深度學習詳解 王琦 楊毅遠 江季 9787115642110 【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：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$635
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：202409*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：深度學習詳解 ISBN：9787115642110 出版社：人民郵電 著編譯者：王琦 楊毅遠 江季 頁數：356 所在地：中國大陸 *此為代購商品 書號：1670879 可大量預訂，請先連絡。 內容簡介 本書根據李宏毅老師的公開課改寫、擴充而成，介紹了卷積神經網路、Transformer、生成模型、自監督學習（包括BERT和GPT-3）等深度學習常見演算法，並講解了對抗攻擊、可解釋人工智慧、領域自適應、強化學習、終身學習、模型壓縮、元學習等深度學習相關的進階演算法。在理論嚴謹的基礎上，本書保留了公開課中的大量生動有趣的例子，幫助讀者從生活化的角度理解深度學習概念、建模過程和核心演算法細節。 本書適合對深度學習感興趣、想要入門深度學習的讀者閱讀，也可作為深度學習相關課程的參考教材。作者簡介 楊毅遠，牛津大學計算機系博士研究生，碩士畢業於清華大學。Datawhale成員，《Easy RL：強化學習教程》作者，主要研究方向為時間序列、數據挖掘、智能感測系統，深度學習，曾獲國家獎學金、北京市優秀畢業生、清華大學優秀碩士學位論文、全國大學生智能汽車競賽總冠軍等榮譽，發表SCI/EI論文多篇。目錄 第1章 機器學習基礎1 1 案例學習 1 2 線性模型 1 2 1 分段線性曲線 1 2 2 模型變形 1 2 3 機器學習框架 第2章 實踐方法論 2 1 模型偏差 2 2 優化問題 2 3 過擬合 2 4 交叉驗證 2 5 不匹配 參考資料 第3章 深度學習基礎 3 1 局部最小值與鞍點 3 1 1 臨界點及其種類 3 1 2 判斷臨界值種類的方法 3 1 3 逃離鞍點的方法 3 2 批量和動量 3 2 1 批量大小對梯度下降法的影響 3 2 2 動量法 3 3 自適應學習率 3 3 1 AdaGrad 3 3 2 RMSProp 3 3 3 Adam 3 4 學習率調度 3 5 優化總結 3 6 分類 3 6 1 分類與回歸的關係 3 6 2 帶有softmax函數的分類 3 6 3 分類損失 3 7 批量歸一化 3 7 1 放入深度神經網路 3 7 2 測試時的批量歸一化 3 7 3 內部協變數偏移 參考資料 第4章 卷積神經網路 4 1 觀察1：檢測模式不需要整幅圖像 4 2 簡化1：感受野 4 3 觀察2：同樣的模式可能出現在圖像的不同區域 4 4 簡化2：共享參數 4 5 簡化1和簡化2的總結 4 6 觀察3：下採樣不影響模式檢測 4 7 簡化3：匯聚 4 8 卷積神經網路的應用：下圍棋 參考資料 第5章 循環神經網路 5 1 獨熱編碼 5 2 什麼是RNN 5 3 RNN架構 5 4 其他RNN 5 4 1 Elman網路和Jordan網路 5 4 2 雙向循環神經網路 5 4 3 LSTM 5 4 4 LSTM舉例 5 4 5 LSTM運算示例 5 5 LSTM網路原理 5 6 RNN的學習方式 5 7 如何解決RNN的梯度消失或梯度爆炸問題 5 8 RNN的其他應用 5 8 1 多對一序列 5 8 2 多對多序列 5 8 3 序列到序列 參考資料 第6章 自注意力機制 6 1 輸入是向量序列的情況 6 1 1 類型1：輸入與輸出數量相同 6 1 2 類型2：輸入是一個序列，輸出是一個標籤 6 1 3 類型3：序列到序列任務 6 2 自注意力機制的運作原理 6 3 多頭自注意力 6 4 位置編碼 6 5 截斷自注意力 6 6 對比自注意力與卷積神經網路 6 7 對比自注意力與循環神經網路 參考資料 第7章 Transformer 7 1 序列到序列模型 7 1 1 語音識別、機器翻譯與語音翻譯 7 1 2 語音合成 7 1 3 聊天機器人 7 1 4 問答任務 7 1 5 句法分析 7 1 6 多標籤分類 7 2 Transformer結構 7 3 Transformer編碼器 7 4 Transformer解碼器 7 4 1 自回歸解碼器 7 4 2 非自回歸解碼器 7 5 編碼器–解碼器注意力 7 6 Transformer的訓練過程 7 7 序列到序列模型訓練常用技巧 7 7 1 複製機制 7 7 2 引導注意力 7 7 3 束搜索 7 7 4 加入雜訊 7 7 5 使用強化學習訓練 7 7 6 計劃採樣 參考資料 第8章 生成模型 8 1 生成對抗網路 8 1 1 生成器 8 1 2 判別器 8 2 生成器與判別器的訓練過程 8 3 GAN的應用案例 8 4 GAN的理論介紹 8 5 WGAN演算法 8 6 GAN訓練的難點與技巧 8 7 GAN的性能評估方法 8 8 條件型生成 8 9 CycleGAN 參考資料 第9章 擴散模型 9 1 擴散模型生成圖片的過程 9 2 去噪模塊 9 3 訓練雜訊預測器 第10章 自監督學習 10 1 BERT 10 1 1 BERT的使用方式 10 1 2 BERT有用的原因 10 1 3 BERT的變體 10 2 GPT 參考資料 第11章 自編碼器 11 1 自編碼器的概念 11 2 為什麼需要自編碼器 11 3 去噪自編碼器 11 4 自編碼器應用之特徵解耦 11 5 自編碼器應用之離散隱表徵 11 6 自編碼器的其他應用 第12章 對抗攻擊 12 1 對抗攻擊簡介 12 2 如何進行網路攻擊 12 3 快速梯度符號法 12 4 白箱攻擊與黑箱攻擊 12 5 其他模態數據被攻擊案例 12 6 現實世界中的攻擊 12 7 防禦方式中的被動防禦 12 8 防禦方式中的主動防禦 第13章 遷移學習 13 1 領域偏移 13 2 領域自適應 13 3 領域泛化 參考資料 第14章 強化學習 14 1 強化學習的應用 14 1 1 玩電子遊戲 14 1 2 下圍棋 14 2 強化學習框架 14 2 1 第1步：定義函數 14 2 2 第2步：定義損失 14 2 3 第3步：優化 14 3 評價動作的標準 14 3 1 使用即時獎勵作為評價標準 14 3 2 使用累積獎勵作為評價標準 14 3 3 使用折扣累積獎勵作為評價標準 14 3 4 使用折扣累積獎勵減去基線作為評價標準 14 3 5 Actor-Critic 14 3 6 優勢Actor-Critic 參考資料 第15章 元學習 15 1 元學習的概念 15 2 元學習的三個步驟 15 3 元學習與機器學習 15 4 元學習的實例演算法 15 5 元學習的應用 參考資料 第16章 終身學習 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。 |
