全解深度學習-九大核心演算法 于浩文 9787302679103 【台灣高等教育出版社】

圖書均為代購,正常情形下,訂後約兩周可抵台。
物品所在地:中國大陸
原出版社:清華大學
大陸簡體正版圖書,訂購後正常情形下約兩周可抵台。
NT$502
商品編號: 9787302679103
供貨狀況: 尚有庫存

此商品參與的優惠活動

加入最愛
商品介紹
*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:全解深度學習-九大核心演算法
ISBN:9787302679103
出版社:清華大學
著編譯者:于浩文
頁數:286
所在地:中國大陸 *此為代購商品
書號:1721030
可大量預訂,請先連絡。

內容簡介

本書專註于介紹基於深度學習的算法。從探索深度學習的數學基礎和理論架構,到九大經典的深度學習算法,旨在為讀者提供一個從基礎到高級的全方位指導。截至2024年,書中介紹的9個算法幾乎涵蓋了整個深度學習領域的經典和前沿算法。 本書在第1章和第2章介紹了深度學習的基礎:數學基礎與神經網絡算法。從第3章開始,書籍逐步引領讀者進入深度學習的核心領域,即一些基於神經網絡的變體算法:卷積神經網絡、循環神經網絡、編碼器-解碼器模型,以及目前火熱的變形金剛算法、生成對抗網絡和擴散模型。這些章節不僅講解了各個模型的基礎理論和關鍵技術,還詳細介紹了這些模型在自然語言處理、計算機視覺等領域的應用案例。書籍的後半部分聚焦于圖神經網絡和強化學習這些前沿算法,深入淺出地講解了它們的基礎知識、算法變體及經典模型等高級話題。這些內容為讀者理解和應用深度學習技術提供了堅實的理論基礎。 本書適合對深度學習領域感興趣的本科生、研究生及相關行業的從業者閱讀。

作者簡介

于浩文,南安普頓大學人工智能專業碩士一等學位,曼徹斯特大學生物信息與系統生物碩士一等學位;湖南點頭教育科技有限公司聯合創始人。在SCI上發表論文三篇,IEEE上發表論文一篇,獲國家技術專利一項。

