本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。??本书适合Pyth
电子书
内容简介
《深度学习经典案例解析（基于MATLAB）》分为“基础篇”“应用篇”和“实战篇”。通过17个案例循序渐进地介绍了深度学习网络的构建、训练、应用，以及如何基于MATLAB快速生成可执行的C、C++代码并在硬件上部署实现，内容讲解由浅及深、层层递进。本书所讲解的案例均配有代码实现，并对代码进行了详细注解，读者可通过阅读代码对本书讲解的内容进行更加深入的了解。《深度学习经典案例解析（基于MATLAB）》适合对人工智能、深度学习技术感兴趣的工程技术人员阅读，也适合人工智能、计算机科学技术相关专业的本科生、研究生学习参考。
章节目录
- 封面
- 前折页
- 书名页
- 版权页
- 前言
- 目录
- 基础篇
- 案例1 巧妇难为无米之炊：数据集的制作与加载
- 1.1 机器学习中的数据集
- 1.2 如何加载MATLAB自带的数据集
- 1.3 如何加载自己制作的数据集
- 1.4 如何加载公开数据集：以CIFAR-10为例
- 1.5 如何划分训练集与验证集
- 1.6 如何扩充数据样本集
- 案例2 小试牛刀：如何构建一个卷积神经网络
- 2.1 CNN的核心——“卷积”
- 2.2 卷积神经网络的结构及原理
- 2.3 从仿生角度看卷积神经网络
- 2.4 基于深度学习工具箱函数构造卷积神经网络
- 2.5 采用Deep Network Designer实现卷积网络设计
- 2.6 其他与构建深度网络相关的函数
- 案例3 精雕细琢：如何训练一个卷积神经网络
- 3.1 基本概念一点通
- 3.2 实例需求与实现步骤
- 3.3 构建卷积神经网络
- 3.4 训练卷积神经网络
- 3.5 例程实现与解析
- 应用篇
- 案例4 LeNet卷积神经网络的应用：红绿灯识别
- 4.1 LeNet卷积神经网络
- 4.2 基于改进LeNet的交通灯识别
- 4.3 例程实现与解析
- 案例5 AlexNet卷积神经网络的应用：基于迁移学习的图像分类
- 5.1 什么是迁移学习
- 5.2 从不同的角度看迁移学习
- 5.3 AlexNet网络的原理
- 5.4 基于AlexNet实现迁移学习的步骤
- 5.5 AlexNet的加载方法
- 5.6 如何对AlexNet进行改进以实现迁移学习
- 5.7 本节所用到的函数解析
- 5.8 例程实现与解析
- 5.9 采用Deep Network Designer辅助实现迁移学习
- 案例6 VGG16 卷积神经网络的应用：融合卷积神经网络与支持向量机的物体识别
- 6.1 VGG16网络的原理及特点
- 6.2 支持向量机分类的原理
- 6.3 基于VGG16与SVM的物体识别
- 6.4 例程实现与解析
- 案例7 LSTM长短期记忆神经网络的应用：心电图信号分类
- 7.1 从时间的角度看序列性数据
- 7.2 序列建模之循环神经网络
- 7.3 基于门与记忆细胞构建序列模型的“长期依赖关系”
- 7.4 基于LSTM实现心电图信号分类的步骤
- 7.5 本节所用到的函数解析
- 7.6 例程实现与解析
- 案例8 ResNet残差网络的应用：新冠肺炎胸片检测
- 8.1 深度学习技术在抗击疫情中的应用
- 8.2 ResNet网络简介
- 8.3 基于ResNet的新冠肺炎胸片检测的实现步骤
- 8.4 ResNet的加载方法
- 8.5 对ResNet进行调整以实现迁移学习
- 8.6 例程实现与解析
- 实战篇
- 案例9 让机器的眼睛认识标志：基于R-CNN的交通标志检测
- 9.1 目标分类、检测与分割
- 9.2 目标检测及其难点问题
- 9.3 R-CNN目标检测算法的原理及实现过程
- 9.4 基于Image Labeler的R-CNN目标检测器构建
- 案例10 让机器的眼睛检测车辆：基于Video Labeler的车辆目标检测
- 10.1 车辆目标检测的需求
- 10.2 利用Video Labeler实现车辆目标检测的步骤
- 案例11 让机器的耳朵听明白声音：基于LSTM的日语元音序列分类示例
- 11.1 利用LSTM实现日语元音序列分类的步骤
- 11.2 日语元音序列分类程序详解
