掃一掃
關注中圖網
官方微博
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
深度學習與大模型基礎 版權信息
- ISBN：9787301349960
- 條形碼：9787301349960 ; 978-7-301-34996-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習與大模型基礎 本書特色
以項目實踐為引導，通過有趣的AI插畫輔助學習增加學習趣味性，通過【原理輸出】和【實操練習】助力學與練，從而解鎖人工智能與大規模語言模型精髓。
深度學習與大模型基礎 內容簡介
本書以通俗易懂的語言和有趣的插畫來解釋深度學習中的概念和方法, 生動形象的插圖更容易幫助讀者理解和記憶。 同時, 書中指導讀者將自己的理解制作成短視頻, 以加強學習效果。 另外, 書中還指導讀者在 Colab 平臺上進行實踐。 本書內容全面, 從基礎的神經網絡、 卷積神經網絡、 循環神經網絡等入門知識, 到深度學習的應用領域如計算機視覺、 自然語言處理等高級主題都有涉及。 本書具有豐富的趣味性、 互動性和實踐性, 可以幫助讀者更好地理解深度學習知識, 并為未來的職業發展打下堅實的基礎。
深度學習與大模型基礎 目錄
第 1 章 緒 論
1. 1 深度學習的前世今生
1. 2 模型復雜度的提升
1. 3 深度學習的名人軼事
第 2 章 深度學習中的線性代數
2. 1 標量、 向量、 矩陣與張量
2. 2 矩陣的運算
2. 3 單位矩陣與逆矩陣
2. 4 線性相關、 生成子空間和范數
2. 5 一些特殊類型的矩陣
2. 6 特征分解
2. 7 奇異值分解
2. 8 Moore-Penrose 偽逆
2. 9 跡運算
2. 10 行列式
2. 11 例子: 主成分分析
第 3 章 概率與信息論
3. 1 為什么要使用概率
3. 2 隨機變量
3. 3 概率分布
3. 4 邊緣概率
3. 5 條件概率
3. 6 條件概率的鏈式法則
3. 7 條件獨立性
3. 8 期望、 方差和協方差
3. 9 常用概率分布
3. 10 常用函數及性質
3. 11 貝葉斯規則
3. 12 信息論中的交叉熵
3. 13 結構化概率模型
第 4 章 數值計算
4. 1 上溢和下溢
4. 2 病態條件
4. 3 基于梯度的優化方法
4. 4 約束優化
4. 5 實例: 線性*小二乘
第 5 章 機器學習基礎
5. 1 什么是機器學習算法
5. 2 模型性能的度量
5. 3 過擬合與欠擬合
5. 4 超參數和交叉驗證
5. 5 *大似然估計
5. 6 什么是隨機梯度下降
5. 7 貝葉斯統計
5. 8 監督學習算法
5. 9 無監督學習算法
5. 10 促使深度學習發展的挑戰
第 6 章 深度前饋網絡
6. 1 什么是 “前饋”
6. 2 隱藏層
6. 3 輸出單元
6. 4 萬能近似性質
6. 5 反向傳播
第 7 章 深度學習中的正則化
7. 1 參數范數懲罰
7. 2 數據集增強
7. 3 噪聲魯棒性
7. 4 半監督學習
7. 5 多任務學習
7. 6 提前終止
7. 7 參數綁定和參數共享
7. 8 稀疏表示
7. 9 Bagging 和其他集成方法
7. 10 Dropout
7. 11 對抗訓練
第 8 章 深度模型中的優化
8. 1 學習和純優化有什么不同
8. 2 小批量算法
8. 3 基本算法
8. 4 參數初始化策略
8. 5 自適應學習率算法
8. 6 二階近似方法
8. 7 一些優化策略
第 9 章 卷積神經網絡
9. 1 卷積運算
9. 2 為什么要使用卷積運算
9. 3 池化
9. 4 基本卷積函數的變體
9. 5 卷積核的初始化
第 10 章 循環神經網絡
10. 1 展開計算圖
10. 2 循環神經網絡
10. 3 雙向 RNN
10. 4 基于編碼-解碼的序列到序列架構
10. 5 深度循環網絡
10. 6 遞歸神經網絡
10. 7 長短期記憶網絡
10. 8 門控循環單元
10. 9 截斷梯度
第 11 章 實踐方法論
11. 1 設計流程
11. 2 更多的性能度量方法
11. 3 默認的基準模型
11. 4 要不要收集更多數據
11. 5 超參數的調節
11. 6 模型調試的重要性
第 12 章 應 用
12. 1 大規模深度學習
12. 2 計算機視覺中的預處理
12. 3 語音識別
12. 4 自然語言處理
12. 5 推薦系統
12. 6 知識問答系統
第 13 章 初識大語言模型
13. 1 大語言模型的背景
13. 2 大語言模型的重要性
13. 3 大語言模型的應用場景
13. 4 大語言模型和傳統方法的區別
第 14 章 大語言模型原理
14. 1 Transformer 架構
14. 2 預訓練
14. 3 微調
14. 4 自回歸訓練
14. 5 掩碼語言模型
第 15 章 常見的大語言模型
15. 1 GPT 系列模型
15. 2 BERT
15. 3 XLNet
第 16 章 大語言模型應用———自然語言生成
16. 1 自動文本生成
16. 2 對話系統和聊天機器人
16. 3 代碼和技術文檔生成
16. 4 創意內容生成
16. 5 國產優秀大語言模型———文心一言
16. 6 國產優秀大語言模型———訊飛星火認知大模型
后 記
展開全部
深度學習與大模型基礎 作者簡介
段小手，曾供職于百度、敦煌網、慧聰網、方正集團等知名IT企業。有多年的科技項目管理及開發經驗。負責的項目曾獲得“國家發改委電子商務示范項目”“中關村現代服務業試點項目”“北京市信息化基礎設施提升專項”“北京市外貿公共服務平臺”等多項政策支持。著有《用ChatGPT輕松玩轉機器學習與深度學習》《深入淺出Python量化交易實戰》等著作，在與云南省公安廳合作期間，使用機器學習算法有效將某類案件發案率大幅降低。
書友推薦
- >
名家帶你讀魯迅:朝花夕拾
- >
唐代進士錄
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
朝聞道
- >
史學評論
- >
中國歷史的瞬間
- >
姑媽的寶刀
本類暢銷
