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(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(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
細說機器學習 從理論到實踐 版權信息
- ISBN：9787302628767
- 條形碼：9787302628767 ; 978-7-302-62876-7
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
細說機器學習 從理論到實踐 本書特色
《細說機器學習：從理論到實踐》是一個詳細介紹現(xiàn)代機器學習理論、經典算法與流行框架及編程實現(xiàn)的機器學習入門書。
從統(tǒng)計學、線性代數(shù)與概率論等機器學習的基礎知識講起，然后介紹機器學習的基本概念，繼 而講解常用算法與編程實現(xiàn)，*后介紹高級知識、框架實踐與項目案例，兼顧理論與應用，詳 盡易懂。
每個知識點配合示例練習，全書共設計200多個編程實例，向讀者展示機器學習算法與框架的實際應用。
全書涉及面廣，如神經網絡、卷積網絡、集成學習、遷移學習等當前機器學習熱點均有所涉及 。
結合作者多年機器學習研究與開發(fā)經驗，采用流行的Python語言實現(xiàn)，講解細致，娓娓道來， 適合轉型想進入人工智能領域的大學生、開發(fā)人員、技術人員和研究人員閱讀。
細說機器學習 從理論到實踐 內容簡介
本書從數(shù)學知識入手，詳盡細致地闡述機器學習各方面的理論知識、常用算法與流行框架，并以大量代碼示例進行實踐。本書內容分為三篇：**篇為基礎知識，包括機器學習概述、開發(fā)環(huán)境和常用模塊、特征工程、模型評估、降維方法等內容。本篇詳細而友好地介紹機器學習的核心概念與原理，并結合大量示例幫助讀者輕松入門。第二篇為算法應用，涵蓋機器學習*重要與高頻使用的模型，包括K-Means聚類、K*近鄰、回歸、決策樹、樸素貝葉斯、支持向量機、神經網絡等內容。本篇不僅詳細講解各個算法的原理，還提供大量注釋詳盡的代碼示例，使這些算法變得直觀易懂。第三篇為拓展應用，包括集成學習、深度學習框架TensorFlow與PyTorch入門、卷積網絡、激活函數(shù)以及模型微調與項目實戰(zhàn)。本篇內容更加前沿與高級，帶領讀者跨過機器學習的門檻，進行真實項目的實踐與部署。
本書內容豐富、系統(tǒng)且實用，大量相關代碼示例貼近實戰(zhàn)，能夠為讀者學習機器學習打下扎實的基礎，并真正掌握運用這些知識與算法解決實際問題的技能。適合機器學習入門者、大學生、人工智能從業(yè)者，以及各行業(yè)技術人員和科研人員使用，也可作為培訓機構和大專院校人工智能課程的教學用書。
細說機器學習 從理論到實踐 目錄
目 錄
第1篇 基礎知識
第1章 人工智能和PyTorch2
1.1 人工智能和深度學習2
1.1.1 人工智能2
1.1.2 深度學習3
1.2 深度學習框架5
1.3 PyTorch7
1.3.1 PyTorch簡介7
1.3.2 PyTorch的應用領域9
1.3.3 PyTorch的應用前景10
1.4 小結12
第2章 開發(fā)環(huán)境13
2.1 PyTorch的安裝13
2.2 NumPy16
2.2.1 NumPy的安裝與查看17
2.2.2 NumPy對象17
2.2.3 數(shù)組21
2.2.4 數(shù)學計算26
2.3 Matplotlib32
2.3.1 Matplotlib的安裝和簡介33
2.3.2 Matplotlib Figure圖形對象35
2.4 Scikit-Learn47
2.5 小結48
第3章 PyTorch入門49
3.1 PyTorch的模塊49
3.1.1 主要模塊49
3.1.2 輔助模塊53
3.2 張量54
3.2.1 張量的數(shù)據(jù)類型55
3.2.2 創(chuàng)建張量56
3.2.3 張量存儲61
3.2.4 維度操作63
3.2.5 索引和切片65
3.2.6 張量運算67
3.3 torch.nn模塊76
3.3.1 卷積層76
3.3.2 池化層80
3.3.3 激活層87
3.3.4 全連接層91
3.4 自動求導92
3.5 小結95
第4章 卷積網絡96
4.1 卷積網絡的原理96
4.1.1 卷積運算96
4.1.2 卷積網絡與深度學習98
4.2 NumPy建立神經網絡99
4.3 PyTorch建立神經網絡101
4.3.1 建立兩層神經網絡101
4.3.2 神經網絡參數(shù)更新102
4.3.3 自定義PyTorch的nn模塊103
4.3.4 權重共享105
4.4 全連接網絡107
4.5 小結111
第5章 經典神經網絡112
5.1 VGGNet112
5.1.1 VGGNet的結構112
5.1.2 實現(xiàn)過程114
