深度學習原理及應用 周彥 王冬麗 9787030785091 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*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：202503*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：深度學習原理及應用
ISBN：9787030785091
出版社：科學
著編譯者：周彥 王冬麗
頁數：209
所在地：中國大陸 *此為代購商品
書號：1718910
可大量預訂，請先連絡。

內容簡介

近年來，深度學習發展極為迅速，是當前人工智能研究的前沿和熱點。在圖像識別、目標檢測、環境感知、系統建模等諸多領域都有廣泛的應用。本書系統介紹深度學習的原理及應用，共分為9章，包括緒論、神經網絡基礎、卷積神經網絡、循環神經網絡、深度信念網絡、生成對抗網絡、深度強化學習、網絡輕量化，以及深度學習的幾個前沿發展方向，包括可解釋性、元學習和自監督學習等。 本書可作為普通高等院校自動化、計算機、電子信息等專業高年級本科生和相關專業研究生的教材，也可供人工智能相關領域從事設計、開發、應用的工程技術人員學習參考。

目錄

第1章 緒論
1 1 深度學習發展簡史
1 1 1 深度學習的起源
1 1 2 深度學習的發展
1 1 3 深度學習的爆發
1 2 深度學習的相關概念
1 2 1 深度學習與傳統機器學習的區別
1 2 2 線性回歸
1 2 3 Softmax回歸
1 2 4 多層感知機
1 2 5 模型選擇、欠擬合和過擬合
1 3 深度學習與人工智能的關係
1 3 1 深度學習在人工智能中的角色
1 3 2 深度學習在人工智能中的應用
1 4 常用的深度學習框架
1 4 1 TensorFlow
1 4 2 PyTorch
1 4 3 Keras
1 5 深度學習的研究進展與應用
1 5 1 深度學習在計算機視覺中的應用
1 5 2 深度學習在自然語言處理中的應用
1 5 3 深度學習在醫學領域中的進展
本章小結
思考題或自測題
第2章 神經網絡基礎
2 1 神經元與網絡結構
2 1 1 人工神經元模型
2 1 2 人工神經網絡
2 1 3 激活函數
2 1 4 全連接層
2 1 5 輸出層
2 1 6 誤差計算
2 2 前饋神經網絡
2 2 1 前饋神經網絡結構
2 2 2 前饋神經網絡的訓練方法
2 3 反向傳播算法
2 3 1 導數與梯度
2 3 2 損失函數
2 3 3 鏈式法則
2 3 4 反向傳播算法
2 4 自動梯度計算
2 4 1 數值微分
2 4 2 符號微分
2 4 3 自動微分
2 5 優化問題
2 5 1 參數初始化
2 5 2 梯度消失和梯度爆炸問題
2 5 3 死亡ReLU問題
2 6 使用PyTorch構建神經網絡
2 6 1 MNIST數據集介紹
2 6 2 使用PyTorch構建神經網絡訓練MNIST數據集
本章小結
思考題或自測題
第3章 卷積神經網絡
3 1 卷積與卷積神經網絡
3 1 1 卷積操作的數學原理
3 1 2 卷積神經網絡的基本結構
3 2 參數學習
3 3 幾種典型的卷積神經網絡
3 3 1 LeNet
3 3 2 AlexNet
3 3 3 VGGNet
3 3 4 ResNet
3 4 其他卷積方式
3 4 1 空洞卷積
3 4 2 深度可分離卷積
3 5 應用分析
3 5 1 圖像分類任務中的應用
3 5 2 目標檢測任務中的應用
3 5 3 語義分割任務中的應用
本章小結
思考題或自測題
第4章 循環神經網絡
4 1 非線性自回歸模型和循環神經網絡
4 1 1 延時神經網絡
4 1 2 有外部輸入的非線性自回歸模型
4 1 3 循環神經網絡的構造
4 2 參數學習
4 3 幾種典型的循環神經網絡
4 3 1 Simple RNN
4 3 2 GRU
4 3 3 LSTM
4 3 4 Bi-RNN
4 3 5 ESN
4 4 應用分析
4 4 1 時序建模中的應用
4 4 2 自然語言處理中的應用
本章小結
思考題或自測題
第5章 深度信念網絡
5 1 玻爾茲曼機
5 1 1 傳統玻爾茲曼機概述
5 1 2 受限玻爾茲曼機概述
5 2 受限玻爾茲曼機
5 2 1 受限玻爾茲曼機的定義
5 2 2 受限玻爾茲曼機參數學習
5 2 3 受限玻爾茲曼機模型參數求解
5 2 4 受限玻爾茲曼機模型訓練算法
5 2 5 受限玻爾茲曼機模型評估
5 3 深度信念網絡
5 3 1 深層置信網絡的定義
5 3 2 模型訓練方法
5 4 應用分析
5 4 1 特徵學習中的應用
5 4 2 數據生成中的應用
本章小結
思考題或自測題
第6章 生成對抗網絡
6 1 概率生成模型
6 1 1 概率生成模型定義
6 1 2 協方差矩陣共享
6 1 3 極大似然估計
6 2 變分自編碼器
6 2 1 降維、主成分分析和自動編碼器
6 2 2 變分自動編碼器框架
6 2 3 變分推理公式推導
6 2 4 將神經網絡引入模型
6 3 生成對抗網絡
6 3 1 GAN的網絡結構
6 3 2 GAN的訓練方法
6 3 3 統一目標函數
6 3 4 GAN變種
6 4 應用分析
6 4 1 圖像生成中的應用
6 4 2 風格遷移任務中的應用
6 4 3 人機交互領域
本章小結
思考題或自測題
第7章 深度強化學習
7 1 強化學習問題
7 1 1 強化學習定義
7 1 2 馬爾可夫決策過程
7 1 3 目標函數
7 2 基於值函數的學習方法
7 2 1 值函數
7 2 2 值函數估計
7 2 3 策略改進
7 2 4 SARSA算法
7 2 5 DQN算法
7 2 6 DQN變種
7 3 基於策略函數的學習方法
7 3 1 策略梯度
7 3 2 REINFORCE算法
7 3 3 原始策略梯度的改進
7 3 4 帶基準的REINFORCE算法
7 3 5 重要性採樣
7 3 6 近端策略優化算法
7 4 演員-評論員算法
7 4 1 A2C算法
7 4 2 A3C算法
7 5 應用分析
7 5 1 遊戲中的強化學習應用
7 5 2 機器人控制中的強化學習應用
本章小結
思考題或自測題
第8章 網絡輕量化
8 1 基於統計選擇的通道修剪
8 1 1 通道修剪的基本原理

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。