- 案例12 深度学习助力医学发展：基于Inception-v3 网络迁移学习的视网膜病变检测
- 12.1 Inception-v3深度网络介绍
- 12.2 Kaggle竞赛眼疾检测数据集
- 12.3 数据集预处理
- 12.4 在Inception-V3上应用迁移学习实现DR图像分类
- 12.5 例程实现与解析
- 12.6 通过类激活映射来辅助诊断
- 案例13 知己知彼：深度神经网络的脆弱性及AI对抗技术
- 13.1 深度神经网络的脆弱性
- 13.2 AI对抗技术及其发展趋势
- 案例14 识音辨意：基于深度学习的语音识别
- 14.1 下载Speech Commands Dataset数据集
- 14.2 标注数据集
- 14.3 划分训练集、验证集和测试集
- 14.4 对音频原始文件预处理
- 14.5 建立网络
- 14.6 训练网络
- 14.7 评价最终结果
- 14.8 网络的大小与单次推理时间
- 案例15 方便快捷：深度学习模型代码的自动生成
- 15.1 深度学习网络模型：从开发到部署
- 15.2 MATLAB生成推理模型代码的步骤
- 15.3 安装GPU平台的代码生成工具
- 15.4 代码生成例程实现与解析
- 案例16 互通共享：如何将在Keras中设计训练的网络导入MATLAB深度学习工具箱中
- 16.1 导入网络的详细步骤
- 16.2 例程实现与解析
- 案例17 快速部署：如何将训练好的深度神经网络部署到树莓派上
- 17.1 什么是树莓派
- 17.2 SqueezeNet简介
- 17.3 自动生成C++代码及其在树莓派上的实现
- 参考文献
- 后折页
- 封底
展开全部
深度学习经典案例解析（基于MATLAB）是2021年由机械工业出版社出版,作者赵小川。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习经典案例解析（基于MATLAB）》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。
电子书
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。
电子书
机器学习是一种自动分析所构建模型的数据分析方法。通过迭代地从数据中不断学习，机器学习可以使计算机找到一些隐含的信息量，而这些信息量是无法明确通过编程得到的。本书以OpenCV2.4.9为研究工具，对算法—正态贝叶斯分类器、K近邻算法、支持向量机、决策树、AdaBoost、梯度提升树、随机森林、期望极大值、神经网络，不仅具体分析了它们的原理和实现方法，还进行了详细的源码解析，并且给出了基于OpenC
电子书
《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
电子书
本书的编程语言以MATLAB为主，分别从学习方式和理论知识两个方面来对机器学习（实现人工智能的方法）的算法进行分类介绍。通过阅读本书，读者可以对人工智能的子集——机器学习形成一个系统、全面、完整的认识，并且在今后的研究工作中逐步拓展，*终形成自己的体系。全书共6篇，分别为特征处理算法、分类和聚类算法、神经网络算法、优化算法、基于不同数学思想的算法以及集成算法，每一篇都对该类别中常见算法的思想、流程
电子书
本书包括建筑防火，消防设施防火、安装、监测与维护管理，其他建筑、场所防火，消防安全评估，消防安全管理五篇及冲刺试卷，介绍了生产和储存物品的火灾危险性分类、建筑分类与耐火等级、消防给水、水喷雾灭火系统、石油化工防火、火灾风险评估等内容，最后收录了两套冲刺试卷，并附有参考答案。
电子书
本书旨在为读者建立完整的深度学习知识体系。全书内容包含3个部分，第一部分为与深度学习相关的数学基础；第二部分为深度学习的算法基础以及相关实现；第三部分为深度学习的实际应用。
电子书
内容提要本书全面讲解了深度学习框架PaddlePaddle，并结合典型案例，阐述了PaddlePaddle的具体应用。本书共15章。第1章介绍了深度学习及其主流框架；第2章介绍了几种不同的PaddlePaddle安装方式；第3章使用MNIST数据集实现手写数字识别；第4章介绍CIFAR彩色图像识别；第5章介绍了自定义数据集的识别；第6章介绍了验证码的识别；第7章介绍了场景文字的识别；第8章实现了验