5.1.3 VGGNet的特點115
5.1.4 查看PyTorch網絡結構116
5.2 ResNet118
5.2.1 ResNet的結構118
5.2.2 殘差模塊的實現(xiàn)120
5.2.3 ResNet的實現(xiàn)122
5.2.4 ResNet要解決的問題126
5.3 XceptionNet128
5.3.1 XceptionNet的結構128
5.3.2 XceptionNet的實現(xiàn)131
5.4 小結135
第6章 模型的保存和調用136
6.1 字典狀態(tài)（state_dict）136
6.2 保存和加載模型138
6.2.1 使用ate_dict加載模型138
6.2.2 保存和加載完整模型139
6.2.3 保存和加載Checkpoint用于推理、繼續(xù)訓練139
6.3 一個文件保存多個模型140
6.4 通過設備保存和加載模型141
6.5 小結143
第7章 網絡可視化144
7.1 HiddenLayer可視化144
7.2 PyTorchViz可視化146
7.3 TensorboardX可視化149
7.3.1 簡介和安裝149
7.3.2 使用TensorboardX150
7.3.3 添加數(shù)字151
7.3.4 添加圖片152
7.3.5 添加直方圖153
7.3.6 添加嵌入向量154
7.4 小結156
第8章 數(shù)據(jù)加載和預處理157
8.1 加載PyTorch庫數(shù)據(jù)集157
8.2 加載自定義數(shù)據(jù)集159
8.2.1 下載并查看數(shù)據(jù)集159
8.2.2 定義數(shù)據(jù)集類161
8.3 預處理164
8.4 小結168
第9章 數(shù)據(jù)增強169
9.1 數(shù)據(jù)增強的概念169
9.1.1 常見的數(shù)據(jù)增強方法170
9.1.2 常用的數(shù)據(jù)增強庫171
9.2 數(shù)據(jù)增強的實現(xiàn)172
9.2.1 中心裁剪173
9.2.2 隨機裁剪174
9.2.3 縮放175
9.2.4 水平翻轉176
9.2.5 垂直翻轉177
9.2.6 隨機角度旋轉178
9.2.7 色度、亮度、飽和度、對比度的變化179
9.2.8 隨機灰度化180
9.2.9 將圖形加上padding181
9.2.10 指定區(qū)域擦除182
9.2.11 伽馬變換183
9.3 小結184
第2篇 高級應用
第10章 圖像分類186
10.1 CIFAR10數(shù)據(jù)分類186
10.1.1 定義網絡訓練數(shù)據(jù)187
10.1.2 驗證訓練結果192
10.2 數(shù)據(jù)集劃分193
10.3 貓狗分類實戰(zhàn)195
10.3.1 貓狗數(shù)據(jù)預處理195
10.3.2 建立網絡貓狗分類196
10.4 小結199
第11章 遷移學習200
11.1 定義和方法200
11.2 螞蟻和蜜蜂分類實戰(zhàn)202
11.2.1 加載數(shù)據(jù)202
11.2.2 定義訓練方法204
11.2.3 可視化預測結果205
11.2.4 遷移學習方法一：微調網絡206
11.2.5 遷移學習方法二：特征提取器208
11.3 小結209
第12章 人臉檢測和識別210
12.1 人臉檢測210
12.1.1 定義和研究現(xiàn)狀210
12.1.2 經典算法213
12.1.3 應用領域216
12.2 人臉識別217
12.2.1 定義和研究現(xiàn)狀217
12.2.2 經典算法220
12.2.3 應用領域221
12.3 人臉檢測與識別實戰(zhàn)222
12.3.1 Dlib人臉檢測222
12.3.2 基于MTCNN的人臉識別225
12.4 小結227
第13章 生成對抗網絡228
13.1 生成對抗網絡簡介228
13.2 數(shù)學模型230
13.3 生成手寫體數(shù)字圖片實戰(zhàn)233
13.3.1 基本網絡結構233
13.3.2 準備數(shù)據(jù)234
13.3.3 定義網絡和訓練235
13.3.4 生成結果分析237
13.4 生成人像圖片實戰(zhàn)238
13.4.1 DCGAN簡介239
13.4.2 數(shù)據(jù)準備239
13.4.3 生成對抗網絡的實現(xiàn)241
13.5 小結250
第14章 目標檢測251
14.1 目標檢測概述251
14.1.1 傳統(tǒng)目標檢測算法的研究現(xiàn)狀252
14.1.2 深度學習目標檢測算法的研究現(xiàn)狀252
14.1.3 應用領域253
14.2 檢測算法模型253
14.2.1 傳統(tǒng)的目標檢測模型253
14.2.2 基于深度學習的目標檢測模型255
14.3 目標檢測的基本概念259
14.3.1 IoU259
