具体描述
＊系统地讲解深度学习的基本知识、建模过程和应用，是非常好的深度学习入门书。
＊以推荐系统、图形识别、自然语言处理、文字产生和时间序列的具体应用作为案例。
＊从工具准备、资料撷取和处理，到针对问题进行建模的整个过程和实践均详细解说。
＊不仅能够使读者快速掌握深度学习，还可以进一步有效应用到商业和工程领域中。
基于各行各业对深度学习技术的需求，许多公司和学校都开源了深度学习工具套件，其中比较知名的有CNTK、TensorFlow、Theano、Caffe、MXNet和Torch等。这些工具都提供非常灵活与强大的建模能力，大幅降低使用深度学习技术的门槛，进一步加速深度学习技术的研究和应用。但是，这些工具各有所长、介面不同，而且对于很多初学者来说，由于工具套件过于灵活，有时反而难以掌握。
基于这些原因，Keras乃应运而生。可将其视为一个更容易使用、在更高层级抽象化、兼具相容性和灵活性的深度学习框架，它的底层可以在CNTK、TensorFlow和Theano之间自由切换。Keras的出现，使得很多初学者能够很快地体验深度学习的基本技术和模型，并且应用到实际问题中。
＊以推荐系统、图形识别、自然语言处理、文字产生和时间序列的具体应用作为案例。
＊从工具准备、资料撷取和处理，到针对问题进行建模的整个过程和实践均详细解说。
＊不仅能够使读者快速掌握深度学习，还可以进一步有效应用到商业和工程领域中。
基于各行各业对深度学习技术的需求，许多公司和学校都开源了深度学习工具套件，其中比较知名的有CNTK、TensorFlow、Theano、Caffe、MXNet和Torch等。这些工具都提供非常灵活与强大的建模能力，大幅降低使用深度学习技术的门槛，进一步加速深度学习技术的研究和应用。但是，这些工具各有所长、介面不同，而且对于很多初学者来说，由于工具套件过于灵活，有时反而难以掌握。
基于这些原因，Keras乃应运而生。可将其视为一个更容易使用、在更高层级抽象化、兼具相容性和灵活性的深度学习框架，它的底层可以在CNTK、TensorFlow和Theano之间自由切换。Keras的出现，使得很多初学者能够很快地体验深度学习的基本技术和模型，并且应用到实际问题中。
著者信息
作者简介
谢梁
现任微软云端运算核心储存部门首席数据科学家，主导团队运用机器学习和人工智慧改善大规模、高可用性并行储存系统的执行效率，和改进其维运方式。具有十余年机器学习应用经验，熟悉各种业务场景下机器学习和资料探勘产品的需求分析、架构设计、演算法开发和整合部署，涉及金融、能源和高科技等领域。曾经担任旅行家保险公司的分析部门总监，负责运用现代统计学习方法改善精算定价业务和保险营运管理，推动精准个性化定价解决方案。在Journal of Statistical Software等专业期刊上曾发表多篇论文，也曾担任Journal of Statistical Computation and Simulation期刊以及Data Mining Applications with R一书的审稿人。大学毕业于西南财经大学主修经济学，博士毕业于纽约州立大学主修计量经济学。
鲁颖
现任Google硅谷总部数据科学家，为Google应用商店提供核心数据决策分析，利用机器学习和深度学习技术建立用户行为预测模型，为改善产品提供核心数据支援。曾在亚马逊、微软和迪士尼美国总部担任机器学习研究科学家，以机器学习和深度学习演算法研发为业务提供解决方案，有着多年的经验。热衷帮助相关社群在人工智慧方面的研究和落实，活跃于各个大型会议并发表主题演讲。大学毕业于复旦大学主修数学，博士毕业于明尼苏达大学主修统计。
劳虹岚
现任微软研究院研究工程师，是早期智慧硬体专案中视觉和语音研发的核心团队成员，对企业用户和消费者需求体验与AI技术的结合有深刻的理解和丰富的经验。曾在Azure和Office 365负责处理大流量并行处理的后台云端研究和开发，精通一系列系统架构设计和性能改善方面的解决方案。拥有从前端到后端的丰富经验：包括客户需求判断、产品开发以及最终在云端架构设计和部署。大学毕业于浙江大学电子系，硕士毕业于美国南加州大学（USC）电子和计算机系。
谢梁
