深度学习全书:公式+推导+代码+TensorFlow全程案例

深度学习全书:公式+推导+代码+TensorFlow全程案例

查阅电子书
手机扫码
  • 微信扫一扫

    关注微信公众号

因版权原因待上架

编辑推荐

本书以统计学为出发点,介绍深度学习必备数理基础。

内容简介

全书共有15章,分为5部分。

第一篇说明深度学习的概念,包括数理基础,特点是结合编程解题,加深读者印象。

第二篇说明TensorFlow的学习地图,从张量、自动微分、梯度下降乃至神经层的实践,逐步解构神经网络。

第三篇介绍CNN算法、影像应用、转移学习等。

第四篇则进入自然语言处理及语音识别的领域,介绍RNN/BERT/Transformer算法、相关应用等。

第五篇介绍了强化学习的基础知识,包括马尔可夫决策过程、动态规划、蒙特卡洛、Q Learning算法,当然,还有相关案例实践。

作者简介

作者陈昭明,成功大学统计系学士、清华大学工业工程研究所硕士。曾任职于IBM、工研院电通所、软件开发公司、ERP顾问公司、电信公司、财经数据库公司,目前担任Python、机器学习、深度学习、AIoT讲师。获2018年IT邦帮忙铁人赛AI组冠军、2021年IT邦帮忙铁人赛AI组优选。

