了得網計算機/網絡_Hadoop深度學習 (印)迪帕延·德夫(Dipayan Dev) 著;範東來,趙運

●第 1 章深度學習介紹 11.1 開始深度學習之旅 51.1.1 深度前饋網絡 61.1.2 各種學習算法 61.2 深度學習的相關術語 101.3 深度學習——一場人工智能革命 121.4 深度學習網絡的分類 181.4.1 深度生成或無監督模型 191.4.2 深度判別模型 201.5 小結 22第 2 章大規模數據的分布式深度學習 232.1 海量數據的深度學習 242.2 大數據深度學習面臨的挑戰 272.2.1 海量數據帶來的挑戰（第一個V） 282.2.2 數據多樣性帶來的挑戰（第二個V） 282.2.3 數據快速處理帶來的挑戰（第三個V） 292.2.4 數據真實性帶來的挑戰（第四個V） 292.3 分布式深度學習和Hadoop 292.3.1 Map-Reduce 312.3.2 迭代Map-Reduce 312.3.3 YARN 322.3.4 分布式深度學習設計的重要特征 322.4 深度學習的開源分布式框架Deeplearning4j 342.4.1 Deeplearning4j 的主要特性 342.4.2 Deeplearning4j 功能總結 352.5 在Hadoop YARN 上配置Deeplearning4j 352.5.1 熟悉Deeplearning4j 362.5.2 為進行分布式深度學習集成Hadoop YARN 和Spark 402.5.3 Spark 在Hadoop YARN 上的內存分配規則 402.6 小結 44第3 章卷積神經網絡 453.1 卷積是什麼 463.2 卷積神經網絡的背景 473.3 卷積神經網絡的基本層 483.3.1 卷積神經網絡深度的重要性 493.3.2 卷積層 493.3.3 為卷積層選擇超參數 523.3.4 ReLU 層 563.3.5 池化層 573.3.6 全連接層 583.4 分布式深度卷積神經網絡 583.4.1 最受歡迎的深度神經網絡及其配置 583.4.2 訓練時間——深度神經網絡面臨的主要挑戰 593.4.3 將Hadoop 應用於深度卷積神經網絡 593.5 使用Deeplearning4j 構建卷積層 613.5.1 加載數據 613.5.2 模型配置 623.5.3 訓練與評估 633.6 小結 64第4 章循環神經網絡 654.1 循環網絡與眾不同的原因 664.2 循環神經網絡 674.2.1 展開循環計算 684.2.2 循環神經網絡的記憶 694.2.3 架構 704.3 隨時間反向傳播 714.4 長短期記憶 734.4.1 隨時間深度反向傳播的問題 734.4.2 長短期記憶 734.5 雙向循環神經網絡 754.5.1 循環神經網絡的不足 754.5.2 解決方案 764.6 分布式深度循環神經網絡 774.7 用Deeplearning4j 訓練循環神經網絡 774.8 小結 80第5 章受限玻爾茲曼機 815.1 基於能量的模型 825.2 玻爾茲曼機 835.2.1 玻爾茲曼機如何學習 845.2.2 玻爾茲曼機的不足 855.3 受限玻爾茲曼機 855.3.1 基礎架構 855.3.2 受限玻爾茲曼機的工作原理 865.4 卷積受限玻爾茲曼機 885.5 深度信念網絡 905.6 分布式深度信念網絡 915.6.1 受限玻爾茲曼機的分布式訓練 915.6.2 深度信念網絡的分布式訓練 925.7 用Deeplearning4j 實現受限玻爾茲曼機和深度信念網絡 945.7.1 受限玻爾茲曼機 945.7.2 深度信念網絡 955.8 小結 97第6 章自動編碼器 986.1 自動編碼器 986.2 稀疏自動編碼器 1016.2.1 稀疏編碼 1016.2.2 稀疏自動編碼器 1026.3 深度自動編碼器 1046.3.1 訓練深度自動編碼器 1046.3.2 使用Deeplearning4j 實現深度自動編碼器 1076.4 降噪自動編碼器 1086.4.1 降噪自動編碼器的架構 1096.4.2 堆疊式降噪自動編碼器 1096.4.3 使用Deeplearning4j 實現堆疊式降噪自動編碼器 1106.5 自動編碼器的應用 1126.6 小結 112第7 章用Hadoop 玩轉深度學習 1137.1 Hadoop 中的分布式視頻解碼 1147.2 使用Hadoop 進行大規模圖像處理 1167.3 使用Hadoop 進行自然語言處理 1177.3.1 Web 爬蟲 1187.3.2 自然語言處理的關鍵詞提取和模塊 1187.3.3 從頁面評估相關關鍵詞 1187.4 小結 119參考文獻 120

商品搜索

商品分类

【醫學】

【各大出版社】