14.3.2 NMS261
14.4 Faster R-CNN目標檢測264
14.4.1 網絡原理265
14.4.2 實戰(zhàn)269
14.5 小結273
第15章 圖像風格遷移274
15.1 風格遷移概述274
15.2 固定風格固定內容的遷移277
15.2.1 固定風格固定內容遷移的原理277
15.2.2 PyTorch實現(xiàn)固定風格遷移280
15.3 快速風格遷移288
15.3.1 快速遷移模型的原理288
15.3.2 PyTorch實現(xiàn)快速風格遷移290
15.4 小結297
第16章 ViT298
16.1 ViT詳解298
16.1.1 Transformer模型中的Attention注意力機制298
16.1.2 視覺Transformer模型詳解302
16.2 ViT圖像分類實戰(zhàn)305
16.2.1 數(shù)據(jù)準備305
16.2.2 定義ViT模型306
16.2.3 定義工具函數(shù)311
16.2.4 定義訓練過程314
16.2.5 運行結果317
16.3 小結318
參考文獻319
第1篇 基礎知識
第1章 人工智能和PyTorch2
1.1 人工智能和深度學習2
1.1.1 人工智能2
1.1.2 深度學習3
1.2 深度學習框架5
1.3 PyTorch7
1.3.1 PyTorch簡介7
1.3.2 PyTorch的應用領域9
1.3.3 PyTorch的應用前景10
1.4 小結12
第2章 開發(fā)環(huán)境13
2.1 PyTorch的安裝13
2.2 NumPy16
2.2.1 NumPy的安裝與查看17
2.2.2 NumPy對象17
2.2.3 數(shù)組21
2.2.4 數(shù)學計算26
2.3 Matplotlib32
2.3.1 Matplotlib的安裝和簡介33
2.3.2 Matplotlib Figure圖形對象35
2.4 Scikit-Learn47
2.5 小結48
第3章 PyTorch入門49
3.1 PyTorch的模塊49
3.1.1 主要模塊49
3.1.2 輔助模塊53
3.2 張量54
3.2.1 張量的數(shù)據(jù)類型55
3.2.2 創(chuàng)建張量56
3.2.3 張量存儲61
3.2.4 維度操作63
3.2.5 索引和切片65
3.2.6 張量運算67
3.3 torch.nn模塊76
3.3.1 卷積層76
3.3.2 池化層80
3.3.3 激活層87
3.3.4 全連接層91
3.4 自動求導92
3.5 小結95
第4章 卷積網絡96
4.1 卷積網絡的原理96
4.1.1 卷積運算96
4.1.2 卷積網絡與深度學習98
4.2 NumPy建立神經網絡99
4.3 PyTorch建立神經網絡101
4.3.1 建立兩層神經網絡101
4.3.2 神經網絡參數(shù)更新102
4.3.3 自定義PyTorch的nn模塊103
4.3.4 權重共享105
4.4 全連接網絡107
4.5 小結111
第5章 經典神經網絡112
5.1 VGGNet112
5.1.1 VGGNet的結構112
5.1.2 實現(xiàn)過程114
5.1.3 VGGNet的特點115
5.1.4 查看PyTorch網絡結構116
5.2 ResNet118
5.2.1 ResNet的結構118
5.2.2 殘差模塊的實現(xiàn)120
5.2.3 ResNet的實現(xiàn)122
5.2.4 ResNet要解決的問題126
5.3 XceptionNet128
5.3.1 XceptionNet的結構128
5.3.2 XceptionNet的實現(xiàn)131
5.4 小結135
第6章 模型的保存和調用136
6.1 字典狀態(tài)（state_dict）136
6.2 保存和加載模型138
6.2.1 使用ate_dict加載模型138
6.2.2 保存和加載完整模型139
6.2.3 保存和加載Checkpoint用于推理、繼續(xù)訓練139
6.3 一個文件保存多個模型140
6.4 通過設備保存和加載模型141
6.5 小結143
第7章 網絡可視化144
7.1 HiddenLayer可視化144
7.2 PyTorchViz可視化146
7.3 TensorboardX可視化149
7.3.1 簡介和安裝149
7.3.2 使用TensorboardX150
7.3.3 添加數(shù)字151
7.3.4 添加圖片152
7.3.5 添加直方圖153
7.3.6 添加嵌入向量154
7.4 小結156
第8章 數(shù)據(jù)加載和預處理157
8.1 加載PyTorch庫數(shù)據(jù)集157
8.2 加載自定義數(shù)據(jù)集159
8.2.1 下載并查看數(shù)據(jù)集159
8.2.2 定義數(shù)據(jù)集類161
8.3 預處理164
