类似推荐
编辑推荐
本书介绍了对象检测、图像分类、图像语义分割、自然语言处理、自动驾驶等领域的新的深度学习模型、方法和实现。
内容简介
本书集合了基于应用领域的高级深度学习的模型、方法和实现。
本书分为四部分。第一部分介绍了深度学习的构建和神经网络背后的数学知识；第二部分讨论深度学习在计算机视觉领域的应用；第三部分阐述了自然语言和序列处理，讲解了使用神经网络提取复杂的单词向量表示，讨论了各种类型的循环网络，如长短期记忆网络和门控循环单元网络；第四部分介绍一些虽然还没有被广泛采用但有前途的深度学习技术，包括如何在自动驾驶上应用深度学习。
学完本书，读者将掌握与深度学习相关的关键概念，学会如何使用TensorFlow和PyTorch实现相应的AI解决方案。
作者简介
作者伊凡·瓦西列夫，索菲亚大学的人工智能硕士。他是深度神经网络的医学图像分类和分割领域的机器学习工程师和研究员。自2017年以来，他一直专注于金融机器学习。他正在开发一个基于Python的平台，该平台为快速试验用于算法交易的不同机器学习算法提供基础。
章节目录
版权信息
译者序
前言
作者简介
审校者简介
第一部分 核心概念
第1章 神经网络的具体细节
1.1 神经网络的数学基础
1.2 神经网络的简单介绍
1.3 训练神经网络
1.4 总结
第二部分 计算机视觉
第2章 理解卷积网络
2.1 理解CNN
2.2 迁移学习介绍
2.3 总结
第3章 高级卷积网络
3.1 AlexNet介绍
3.2 VGG介绍
3.3 理解残差网络
3.4 理解Inception网络
3.5 Xception介绍
3.6 MobileNet介绍
3.7 DenseNet介绍
3.8 神经架构搜索的工作原理
3.9 胶囊网络介绍
3.10 总结
第4章 对象检测与图像分割
4.1 对象检测介绍
4.2 图像分割介绍
4.3 总结
第5章 生成模型
5.1 生成模型的直觉和证明
5.2 VAE介绍
5.3 GAN介绍
5.4 GAN的类型
5.5 艺术风格迁移介绍
5.6 总结
第三部分 自然语言和序列处理
第6章 语言建模
6.1 理解n-gram
6.2 神经语言模型介绍
6.3 实现语言模型
6.4 总结
第7章 理解RNN
7.1 RNN介绍
7.2 长短期记忆介绍
7.3 门控循环单元介绍
7.4 实现文本分类
7.5 总结
第8章 seq2seq模型和注意力机制
8.1 seq2seq模型介绍
8.2 使用注意力的seq2seq
8.3 理解transformer
8.4 transformer语言模型
8.5 总结
第四部分 展望未来
第9章 新兴的神经网络设计
9.1 GNN介绍
9.2 记忆增强神经网络介绍
9.3 总结
第10章 元学习
10.1 元学习介绍
10.2 基于度量的元学习
10.3 基于优化的元学习
10.4 总结
第11章 自动驾驶汽车的深度学习
11.1 自动驾驶汽车介绍
11.2 自动驾驶汽车系统的组件
11.3 3D数据处理介绍
11.4 模仿驾驶策略
11.5 ChauffeurNet驾驶策略
11.6 总结
Python深度学习：模型、方法与实现是2021年由机械工业出版社有限公司出版,作者[保加利亚] 伊凡·瓦西列夫。
得书感谢您对《Python深度学习：模型、方法与实现》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。