现任微软云端运算核心储存部门首席数据科学家，主导团队运用机器学习和人工智慧改善大规模、高可用性并行储存系统的执行效率，和改进其维运方式。具有十余年机器学习应用经验，熟悉各种业务场景下机器学习和资料探勘产品的需求分析、架构设计、演算法开发和整合部署，涉及金融、能源和高科技等领域。曾经担任旅行家保险公司的分析部门总监，负责运用现代统计学习方法改善精算定价业务和保险营运管理，推动精准个性化定价解决方案。在Journal of Statistical Software等专业期刊上曾发表多篇论文，也曾担任Journal of Statistical Computation and Simulation期刊以及Data Mining Applications with R一书的审稿人。大学毕业于西南财经大学主修经济学，博士毕业于纽约州立大学主修计量经济学。
鲁颖
现任Google硅谷总部数据科学家，为Google应用商店提供核心数据决策分析，利用机器学习和深度学习技术建立用户行为预测模型，为改善产品提供核心数据支援。曾在亚马逊、微软和迪士尼美国总部担任机器学习研究科学家，以机器学习和深度学习演算法研发为业务提供解决方案，有着多年的经验。热衷帮助相关社群在人工智慧方面的研究和落实，活跃于各个大型会议并发表主题演讲。大学毕业于复旦大学主修数学，博士毕业于明尼苏达大学主修统计。
劳虹岚
现任微软研究院研究工程师，是早期智慧硬体专案中视觉和语音研发的核心团队成员，对企业用户和消费者需求体验与AI技术的结合有深刻的理解和丰富的经验。曾在Azure和Office 365负责处理大流量并行处理的后台云端研究和开发，精通一系列系统架构设计和性能改善方面的解决方案。拥有从前端到后端的丰富经验：包括客户需求判断、产品开发以及最终在云端架构设计和部署。大学毕业于浙江大学电子系，硕士毕业于美国南加州大学（USC）电子和计算机系。
图书目录
Chapter 01 深度学习简介
1.1 概述
1.2 深度学习的统计学入门
1.3 基本概念的解释
1.3.1 深度学习的函数类型
1.3.2 深度学习的其他常见概念
1.4 梯度下降演算法
1.5 反向传播演算法
Chapter 02 准备深度学习的环境
2.1 硬体环境的建置和组态的选择
2.1.1 图形处理器通用计算
2.1.2 需要什么样的 GPU 加速卡
2.1.3 GPU 需要多少记忆体
2.1.4 是否应该使用多个 GPU
2.2 安装软体环境
2.2.1 所需的软体清单
2.2.2 CUDA 的安装
2.2.3 Python 计算环境的安装
2.2.4 深度学习建模环境介绍
2.2.5 安装 CNTK 及对应的 Keras
2.2.6 安装 Theano 计算环境
2.2.7 安装 TensorFlow 计算环境
2.2.8 安装 cuDNN 和 CNMeM
Chapter 03 Keras 入门
3.1 Keras 简介
3.2 Keras 的资料处理
3.2.1 文字预处理
3.2.2 序列资料预处理
3.2.3 图片资料登录
3.3 Keras 的模型
3.4 Keras 的重要物件
3.5 Keras 的网路层构造
3.6 使用 Keras 进行奇异值矩阵分解
Chapter 04 资料收集与处理
4.1 网路爬虫
4.1.1 网路爬虫技术
4.1.2 建构自己的 Scrapy 爬虫
4.1.3 建构可接受参数的 Scrapy 爬虫
4.1.4 执行 Scrapy 爬虫
4.1.5 执行 Scrapy 爬虫的要点
4.2 大规模非结构化资料的储存和分析
4.2.1 ElasticSearch 介绍
4.2.2 ElasticSearch 应用实例
Chapter 05 推荐系统
5.1 推荐系统简介
5.2 矩阵分解模型
5.3 深度神经网路模型
5.4 其他常用演算法
5.5 评判模型指标
Chapter 06 图形识别
6.1 图形识别入门
6.2 卷积神经网路的介绍
6.3 端到端的 MNIST 训练数字识别
6.4 利用 VGG16 网路进行字体识别
6.5 总结
Chapter 07 自然语言情感分析
7.1 自然语言情感分析简介
7.2 文字情感分析建模
7.2.1 词嵌入技术
7.2.2 多层全连接神经网路训练情感分析
7.2.3 卷积神经网路训练情感分析
7.2.4 递归神经网路训练情感分析
7.3 总结
Chapter 08 文字产生
8.1 文字产生和聊天机器人
8.2 基于检索的对话系统
8.3 基于深度学习的检索式对话系统
8.3.1 对话资料的建构
8.3.2 建构深度学习索引模型
8.4 基于文字产生的对话系统
8.5 总结
Chapter 09 时间序列
9.1 时间序列简介
9.2 基本概念
9.3 衡量时间序列模型预测的准确度
9.4 时间序列资料范例