8.4 小結168
第9章 數(shù)據(jù)增強169
9.1 數(shù)據(jù)增強的概念169
9.1.1 常見的數(shù)據(jù)增強方法170
9.1.2 常用的數(shù)據(jù)增強庫171
9.2 數(shù)據(jù)增強的實現(xiàn)172
9.2.1 中心裁剪173
9.2.2 隨機裁剪174
9.2.3 縮放175
9.2.4 水平翻轉176
9.2.5 垂直翻轉177
9.2.6 隨機角度旋轉178
9.2.7 色度、亮度、飽和度、對比度的變化179
9.2.8 隨機灰度化180
9.2.9 將圖形加上padding181
9.2.10 指定區(qū)域擦除182
9.2.11 伽馬變換183
9.3 小結184
第2篇 高級應用
第10章 圖像分類186
10.1 CIFAR10數(shù)據(jù)分類186
10.1.1 定義網絡訓練數(shù)據(jù)187
10.1.2 驗證訓練結果192
10.2 數(shù)據(jù)集劃分193
10.3 貓狗分類實戰(zhàn)195
10.3.1 貓狗數(shù)據(jù)預處理195
10.3.2 建立網絡貓狗分類196
10.4 小結199
第11章 遷移學習200
11.1 定義和方法200
11.2 螞蟻和蜜蜂分類實戰(zhàn)202
11.2.1 加載數(shù)據(jù)202
11.2.2 定義訓練方法204
11.2.3 可視化預測結果205
11.2.4 遷移學習方法一：微調網絡206
11.2.5 遷移學習方法二：特征提取器208
11.3 小結209
第12章 人臉檢測和識別210
12.1 人臉檢測210
12.1.1 定義和研究現(xiàn)狀210
12.1.2 經典算法213
12.1.3 應用領域216
12.2 人臉識別217
12.2.1 定義和研究現(xiàn)狀217
12.2.2 經典算法220
12.2.3 應用領域221
12.3 人臉檢測與識別實戰(zhàn)222
12.3.1 Dlib人臉檢測222
12.3.2 基于MTCNN的人臉識別225
12.4 小結227
第13章 生成對抗網絡228
13.1 生成對抗網絡簡介228
13.2 數(shù)學模型230
13.3 生成手寫體數(shù)字圖片實戰(zhàn)233
13.3.1 基本網絡結構233
13.3.2 準備數(shù)據(jù)234
13.3.3 定義網絡和訓練235
13.3.4 生成結果分析237
13.4 生成人像圖片實戰(zhàn)238
13.4.1 DCGAN簡介239
13.4.2 數(shù)據(jù)準備239
13.4.3 生成對抗網絡的實現(xiàn)241
13.5 小結250
第14章 目標檢測251
14.1 目標檢測概述251
14.1.1 傳統(tǒng)目標檢測算法的研究現(xiàn)狀252
14.1.2 深度學習目標檢測算法的研究現(xiàn)狀252
14.1.3 應用領域253
14.2 檢測算法模型253
14.2.1 傳統(tǒng)的目標檢測模型253
14.2.2 基于深度學習的目標檢測模型255
14.3 目標檢測的基本概念259
14.3.1 IoU259
14.3.2 NMS261
14.4 Faster R-CNN目標檢測264
14.4.1 網絡原理265
14.4.2 實戰(zhàn)269
14.5 小結273
第15章 圖像風格遷移274
15.1 風格遷移概述274
15.2 固定風格固定內容的遷移277
15.2.1 固定風格固定內容遷移的原理277
15.2.2 PyTorch實現(xiàn)固定風格遷移280
15.3 快速風格遷移288
15.3.1 快速遷移模型的原理288
15.3.2 PyTorch實現(xiàn)快速風格遷移290
15.4 小結297
第16章 ViT298
16.1 ViT詳解298
16.1.1 Transformer模型中的Attention注意力機制298
16.1.2 視覺Transformer模型詳解302
16.2 ViT圖像分類實戰(zhàn)305
16.2.1 數(shù)據(jù)準備305
16.2.2 定義ViT模型306
16.2.3 定義工具函數(shù)311
16.2.4 定義訓練過程314
16.2.5 運行結果317
16.3 小結318
參考文獻319
展開全部
細說機器學習 從理論到實踐 作者簡介
凌峰，畢業(yè)于中國科學院大學，博士，高級職稱，從事機器學習、計算機視覺、圖像處理、人 工智能研究與開發(fā)工作多年，擁有豐富的機器學習算法實現(xiàn)經驗，一個低調潛心研究技術的高手。
書友推薦
- >
莉莉和章魚
- >
煙與鏡
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
史學評論
- >
苦雨齋序跋文-周作人自編集
- >
二體千字文
- >
姑媽的寶刀
- >
推拿
本類暢銷
