| | | 深度學習案例精粹 圖書 | 該商品所屬分類:圖書 -> 人工智能 | 【市場價】 | 707-1024元 | 【優惠價】 | 442-640元 | 【作者】 | 艾哈邁德·曼肖伊AhmedMensha | 【出版社】 | 人民郵電出版社 | 【ISBN】 | 9787115505859 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
出版社:人民郵電出版社 ISBN:9787115505859 商品編碼:10057620869387 品牌:文軒 出版時間:2019-09-01 代碼:89 作者:艾哈邁德·曼肖伊(AhmedMensha
"
作 者:(愛爾蘭)艾哈邁德·曼肖伊(Ahmed Menshawy) 著 洪志偉,曹檑,廖釗坡 譯 定 價:89 出 版 社:人民郵電出版社 出版日期:2019年09月01日 頁 數:366 裝 幀:平裝 ISBN:9787115505859 ●第1章 數據科學——鳥瞰全景1 1.1 通過示例了解數據科學 2 1.2 設計數據科學算法的流程 7 1.2.1 數據預處理 8 1.2.2 特征選擇 8 1.2.3 模型選擇 9 1.2.4 學習過程 9 1.2.5 評估模型 9 1.3 開始學習 10 1.4 實現魚類識別/檢測模型 12 1.4.1 知識庫/數據集 12 1.4.2 數據分析預處理 14 1.4.3 搭建模型 17 1.5 不同學習類型 22 1.5.1 監督學習 22 1.5.2 無監督學習 23 1.5.3 半監督學習 24 1.5.4 強化學習 24 1.6 數據量和行業需求 25 1.7 總結 25 第2章 數據建模實戰——“泰坦尼克號”示例 27 2.1 線性回歸模型 27 2.1.1 原因 28 2.1.2 廣告—— 一個財務方面的例子 28 2.2 線性分類模型 36 2.3 “泰坦尼克號”示例——建立和訓練模型 38 2.3.1 數據處理和可視化 39 2.3.2 數據分析——監督機器學習 44 2.4 不同類型的誤差解析 47 2.5 表現(訓練集)誤差 47 2.6 泛化/真實誤差 48 2.7 總結 48 第3章 特征工程與模型復雜性——重溫“泰坦尼克號”示例 49 3.1 特征工程 49 3.1.1 特征工程的類型 50 3.1.2 重溫“泰坦尼克號”示例 51 3.2 維度災難 62 3.3 重溫“泰坦尼克號”示例——融會貫通 64 3.4 偏差-方差分解 78 3.5 學習可見性 80 3.6 總結 80 第4章 TensorFlow入門實戰 82 4.1 安裝TensorFlow 82 4.1.1 在Ubuntu 16.04繫統上安裝GPU版的TensorFlow 83 4.1.2 在Ubuntu 16.04繫統上安裝CPU版的TensorFlow 86 4.1.3 在Mac OS X上安裝CPU版的TensorFlow 88 4.1.4 在Windows繫統上安裝CPU/GPU版的TensorFlow 88 4.2 TensorFlow運行環境 89 4.3 計算圖 90 4.4 TensorFlow中的數據類型、變量、占位符 91 4.4.1 變量 91 4.4.2 占位符 92 4.4.3 數學運算 92 4.5 獲取TensorFlow的輸出 94 4.6 TensorBoard——可視化學習過程 95 4.7 總結 101 第5章 TensorFlow基礎示例實戰 102 5.1的結構 102 5.2 激活函數 104 5.2.1 sigmoid 105 5.2.2 tanh 105 5.2.3 ReLU 105 5.3 前饋神經網絡 106 5.4 需要多層網絡的原因 107 5.4.1 訓練MLP——反向傳播算法 108 5.4.2 前饋傳播 109 5.4.3 反向傳播和權值更新 110 5.5 TensorFlow術語回顧 110 5.5.1 使用Tensorflow定義多維數組 112 5.5.2 為什麼使用張量 114 5.5.3 變量 115 5.5.4 占位符 116 5.5.5 操作 117 5.6 構建與訓練線性回歸模型 118 5.7 構建與訓練邏輯回歸模型 123 5.8 總結 130 第6章 深度前饋神經網絡——實現數字分類 131 6.1 與架構設計 131 6.2 MNIST數據集分析 133 6.3 數字分類——構建與訓練模型 135 6.3.1 分析數據 137 6.3.2 構建模型 140 6.3.3 訓練模型 144 6.4 總結 148 第7章 卷積神經網絡 149 7.1 卷積運算 149 7.2 動機 152 7.3 CNN的不同層 153 7.3.1 輸入層 153 7.3.2 