9.5 简要回顾 ARIMA 时间序列模型
9.6 递归神经网路与时间序列模型
9.7 应用案例
9.7.1 长江汉口月度流量时间序列模型
9.7.2 国际航空月度乘客数时间序列模型
9.8 总结
Chapter 10云端机器学习与智慧物联网
10.1 Azure 和 IoT
10.2 Azure IoT Hub 服务
10.3 使用IoT Hub 管理设备概述
10.4 以.NET 将模拟设备连接到 IoT 中心
10.5 机器学习应用实例
1.1 概述
1.2 深度学习的统计学入门
1.3 基本概念的解释
1.3.1 深度学习的函数类型
1.3.2 深度学习的其他常见概念
1.4 梯度下降演算法
1.5 反向传播演算法
Chapter 02 准备深度学习的环境
2.1 硬体环境的建置和组态的选择
2.1.1 图形处理器通用计算
2.1.2 需要什么样的 GPU 加速卡
2.1.3 GPU 需要多少记忆体
2.1.4 是否应该使用多个 GPU
2.2 安装软体环境
2.2.1 所需的软体清单
2.2.2 CUDA 的安装
2.2.3 Python 计算环境的安装
2.2.4 深度学习建模环境介绍
2.2.5 安装 CNTK 及对应的 Keras
2.2.6 安装 Theano 计算环境
2.2.7 安装 TensorFlow 计算环境
2.2.8 安装 cuDNN 和 CNMeM
Chapter 03 Keras 入门
3.1 Keras 简介
3.2 Keras 的资料处理
3.2.1 文字预处理
3.2.2 序列资料预处理
3.2.3 图片资料登录
3.3 Keras 的模型
3.4 Keras 的重要物件
3.5 Keras 的网路层构造
3.6 使用 Keras 进行奇异值矩阵分解
Chapter 04 资料收集与处理
4.1 网路爬虫
4.1.1 网路爬虫技术
4.1.2 建构自己的 Scrapy 爬虫
4.1.3 建构可接受参数的 Scrapy 爬虫
4.1.4 执行 Scrapy 爬虫
4.1.5 执行 Scrapy 爬虫的要点
4.2 大规模非结构化资料的储存和分析
4.2.1 ElasticSearch 介绍
4.2.2 ElasticSearch 应用实例
Chapter 05 推荐系统
5.1 推荐系统简介
5.2 矩阵分解模型
5.3 深度神经网路模型
5.4 其他常用演算法
5.5 评判模型指标
Chapter 06 图形识别
6.1 图形识别入门
6.2 卷积神经网路的介绍
6.3 端到端的 MNIST 训练数字识别
6.4 利用 VGG16 网路进行字体识别
6.5 总结
Chapter 07 自然语言情感分析
7.1 自然语言情感分析简介
7.2 文字情感分析建模
7.2.1 词嵌入技术
7.2.2 多层全连接神经网路训练情感分析
7.2.3 卷积神经网路训练情感分析
7.2.4 递归神经网路训练情感分析
7.3 总结
Chapter 08 文字产生
8.1 文字产生和聊天机器人
8.2 基于检索的对话系统
8.3 基于深度学习的检索式对话系统
8.3.1 对话资料的建构
8.3.2 建构深度学习索引模型
8.4 基于文字产生的对话系统
8.5 总结
Chapter 09 时间序列
9.1 时间序列简介
9.2 基本概念
9.3 衡量时间序列模型预测的准确度
9.4 时间序列资料范例
9.5 简要回顾 ARIMA 时间序列模型
9.6 递归神经网路与时间序列模型
9.7 应用案例
9.7.1 长江汉口月度流量时间序列模型
9.7.2 国际航空月度乘客数时间序列模型
9.8 总结
Chapter 10云端机器学习与智慧物联网
10.1 Azure 和 IoT
10.2 Azure IoT Hub 服务
10.3 使用IoT Hub 管理设备概述
10.4 以.NET 将模拟设备连接到 IoT 中心
10.5 机器学习应用实例
图书序言
图书试读
None
用户评价
相关图书
![虚拟货币经济学：从线上宝物、红利点数、比特币到支付系统，数十亿人都能从中获利的新兴经济趋势[二版] pdf epub mobi 电子书 下载](https://picttbooks.qciss.net/0010774304/main.jpg)
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 ttbooks.qciss.net All Rights Reserved. 小特书站 版权所有