨齋序跋文-周作人自編集
- >
伯納黛特,你要去哪(2021新版)
- >
姑媽的寶刀
本類暢銷
