| 作者 |
| 李易 奥雷利安·杰龙 |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782103261811 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8079381 - 深度学习：算法入门与Keras编程实践--------------------------- 深度学习作为人工智能领域的“排头兵”，将在未来的新一轮产业升级中起到至关重要的作用。本书以“理论＋实践”的形式帮助读者快速建立深度学习知识体系，不仅能在算法层面上理解各种神经网络模型，而且能借助功能强大且极易上手的Keras 框架，熟练地搭建和训练模型，应用于解决实际问题。 全书共12章，内容涵盖入门深度学习的绝大部分基础知识。第1章讲解如何搭建深度学习的编程环境，并简单回顾了学习深度学习必备的数学知识。第2章从回归算法出发带领读者踏上深度学习之路。第3～9章全面讲解时下几种主流神经网络结构，包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、 自动编码器（AE）、变分自动编码器（VAE）、对抗生成网络（GNN）等。第10～12章着重介绍时下主流的几类深度学习应用，包括图像识别、目标检测和自然语言处理等。无论是算法原理还是编程实践，本书都从易到难、循序渐进地讲解，并配合简单轻松的实例帮助读者加深印象。 本书不仅适合需要在工作中应用深度学习技术的专业人员，而且适合具备一定计算机编程基础的人工智能和深度学习爱好者。对于大专院校相关专业的师生，本书也是一本不错的参考读物。 ---------------------------8075075 - 机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）--------------------------- 本书分为两部分。第一部分，机器学习基础，涵盖以下主题：什么是机器学习，它试图解决什么问题，以及系统的主要类别和基本概念；第二部分，神经网络和深度学习，涵盖以下主题：什么是神经网络以及它们有什么用，使用TensorFlow和Keras构建和训练神经网络的技术，以及如何使用强化学习构建可以通过反复试错，学习好的策略的代理程序。第一部分主要基于Scikit-Learn，而第二部分则使用TensorFlow和Keras。 |
| 目录 |
| [套装书具体书目] 8075075 - 机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版） - 9787111665977 - 机械工业出版社 - 定价 149 8079381 - 深度学习：算法入门与Keras编程实践 - 9787111674153 - 机械工业出版社 - 定价 89.8 ---------------------------8079381 - 深度学习：算法入门与Keras编程实践--------------------------- 前言 如何获取学习资源 第1章 深度学习入门 1.1 Keras的介绍与安装 13 1.2 学习深度学习需要具备的数学基础知识 16 第2章 回归算法 2.1 线性回归 31 2.2 多元线性回归 39 2.3 逻辑回归 42 第3章 神经网络入门 3.1 简单神经网络的基本结构 50 3.2 正向传播 51 3.3 激活函数 53 3.4 MLP的反向传播与求导 55 3.5 MLP的损失函数 59 3.6 权重初始化 62 3.7 案例：黑白手写数字识别 64 第4章 神经网络进阶—如何提高性能 4.1 欠拟合和过拟合问题 69 4.2 模型诊断与误差分析 71 4.3 避免过拟合的“良药”—正则化 73 4.4 优化算法 76 4.4.1 基于梯度下降法的优化算法 76 4.4.2 进阶优化算法 78 4.5 其他优化性能的方法 81 4.6 模型训练的检查清单 83 第5章 卷积神经网络 5.1 CNN的构想来源 86 5.2 卷积层 88 5.3 滤波器 89 5.3.1 滤波器的运算规则 89 5.3.2 滤波器的作用 91 5.3.3 填充和步长 95 5.4 彩色图像输入 98 5.5 反向传播 101 5.6 池化层 103 5.7 CNN案例 104 5.7.1 黑白手写数字识别 104 5.7.2 彩色图像分类 107 第6章 循环神经网络 6.1 RNN的基本结构 115 6.2 RNN的正向传播 118 6.3 RNN的反向传播 120 6.4 简单的RNN案例 122 6.5 训练RNN时的问题与解决方案 129 6.5.1 梯度爆炸和梯度消失 130 6.5.2 梯度问题的解决方案 132 6.6 解决长期依赖问题的“良药”—GRU和LSTM 133 6.6.1 GRU 134 6.6.2 LSTM 138 6.7 RNN案例：影评分析 142 6.7.1 准备知识—词嵌入 142 6.7.2 代码解析 144 第7章 自动编码器 7.1 AE的结构 149 7.2 重构损失 151 7.3 简单的AE案例 153 7.4 Sparse AE 155 7.5 去噪自动编码器 157 7.6 上色器 160 第8章 变分自动编码器 8.1 VAE的结构 171 8.2 对VAE的深层理解 174 8.3 损失函数 175 8.4 重参数技巧 180 8.5 VAE案例 181 第9章 对抗生成网络 9.1 GAN的基本结构 191 9.2 GAN的训练 192 9.3 GAN的数学原理 195 9.4 GAN案例：DCGAN 198 第10章 AI的眼睛Ⅰ—基于CNN的图像识别 10.1 VGGNet 209 10.2 Inception 214 10.3 ResNet 220 10.4 迁移学习 226 第11章 AI的眼睛Ⅱ—基于CNN的目标检测 11.1 R-CNN 232 11.2 Fast R-CNN 241 11.3 Faster R-CNN 243 11.4 YOLO算法 246 第12章 循环神经网络的进阶算法 12.1 BRNN 250 12.2 Encoder-Decoder 255 12.3 注意力机制 257 ---------------------------8075075 - 机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）--------------------------- 前言1 第一部分 机器学习的基础知识11 第1章 机器学习概览13 1.1 什么是机器学习14 1.2 为什么使用机器学习14 1.3 机器学习的应用示例16 1.4 机器学习系统的类型18 1.5 机器学习的主要挑战32 1.6 测试与验证38 1.7 练习题40 第2章 端到端的机器学习项目42 2.1 使用真实数据42 2.2 观察大局44 2.3 获取数据48 2.4 从数据探索和可视化中获得洞见60 2.5 机器学习算法的数据准备66 2.6 选择和训练模型74 2.7 微调模型77 2.8 启动、监控和维护你的系统82 2.9 试试看84 2.10 练习题84 第3章 分类86 3.1 MNIST86 3.2 训练二元分类器88 3.3 性能测量89 3.4 多类分类器99 3.5 误差分析101 3.6 多标签分类104 3.7 多输出分类105 3.8 练习题107 第4章 训练模型108 4.1 线性回归109 4.2 梯度下降113 4.3 多项式回归122 4.4 学习曲线124 4.5 正则化线性模型127 4.6 逻辑回归134 4.7 练习题141 第5章 支持向量机143 5.1 线性SVM分类143 5.2 非线性SVM分类146 5.3 SVM回归151 5.4 工作原理152 5.5 练习题160 第6章 决策树162 6.1 训练和可视化决策树162 6.2 做出预测163 6.3 估计类概率165 6.4 CART训练算法166 6.5 计算复杂度166 6.6 基尼不纯度或熵167 6.7 正则化超参数167 6.8 回归168 6.9 不稳定性170 6.10 练习题172 第7章 集成学习和随机森林173 7.1 投票分类器173 7.2 bagging和pasting176 7.3 随机补丁和随机子空间179 7.4 随机森林180 7.5 提升法182 7.6 堆叠法190 7.7 练习题192 第8章 降维193 8.1 维度的诅咒194 8.2 降维的主要方法195 8.3 PCA198 8.4 内核PCA204 8.5 LLE206 8.6 其他降维技术208 8.7 练习题209 第9章 无监督学习技术211 9.1 聚类212 9.2 高斯混合模型232 9.3 练习题245 第二部分 神经网络与深度学习247 第10章 Keras人工神经网络简介249 10.1 从生物神经元到人工神经元250 10.2 使用Keras实现MLP262 10.3 微调神经网络超参数284 10.4 练习题290 第11章 训练深度神经网络293 11.1 梯度消失与梯度爆炸问题293 11.2 重用预训练层305 11.3 更快的优化器310 11.4 通过正则化避免过拟合321 11.5 总结和实用指南327 11.6 练习题329 第12章 使用TensorFlow自定义模型和训练330 12.1 TensorFlow快速浏览330 12.2 像NumPy一样使用TensorFlow333 12.3 定制模型和训练算法338 12.4 TensorFlow函数和图356 12.5 练习题360 第13章 使用TensorFlow加载和预处理数据362 13.1 数据API363 13.2 TFRecord格式372 13.3 预处理输入特征377 13.4 TF Transform385 13.5 TensorFlow数据集项目386 13.6 练习题388 第14章 使用卷积神经网络的深度计算机视觉390 14.1 视觉皮层的架构390 14.2 卷积层392 14.3 池化层399 14.4 CNN架构402 14.5 使用Keras实现ResNet-34 CNN416 14.6 使用Keras的预训练模型417 14.7 迁移学习的预训练模型418 14.8 分类和定位421 14.9 物体检测422 14.10 语义分割428 14.11 练习题431 第15章 使用RNN和CNN处理序列432 15.1 循环神经元和层432 15.2 训练RNN436 15.3 预测时间序列437 15.4 处理长序列444 15.5 练习题453 第16章 使用RNN和注意力机制进行自然语言处理455 16.1 使用字符RNN生成莎士比亚文本456 16.2 情感分析464 16.3 神经机器翻译的编码器-解码器网络470 16.4 注意力机制476 16.5 最近语言模型的创新486 16.6 练习题488 第17章 使用自动编码器和GAN的表征学习和生成学习489 17.1 有效的数据表征490 17.2 使用不完整的线性自动编码器执行PCA491 17.3 堆叠式自动编码器493 17.4 卷积自动编码器499 17.5 循环自动编码器500 17.6 去噪自动编码器501 17.7 稀疏自动编码器502 17.8变分自动编码器505 17.9 生成式对抗网络510 17.10 练习题522 第18章 强化学习523 18.1 学习优化奖励524 18.2 策略搜索525 18.3 OpenAI Gym介绍526 18.4 神经网络策略529 18.5 评估动作：信用分配问题531 18.6 策略梯度532 18.7 马尔可夫决策过程536 18.8 时序差分学习540 18.9 Q学习540 18.10 实现深度Q学习544 18.11 深度Q学习的变体547 18.12 TF-Agents库550 18.13 一些流行的RL算法概述568 18.14 练习题569 第19章 大规模训练和部署TensorFlow模型571 19.1 为TensorFlow模型提供服务572 19.2 将模型部署到移动端或嵌入式设备586 19.3 使用GPU加速计算589 19.4 跨多个设备的训练模型600 19.5 练习题613 19.6 致谢613 附录A 课后练习题解答614 附录B 机器学习项目清单642 附录C SVM对偶问题647 附录D 自动微分650 附录E 其他流行的人工神经网络架构656 附录F 特殊数据结构663 附录G TensorFlow图669 |