类似推荐
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。
