深度學習入門與實踐 王舒禹 呂鑫 9787111725770 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202306*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深度學習入門與實踐
ISBN：9787111725770
出版社：機械工業
著編譯者：王舒禹 呂鑫
頁數：213
所在地：中國大陸 *此為代購商品
書號：1525342
可大量預訂，請先連絡。

內容簡介

大約在一百年前，電氣化改變了交通運輸行業、製造業、醫療行業、通信行業，如今AI帶來了同樣巨大的改變。AI的各個分支中發展最為迅速的方向之一就是深度學習。 本書主要涉及以下內容：第1部分是神經網絡的基礎，學習如何建立神經網絡，以及如何在數據上面訓練它們。第2部分進行深度學習方面的實踐，學習如何構建神經網絡與超參數調試、正則化以及一些高級優化演算法。第3部分學習卷積神經網絡（CNN），以及如何搭建模型、有哪些經典模型。它經常被用於圖像領域，此外目標檢測、風格遷移等應用也將涉及。最後在第4部分學習序列模型，以及如何將它們應用於自然語言處理等任務。序列模型講到的演算法有循環神經網絡（RNN）、長短期記憶網路（LSTM）、注意力機制。 通過以上內容的學習，讀者可以入門深度學習領域並打下紮實基礎，為後續了解和探索人工智能前沿科技做知識儲備。 本書配有電子課件，需要配套資源的教師可登錄機械工業出版社教育服務網www cmpedu com免費註冊後下載。

目錄

前言
第1部分 神經網絡和深度學習
第1章 深度學習簡介
1 1 神經網絡
1 2 神經網絡的監督學習應用
1 3 為什麼深度學習會興起
第2章 神經網絡的編程基礎
2 1 二分類
2 2 邏輯回歸
2 3 邏輯回歸的代價函數
2 4 梯度下降法
2 5 計算圖
2 6 使用計算圖求導數
2 7 邏輯回歸中的梯度下降
2 8 m個樣本的梯度下降
2 9 向量化
2 10 向量化邏輯回歸
2 11 向量化邏輯回歸的輸出
2 12 Python中的廣播
2 13 numpy向量
2 14 logistic損失函數的解釋
第3章 淺層神經網絡
3 1 神經網絡概述
3 2 神經網絡的表示
3 3 計算一個神經網絡的輸出
3 4 多樣本向量化
3 5 激活函數
3 6 激活函數的導數
3 7 神經網絡的梯度下降
3 8 理解反向傳播
3 9 隨機初始化
第4章 深層神經網絡
4 1 深層神經網絡概述
4 2 前向傳播和反向傳播
4 3 深層網路中矩陣的維數
4 4 為什麼使用深層表示
4 5 超參數
第2部分 改善深層神經網絡：超參數調試、正則化以及優化
第5章 深度學習的實踐
5 1 訓練、驗證、測試集
5 2 偏差、方差
5 3 機器學習基礎
5 4 正則化
5 5 正則化如何降低過擬合
5 6 dropout正則化
5 7 理解dropout
5 8 其他正則化方法
5 9 歸一化輸入
5 10 梯度消失/梯度爆炸
5 11 梯度的數值逼近
5 12 梯度檢驗
第6章 優化演算法
6 1 mini-batch梯度下降
6 2 理解mini-batch梯度下降法
6 3 動量梯度下降法
6 4 RMSprop
6 5 Adam優化演算法
6 6 學習率衰減
6 7 局部最優問題
第7章 超參數調試、正則化
7 1 調試處理
7 2 超參數的合適範圍
7 3 歸一化網路的激活函數
7 4 將batch norm擬合進神經網絡
7 5 batch歸一化分析
7 6 softmax回歸
7 7 訓練一個aofmax分類器
7 8 TensorFlow
第3部分 卷積神經網絡及應用
第8章 卷積神經網絡
8 1 計算機視覺
8 2 邊緣檢測示例
8 3 邊緣檢測內容
8 4 填充
8 5 卷積步長
8 6 三維卷積
8 7 單層卷積網路
8 8 簡單卷積網路示例
8 9 池化層
8 10 卷積神經網絡示例
8 11 為什麼使用卷積
第9章 深度卷積網路：實例探究
9 1 經典網路
9 2 殘差網路
9 3 殘差網路為什麼有用
9 4 網路中的1×1卷積
9 5 谷歌Inception網路
9 6 遷移學習
9 7 數據增強
第10章 目標檢測
10 1 目標定位
10 2 特徵點檢測
10 3 目標檢測
10 4 滑動窗口的卷積實現
10 5 Bounding Box預測
10 6 交並比
10 7 非極大值抑制
10 8 Anchor Boxes
10 9 YOLO演算法
第11章 特殊應用：人臉識別和神經風格遷移
11 1 One-Shot學習
11 2 Siamese網路
11 3 Triplet損失
11 4 人臉驗證與二分類
11 5 神經風格遷移
11 6 深度卷積網路學習什麼
11 7 代價函數
11 8 內容代價函數
11 9 風格代價函數
11 10 一維到三維推廣
第4部分 序列模型
第12章 循環序列模型
12 1 為什麼選擇序列模型
12 2 數學符號
12 3 循環神經網絡模型
12 4 通過時間的反向傳播
12 5 不同類型的循環神經網絡
12 6 語言模型和序列生成
12 7 對新序列採樣
12 8 循環神經網絡的梯度消失
12 9 GRU單元
12 10 長短期記憶
12 11 雙向循環神經網絡
12 12 深層循環神經網絡
第13章 序列模型和注意力機制
13 1 序列結構的各種序列
13 2 選擇最可能的句子
13 3 集束搜索
13 4 改進集束搜索
13 5 集束搜索的誤差分析
13 6 注意力模型直觀理解
13 7 注意力模型
附錄
附錄A 深度學習符號指南
A 1 數據標記與上下標
A 2 神經網絡模型
A 3 正向傳播方程示例
A 4 通用激活公式
A 5 損失函數
A 6 深度學習圖示
附錄B 線性代數
B 1 基礎概念和符號
B 2 矩陣乘法

詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。