卷積步驟 154 7.3.3 引入非線性 155 7.3.4 池化步驟 156 7.3.5 全連接層 157 7.4 CNN基礎示例——MNIST手寫數字分類 159 7.4.1 構建模型 162 7.4.2 訓練模型 167 7.5 總結 174 第8章 目標檢測——CIFAR-10示例 175 8.1 目標檢測 175 8.2 CIFAR-10目標圖像檢測——構建與訓練模型 176 8.2.1 使用軟件包 176 8.2.2 加載CIFAR-10數據集 177 8.2.3 數據分析與預處理 178 8.2.4 建立網絡 183 8.2.5 訓練模型 186 8.2.6 測試模型 191 8.3 總結 195 第9章 目標檢測——CNN遷移學習 196 9.1 遷移學習 196 9.1.1 遷移學習背後的直覺 197 9.1.2 傳統機器學習與遷移學習之間的不同 198 9.2 CIFAR-10目標檢測——回顧 199 9.2.1 解決方案大綱 199 9.2.2 加載和探索CIFAR-10數據集 200 9.2.3 inception模型遷移值 204 9.2.4 遷移值分析 207 9.2.5 模型構建與訓練 211 9.3 總結 219 第10章 循環神經網絡——語言模型 220 10.1 RNN的直觀解釋 220 10.1.1 RNN的架構 221 10.1.2 RNN的示例 222 10.1.3 梯度消失問題 224 10.1.4 長期依賴問題 225 10.2 LSTM網絡 226 10.3 語言模型的實現 227 10.3.1 生成訓練的最小批 230 10.3.2 構建模型 232 10.3.3 訓練模型 238 10.4 總結 243 第11章 表示學習——實現詞嵌入 244 11.1 表示學習簡介 244 11.2 Word2Vec 245 11.3 skip-gram架構的一個實際例子 248 11.4 實現skip-gram Word2Vec 250 11.4.1 數據分析與預處理 251 11.4.2 構建模型 257 11.4.3 訓練模型 259 11.5 總結 264 第12章 神經網絡在情感分析中的應用 265 12.1 常用的情感分析模型 265 12.1.1 RNN——情感分析背景 267 12.1.2 梯度爆炸與梯度消失——回顧 269 12.2 情感分析——模型實現 270 12.2.1 Keras 270 12.2.2 數據分析與預處理 271 12.2.3 構建模型 282 12.2.4 模型訓練和結果分析 284 12.3 總結 288 第13章 自動編碼器——特征提取和降噪 289 13.1 自動編碼器簡介 289 13.2 自動編碼器的示例 290 13.3 自動編碼器架構 291 13.4 壓縮MNIST數據集 292 13.4.1 MNIST數據集 292 13.4.2 構建模型 293 13.4.3 訓練模型 295 13.5 卷積自動編碼器 297 13.5.1 數據集 297 13.5.2 構建模型 299 13.5.3 訓練模型 301 13.6 降噪自動編碼器 304 13.6.1 構建模型 305 13.6.2 訓練模型 307 13.7 自動編碼器的應用 310 13.7.1 圖像著色 310 13.7.2 更多的應用 311 13.8 總結 311 第14章 生成對抗網絡 312 14.1 直觀介紹 312 14.2 GAN的簡單實現 313 14.2.1 模型輸入 315 14.2.2 變量作用域 316 14.2.3 Leaky ReLU 316 14.2.4 生成器 317 14.2.5 判別器 318 14.2.6 構建GAN網絡 319 14.2.7 訓練模型 322 14.2.8 從生成器中采樣 327 14.3 總結 328 第15章 面部生成與標簽缺失處理 329 15.1 面部生成 329 15.1.1 獲取數據 330 15.1.2 探討數據集 331 15.1.3 構建模型 332 15.2 用生成對抗網絡進行半監督學習 340 15.2.1 直觀解釋 340 15.2.2 數據分析與預處理 341 15.2.3 構建模型 345 15.3 總結 359 附錄A 實現魚類識別 360 本書主要講述了深度學習中的重要概念和技術,並展示了如何使用TensorFlow實現高級機器學習算法和神經網絡。本書首先介紹了數據科學和機器學習中的基本概念,然後講述如何使用TensorFlow訓練深度學習模型,以及如何通過訓練深度前饋神經網絡對數字進行分類,如何通過深度學習架構解決計算機視覺、語言處理、語義分析等方面的實際問題,最後討論了高級的深度學習模型,如生成對抗網絡及其應用。
" | | | | | |