章节目录

版权信息

内容简介

作者简介

前言

第一篇 深度学习导论

第1章 深度学习导论

1-1 人工智能的三波浪潮

1-2 AI的学习地图

1-3 机器学习应用领域

1-4 机器学习开发流程

1-5 开发环境安装

第2章 神经网络原理

2-1 必备的数学与统计知识

2-2 线性代数

2-3 微积分

2-4 概率与统计

2-5 线性规划

2-6 普通最小二乘法与最大似然估计法

2-7 神经网络求解

第二篇 TensorFlow基础篇

第3章 TensorFlow架构与主要功能

3-1 常用的深度学习框架

3-2 TensorFlow架构

3-3 张量运算

3-4 自动微分

3-5 神经网络层

第4章 神经网络实践

4-1 撰写第一个神经网络程序

4-2 Keras模型种类

4-3 神经层

4-4 激活函数

4-5 损失函数

4-6 优化器

4-7 效果衡量指标

4-8 超参数调校

第5章 TensorFlow其他常用指令

5-1 特征转换

5-2 模型存盘与加载

5-3 模型汇总与结构图

5-4 回调函数

5-5 TensorBoard

5-6 模型部署与TensorFlow Serving

5-7 TensorFlow Dataset

第6章 卷积神经网络

6-1 卷积神经网络简介

6-2 卷积

6-3 各式卷积

6-4 池化层

6-5 CNN模型实践

6-6 影像数据增补

6-7 可解释的AI

第7章 预先训练的模型

7-1 预先训练的模型简介

7-2 采用完整的模型

7-3 采用部分模型

7-4 转移学习

7-5 Batch Normalization说明

第三篇 进阶的影像应用

第8章 目标检测

8-1 图像辨识模型的发展

8-2 滑动窗口

8-3 方向梯度直方图

8-4 R-CNN目标检测

8-5 R-CNN改良

8-6 YOLO算法简介

8-7 YOLO环境配置

8-8 以TensorFlow实践YOLO模型

8-9 YOLO模型训练

8-10 SSD算法

8-11 TensorFlow Object Detection API

8-12 目标检测的效果衡量指标

8-13 总结

第9章 进阶的影像应用

9-1 语义分割介绍

9-2 自动编码器

9-3 语义分割实践

9-4 实例分割

9-5 风格转换——人人都可以是毕加索

9-6 脸部辨识

9-7 光学文字辨识

9-8 车牌辨识

9-9 卷积神经网络的缺点

第10章 生成对抗网络

10-1 生成对抗网络介绍

10-2 生成对抗网络种类

10-3 DCGAN

10-4 Progressive GAN

10-5 Conditional GAN

10-6 Pix2Pix

10-7 CycleGAN

10-8 GAN挑战

10-9 深度伪造

第四篇 自然语言处理

第11章 自然语言处理的介绍

11-1 词袋与TF-IDF

11-2 词汇前置处理

11-3 词向量

11-4 GloVe模型

11-5 中文处理

11-6 spaCy库

第12章 自然语言处理的算法

12-1 循环神经网络

12-2 长短期记忆网络

12-3 LSTM重要参数与多层LSTM

12-4 Gate Recurrent Unit

12-5 股价预测

12-6 注意力机制

12-7 Transformer架构

12-8 BERT

12-9 Transformers库

12-10 总结

第13章 聊天机器人

13-1 ChatBot类别

13-2 ChatBot设计

13-3 ChatBot实践

13-4 ChatBot工具框架

13-5 Dialogflow实践

13-6 总结

第14章 语音识别

14-1 语音基本认识

14-2 语音前置处理

14-3 语音相关的深度学习应用

14-4 自动语音识别

14-5 自动语音识别实践

14-6 总结

第五篇 强化学习

第15章 强化学习

15-1 强化学习的基础

15-2 强化学习模型

15-3 简单的强化学习架构

15-4 Gym库

15-5 Gym扩充功能

15-6 动态规划

15-7 值循环

15-8 蒙特卡洛

15-9 时序差分

15-10 其他算法

15-11 井字游戏

15-12 木棒小车

15-13 总结

深度学习全书:公式+推导+代码+TensorFlow全程案例是2022年由清华大学出版社出版,作者陈昭明。

得书感谢您对《深度学习全书:公式+推导+代码+TensorFlow全程案例》关注和支持,如本书内容有不良信息或侵权等情形的,请联系本网站。

购买这本书

你可能喜欢
机器学习公式详解 电子书
适读人群 :(1)高等院校人工智能、计算机、自动化等相关专业机器学习方向的学生;(2)学术界机器学习领域的研究人员和教师;(3)工业界对机器学习感兴趣的专业人员和工程师。 1.周志华教授“西瓜书”《机器学习》公式完全解析指南! “南瓜书”系Datawhale成员自学笔记,对“西瓜书”中250个重难点公式做了详细解析和推导(重难点公式覆盖率达99%),旨在解决机器学习中的数学难题。 2.机器学习初学小白提升数学基础能力的必备练习册! 以本科数学基础视角对“西瓜书”里比较难理解的公式加以解析和推导细节,补充大量重、难点数学知识和参考材料,分享在学习中遇到的“坑”以及跳过这个“坑”的方法,对于初学机器学习的小白也能上手练习! 3.俞勇、王斌、李沐、程明明、陈光(博主@爱可可-爱生活)、徐亦达等人工智能领域大咖亲笔推荐
深度学习 电子书
深度学习是机器学习的一个分支,它能够使计算机通过层次概念来学习经验和理解世界。
深度学习 电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章,分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等,并提供了应用实例。
JavaScript深度学习 电子书
深度学习扛鼎之作《Python深度学习》姊妹篇,前端工程师不可错过的AI入门书。
PyTorch深度学习实战 电子书
1.PyTorch核心开发者教你使用PyTorch创建神经网络和深度学习系统的实用指南。2.详细讲解整个深度学习管道的关键实践,包括PyTorch张量API、用Python加载数据、监控训练以及对结果进行可视化。3.PyTorch核心知识+真实、完整的案例项目,快速提升读者动手能力:a.全面掌握PyTorch相关的API的使用方法以及系统掌握深度学习的理论和方法;b.快速从零开始构建一个真实示例:肿瘤图像分类器;c.轻松学会使用PyTorch实现各种神经网络模型来解决具体的深度学习问题;d.章尾附有“练习题”,巩固提升所学知识;更有配套的代码文件可下载并动手实现。4.PyTorch联合创作者SoumithChintala作序推荐!5.书中所有代码都是基于Python3.6及以上的版本编写的,提供源代码下载。