TensorFlow神經網絡設計-基於Python API的深度學習實戰 9787302662235 奧汗.亞爾欽
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
物品所在地：中國大陸
原出版社：清華大學
NT$439
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：TensorFlow神經網絡設計-基於Python API的深度學習實戰 ISBN：9787302662235 出版社：清華大學 著編譯者：奧汗.亞爾欽 叢書名：中外學者論AI 頁數：157 所在地：中國大陸 *此為代購商品 書號：1685204 可大量預訂，請先連絡。 【台灣高等教育出版社簡體書】 TensorFlow神經網絡設計-基於Python API的深度學習實戰 787302662235 奧汗.亞爾欽 內容簡介 本書以TensorFlow 2 0為基本開發平台，通過一系列具體的應用案例，使用通俗易懂的語言比較系統地介紹深度學習的基本概念和神經網路模型設計的基本知識。這些案例涉及的應用領城非常廣泛，從圖像識別到推薦系統，從藝術圖像生成到自然語言處理，為讀者的應用系統設計和開發提供了比較寬廣的視野。本書的知識內容和知識結構面向神經網路初學者設計，首先概述Python編程語言、機器學習、深度學習和神經網路的基本知識，然後著重介紹前饋神經網路、卷積神經網路、循環神經網路、自動編碼器和生成對抗網路等神經網路模型的基本結構，詳細討論了基於TensorFlow 2 0開發平台的神經網路模型的設計技巧和訓練方法，以及樣本數據集的獲取與處理、應用系統開發的基本過程，逐步消除讀者在深度學習技術開發應用方面的認知盲點。目錄 第1章 緒論1 1 編程語言Python 1 1 1 Python 發展時間軸 1 1 2 Python 2 x與Python 3 x 1 1 3 選擇Python的原因 1 2 機器學習框架TensorFlow 1 2 1 TensorFlow發展時間軸 1 2 2 選擇TensorFlow的原因 1 2 3 TensorFlow 2 x的新特點 1 2 4 TensorFlow的競爭產品 1 3 安裝與環境設置 1 4 硬體選項和要求 第2章 機器學習簡介 2 1 何為機器學習 2 2 機器學習的範圍及相關鄰域 2 2 1 人工智慧 2 2 2 深度學習 2 2 3 數據科學 2 2 4 大數據 2 2 5 分類圖 2 3 機器學習方式和模型 2 3 1 監督學習 2 3 2 非監督學習 2 3 3 半監督學習 2 3 4 強化學習 2 4 機器學習的基本步驟 2 4 1 數據收集 2 4 2 數據準備 2 4 3 模型選擇 2 4 4 訓練 2 4 5 評價 2 4 6 調優超參數 2 4 7 預測 2 5 小結 第3章 深度學習與神經網路概述 3 1 神經網路和深度學習研究的時間軸 3 2 人工神經網路的結構 3 2 1 McCulloch-Pitts神經元 3 2 2 現代深度神經網路 3 3 深度學習的優化演算法 3 3 1 最優化面臨的挑戰 3 3 2 過度擬合與正則化 3 4 小結 第4章 TensorFlow 2 x的附加程序庫 4 1 TensorFlow互補程序庫的安裝 4 1 1 使用pip安裝 4 1 2 程序庫的安裝 4 2 常見程序庫 4 2 1 NumPy——數組處理 4 2 2 SciPy——科學計算 4 2 3 Pandas——數組處理與數據分析 4 2 4 Matplotlib和Seaborn——數據可視化 4 2 5 Scikit-learn——機器學習 4 2 6 Flask——部署 4 3 小結 第5章 TensorFlow 2 0與深度學習流程 5 1 TensorFlow基孫 5 1 1 直接執行 5 1 2 張量 5 1 3 TensorFlow變數 5 2 TensorFlow深度學習流程 5 2 1 數據載入與準備 5 2 2 構建模型 5 2 3 編譯、訓練、評估模型並進行預測 5 2 4 保存並載入模型 5 3 小結 第6章 前饋神經網路 6 1 深度和淺層前饋神經網路 6 1 1 淺層前饋神經網路 6 1 2 深度前饋神經網路 6 2 前饋神經網路架構 6 3 案例分析：燃油經濟學與Auto MPG 6 3 1 初始安裝和導入 6 3 2 下載Auto MPG數據 6 3 3 數據準備 6 3 4 創建DataFrame 6 3 5 丟棄空值 6 3 6 處理分類變數 6 3 7 將Auto MPG分為訓練集和測試集 6 3 8 模型構建與訓練 6 3 9 結果評價 6 3 10 使用新的觀測數據進行預測 6 4 小結 第7章 卷積神經網路 7 1 為什麼選擇使用卷積神經網路 7 2 CNN的架構 7 2 1 CNN中的網路層 7 2 2 完整的CNN模型 7 3 案例研究：MNIST的圖像識別 7 3 1 下載MNIST數據 7 3 2 圖像的重塑與標準化 7 3 3 構建卷積神經網路 7 3 4 模型的編譯與調試 7 3 5 評價模型 7 3 6 保存訓練完成的模型 7 4 小結 第8章 循環神經網路 8 1 序列數據與時序數據 8 2 RNN與序列數據 8 3 RNN基礎 8 3 1 RNN的歷史 8 3 2 RNN的應用 8 3 3 RNN的運作機制 8 3 4 RNN的類型 8 4 案例研究：IMDB影評的情緒分析 8 4 1 為Colab準備GPU加速訓練 8 4 2 基於TensorFlow導入的數據集載入 8 4 3 構建循環神經網路 8 5 小結 第9章 自然語言處理 9 1 NLP的歷史 9 2 NLP的實際應用 9 3 主要評估、技術、方法和任務 9 3 1 形態句法學 9 3 2 語義學 9 3 3 語篇 9 3 4 語音 9 3 5 對話 9 3 6 認知 9 4 自然語言工具包 9 5 案例研究：深度NLP的文本生成 9 5 1 案例實現目標 9 5 2 莎士比亞語料庫 9 5 3 初始導入 9 5 4 載入語料庫 9 5 5 文本向量化 9 5 6 創建數據集 9 5 7 模型構建 9 5 8 編譯並訓練模型 9 5 9 使用訓練好的模型生成文本 9 6 小結 第10章 推薦系統 10 1 構建推薦系統的流行方法 10 1 1 協同過濾方法 10 1 2 基於內容的過濾 10 1 3 構建推薦系統的其他方法 10 2 案例開發：深度協同過濾與MovieLens數據集 10 2 1 初始導入 10 2 2 載入數據 10 2 3 數據處理 10 2 4 拆分數據集 10 2 5 構建模型 10 2 6 編譯並訓練模型 10 2 7 進行推薦 10 3 小結 第11章 自動編碼器 11 1 自動編碼器的優缺點 11 2 自動編碼器的架構 11 2 1 自動編碼器的各個層 11 2 2 深度的優勢 11 3 自動編碼器的變體 11 3 1 欠完備自動編碼器 11 3 2 正則化自動編碼器 11 3 3 變分自動編碼器 11 4 自動編碼器的應用 11 5 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。 |
