深度學習與神經網絡 趙金晶 等 9787121473739 【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：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$547
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *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：202402*若逾兩年請先於私訊洽詢存貨情況，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：深度學習與神經網絡 ISBN：9787121473739 出版社：電子工業 著編譯者：趙金晶 等 頁數：232 所在地：中國大陸 *此為代購商品 書號：1626336 可大量預訂，請先連絡。 內容簡介 本書系統介紹深度學習和神經網路的基礎知識體系與實踐方法，闡述各種主流神經網路模型，以及深度模型優化和正則化問題，使讀者能利用深度學習方法探索圖像識別、自然語言處理等具體場景下的模型構建與優化技術。 全書分為7個章節。第1章緒論，梳理了人工智慧不同技術流派的特點、深度學習的發展及前沿技術；第2章介紹相關預備知識，包括線性代數、概率論、優化理論以及機器學習的基礎知識；第3章從前饋神經網路的基礎模型——感知器出發，介紹前饋神經網路的基本結構以及涉及的激活函數、梯度下降、反向傳播等內容；第4章，介紹深度模型的優化問題，討論了神經網路優化中常見的病態問題；第5章介紹深度學習中的正則化方法，包括范數懲罰、數據集增強與雜訊注入、提前停止等；第6章介紹了卷積神經網路，以及卷積神經網路在計算機視覺領域的具體應用；第7章通過實際案例介紹循環神經網路與卷積神經網路的結合應用。 本書可作為高等院校人工智慧、電子信息、計算機等專業的研究生或本科生教材，也可作為相關領域的研究和工程技術人員的參考書籍。作者簡介 李虎，男，1987年生，軍事科學院系統工程研究院工程師，國防科技大學計算機學院博士畢業，主要研究方向為網路與信息安全。先後承擔、參与國家973計劃、863計劃、裝備預研等各類科研項目10餘項。獲省部級科技進步獎二等獎2項、發明專利10餘項，發表論文20餘篇。目錄 第1章 緒論1 1 人工智慧 1 1 1 人工智慧技術的發展歷程 1 1 2 人工智慧技術的流派 1 2 深度學習與神經網路概述 1 2 1 深度學習與神經網路技術的發展歷程 1 2 2 深度學習與神經網路的前沿技術 1 3 深度學習系統架構 1 4 深度學習框架 1 5 深度學習的應用 1 5 1 計算機視覺 1 5 2 語音語義 1 5 3 自然語言處理 1 6 人工智慧潛在的安全風險 1 6 1 數據層面的風險 1 6 2 演算法模型層面的風險 1 6 3 智能計算框架層面的風險 1 6 4 基礎軟硬體層面的風險 1 6 5 應用服務層面的風險 本章小結 第2章 預備知識 2 1 相關數學基礎 2 1 1 線性代數 2 1 2 概率論 2 1 3 優化理論 2 2 機器學習基礎 2 2 1 機器學習演算法的基本流程 2 2 2 機器學習常用評價指標 2 2 3 典型機器學習演算法 2 3 實驗環境基礎 2 3 1 GPU 驅動的安裝配置 2 3 2 依賴環境的安裝配置 2 3 3 深度學習框架的安裝配置 2 3 4 集成開發環境的安裝配置 本章小結 第3章 前饋神經網路 3 1 感知器 3 1 1 單層感知器 3 1 2 多層感知器 3 1 3 前饋神經網路的基本結構 3 2 激活函數 3 2 1 Sigmoid函數 3 2 2 ReLU函數 3 2 3 Tanh函數 3 2 4 Softmax函數 3 3 誤差反向傳播 3 3 1 梯度下降法 3 3 2 鏈式法則 3 3 3 反向傳播 本章小結 第4章 深度模型的優化 4 1 神經網路的優化問題 4 1 1 局部最優和振蕩陷阱 4 1 2 梯度爆炸和梯度消失 4 2 常見的優化演算法 4 2 1 梯度下降優化演算法 4 2 2 二階優化演算法 4 3 自適應學習率演算法 4 3 1 AdaGrad演算法 4 3 2 RMSprop演算法 4 3 3 Adam 演算法 4 4 參數初始化方法 4 4 1 隨機初始化 4 4 2 Xavier初始化 4 4 3 He 初始化 本章小結 第5章 深度學習中的正則化 5 1 范數懲罰 5 1 1 L1 正則化 5 1 2 L2 正則化 5 2 數據集增強與雜訊注入 5 2 1 數據集增強 5 2 2 雜訊注入 5 3 提前停止 5 4 Dropout 5 5 批歸一化 本章小結 第6章 卷積神經網路 6 1 卷積神經網路的發展歷程 6 2 卷積神經網路的基本組成 6 2 1 卷積層 6 2 2 池化層 6 2 3 全連接層 6 3 常見卷積神經網路結構 6 3 1 VGG網路 6 3 2 GoogLeNet網路 6 3 3 ResNet網路 6 4 深度生成網路 6 4 1 生成對抗網路 6 4 2 深度卷積生成對抗網路 6 5 圖像分類案例 6 5 1 步驟1：搭建環境 6 5 2 步驟2：導入依賴庫 6 5 3 步驟3：獲取數據 6 5 4 步驟4：定義AlexNet網路 6 5 5 步驟5：模型初始化 6 5 6 步驟6：模型訓練 6 6 目標檢測案例 6 6 1 步驟1：環境配置和模型下載 6 6 2 步驟2：主函數解析 6 6 3 步驟3：終端指令運行 本章小結 第7章 循環神經網路 7 1 循環神經網路的基本原理 7 1 1 循環神經網路的原理 7 1 2 雙向循環神經網路 7 2 循環神經網路在實際中的應用 7 2 1 文本生成 7 2 2 語音識別 7 2 3 機器翻譯 7 2 4 生成圖像描述 7 2 5 視頻動作檢測 7 2 6 信號分類 7 3 長短期記憶網路及其他門控循環神經網路 7 3 1 長短期記憶網路 7 3 2 其他門控循環神經網路 7 4 深度學習在文本和序列中的應用 7 4 1 文本數據處理 7 4 2 文本分類和情感分析 7 4 3 機器翻譯 7 4 4 命名實體識別 7 5 卷積神經網路與循環神經網路 7 5 1 卷積神經網路與循環神經網路的對比 7 5 2 卷積神經網路與循環神經網路的組合應用 7 6 案例：深度學習的詩歌生成 7 6 1 步驟1：導入依賴庫 7 6 2 步驟2：讀取數據 7 6 3 步驟3：構造數據集 7 6 4 步驟4：構造模型 7 6 5 步驟5：訓練過程 7 6 6 步驟6：生成文本 7 7 案例：基於LSTM 演算法的股票預測 7 7 1 步驟1：導入依賴庫 7 7 2 步驟2：獲取並處理數據 7 7 3 步驟3：構建預測數據序列 7 7 4 步驟4：構建LSTM 網路 7 7 5 步驟5：訓練網路 7 7 6 步驟6：預測測試集 7 8 案例：基於深度學習的文本分類 7 8 1 步驟1：項目入口 7 8 2 步驟2：訓練模塊 7 8 3 步驟3：驗證和測試函數 7 8 4 步驟4：數據預處理模塊 7 8 5 步驟5：定義模型 7 8 6 步驟6：分類結果展示 本章小結 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