目錄

配套資源
第1章 深度學習數學基礎
1 1 高等數學之微積分
1 1 1 重識微分
1 1 2 微分的解讀
1 1 3 微分與函數的單調性和凹凸性
1 1 4 微分的鏈式法則
1 1 5 偏微分與全微分
1 1 6 梯度與方嚮導數
1 1 7 泰勒公式與麥克勞林公式
1 1 8 拉格朗日乘子法
1 1 9 重識積分
1 1 10 不定積分和反導數
1 1 11 定積分與牛頓-萊布尼茨公式
1 1 12 微積分的基本定理
1 2 線性代數
1 2 1 線性方程組
1 2 2 線性方程組的矩陣求解法
1 2 3 矩陣乘法
1 2 4 向量的數乘
1 2 5 向量的加法
1 2 6 向量的線性組合
1 2 7 向量空間
1 2 8 向量的線性相關和線性無關
1 2 9 向量乘法
1 2 10 向量的正交
1 2 11 向量與矩陣
1 2 12 特徵值和特徵向量
1 3 概率論
1 3 1 頻數
1 3 2 數據位置
1 3 3 數據散布
1 3 4 隨機變數的類型和概率分佈
1 3 5 理論概率分佈之常見的離散型分佈
1 3 6 理論概率分佈之常見的連續型分佈
1 3 7 經驗概率分佈
1 4 統計學
1 4 1 大數定律與中心極限定理
1 4 2 參數估計
1 4 3 統計量和抽樣分佈
1 4 4 假設檢驗
1 4 5 相關性分析
第2章 神經網絡理論基礎
2 1 線性模型
2 1 1 線性模型的定義
2 1 2 損失函數
2 1 3 梯度下降算法
2 1 4 廣義線性模型
2 2 回歸與分類
2 2 1 回歸和分類問題的定義與聯繫
2 2 2 線性模型解決回歸和分類問題
2 3 感知機模型
2 3 1 感知機模型定義與理解
2 3 2 神經網絡算法與深度學習模型
2 3 3 反向傳播算法
2 4 激活函數
2 4 1 激活函數的定義與作用
2 4 2 常用激活函數
2 5 維度詛咒
2 5 1 神經網絡的層級結構
2 5 2 維度詛咒與過擬合
2 6 過擬合與欠擬合
2 6 1 過擬合和欠擬合現象的定義
2 6 2 過擬合和欠擬合現象的產生原因
2 7 正則
2 7 1 L1和L2正則
2 7 2 DropOut
2 8 數據增強
2 9 數值不穩定性
第3章 卷積神經網絡
3 1 卷積神經網絡基礎
3 1 1 卷積神經網絡的計算
3 1 2 卷積的設計思想
3 1 3 卷積進行特徵提取的過程
3 1 4 池化與採樣
3 1 5 卷積神經網絡的感受野
3 1 6 卷積模型實現圖像識別
3 1 7 第1個卷積神經網絡模型:LeNet
3 2 卷積的變體算法
3 2 1 逐通道卷積
3 2 2 逐點卷積
3 2 3 深度可分離卷積
3 2 4 組卷積
3 2 5 空間可分離卷積
3 2 6 空洞卷積
3 2 7 轉置卷積
3 2 8 稀疏卷積
3 2 9 多維卷積
第4章 循環神經網絡
4 1 循環神經網絡基礎
4 1 1 序列數據
4 1 2 RNN模型
4 1 3 語言模型
4 1 4 文本預處理
4 1 5 建模和預測
4 2 循環神經網絡的變體模型
4 2 1 門控循環單元
4 2 2 長短期記憶網絡
4 2 3 深度循環神經網絡
4 2 4 雙向循環神經網絡
4 2 5 基於注意力的循環神經網絡
第5章 編碼器-解碼器模型
5 1 編碼器-解碼器模型基礎
5 1 1 編碼器-解碼器模型的基本結構
5 1 2 編碼器-解碼器模型在自然語音處理領域的應用
5 1 3 編碼器-解碼器模型在計算機視覺領域的應用
5 1 4 自編碼器模型
5 2 CV中的編碼器-解碼器:VAE模型
5 2 1 VAE模型簡明指導
5 2 2 潛空間
5 2 3 最大似然估計
5 2 4 隱變數模型
5 2 5 蒙特卡洛採樣
5 2 6 變分推斷
5 3 NLP中的編碼器-解碼器:Seq2Seq模型
5 3 1 Seq2Seq編碼器
5 3 2 Seq2Seq解碼器
5 3 3 Seq2Seq的Attention機制
5 3 4 Seq2Seq的Teacher Forcing策略
5 3 5 Seq2Seq評價指標BLEU
5 3 6 Seq2Seq模型小結
第6章 變形金剛算法
6 1 算法基礎
6 1 1 算法概況
6 1 2 自注意力層
6 1 3 多頭自注意力層
6 1 4 編碼器結構
6 1 5 解碼器結構
6 1 6 線性頂層和Softmax層
6 1 7 輸入數據的向量化
6 2 NLP中的Transformer模型
6 2 1 BERT
6 2 2 GPT
6 3 CV中的Transformer模型
6 3 1 Vision Transformer
6 3 2 Swin Transformer
6 4 Transformer小結
第7章 生成對抗網絡
7 1 生成對抗網絡基礎
7 1 1 GAN的模型結構
7 1 2 GAN模型的訓練
7 2 改進的GAN
7 2 1 模式崩潰
7 2 2 模式崩潰的解決方法
7 3 f-GAN
7 3 1 GAN模型損失與散度
7 3 2 GAN損失的通用框架f散度
7 4 WGAN
7 4 1 傳統的GAN模型梯度消失的分析
7 4 2 Wasserstein距離
7 4 3 由Wasser
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。
規格說明
大陸簡體正版圖書,訂購後正常情形下約兩周可抵台。
運送方式
已加入購物車
已更新購物車
網路異常,請重新整理