☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

   
★ 精辟剖析深度学习发展史，详述机器学习的基础知识！
★ 完整解说热门程式语言第一名Python的环境建构和基本语法！
★ 图像化示范TensorFlow和Keras的安装，开发AI必学必读！
★ 介绍类神经网路的基本思考方式和程式范例，逐步加深理解！
★ 说明使用卷积神经网路的影像辨识演算法，进一步强化学习！
★ 全面了解提升深度学习准确度的演算法，掌握应用的诀窍！
 
█ 迎接运算时代，扎实学好Deep Learning的要点！
 
本书以想试着开始使用时下流行的深度学习之读者为对象，从理论到实践进行了统整。书中详细说明深度学习基础理论的类神经网路，以及相关的必要数学知识，同时讲解程式原始码，以实际动手操作的方式来帮助理解。
 
坊间已经有众多的机器学习与深度学习相关书籍，但类神经网路理论的学习门槛相当高、深度学习应用程式框架入门难度深、不容易掌握进一步应用的要领等等，常令初学者无法看清活用深度学习的探索之路。
 
本书首先介绍类神经网路的概念，紧接着说明如何使用应用程式框架进行深度学习，让学习者初步感受这个领域。接下来介绍各种应用，大量运用范例来说明。在此之后，对于想进一步学习理论的读者，介绍机器学习的学习方式；对于想挑战进阶深度学习应用的读者，说明演算法等等。
 
█ 丰富图解一目了然，「文字辨识」、「影像辨识」、「自然语言处理」实际演练！
 
本书的目标是帮助读者了解什么是深度学习、什么是AI之后，能够实际动手实作，期使读者不致一知半解，不会只是执行范例却不知接下来能做什么，而能学会确实地判断为了何种目的该使用何种应用程式框架，以及实际进行的步骤。
 
想挑战AI开发的理工科学生、想更上一层楼的工程师、想了解深度学习基础理论的人、使用TensorFlow和Keras尝试实际安装的人、想弄懂机器学习所需的数学的人，都能从本书平易的解说中学习到必要的知识。
 
【本书的架构】
 
▌第1章：论及深度学习以及其背景的机器学习相关话题，解析人工智慧（AI）的概念。
 
▌第2章：说明Python的环境建构与深度学习所需函式库的安装方法，包括在Windows与Mac两种环境上的说明，解说必需的基础Python文法。
 
▌第3章：借由能以简洁的叙述来使用多个函式库的Keras实作深度学习，同时制作影像辨识的程式来体验深度学习。进行导入Keras并公开发佈的热门函式库TensorFlow、数值运算函式库与资料绘制函式库等等的准备。
 
▌第4章：解说类神经网路的理论，同时实际试着使用名为MNIST的文字辨识范例程式来加深理解。
 
▌第5章：说明使用卷积神经网路的影像辨识演算法。
 
▌第6章：介绍提升深度学习准确度的演算法、自然语言处理等，用于影像辨识以外的范例程式。

作者简介

谷冈広树Hiroki Tanioka
1973年出生于日本德岛县。1997年毕业于千叶大学，2004年于信州大学工学系研究所修读完成硕士课程。2008年于信州大学总合工学系研究所修读完成博士课程。工学博士。1997年4月起历任日本国内IT企业的软体工程师、研究开发经理，2016年4月赴任德岛大学资讯中心助理教授。对于资讯检索、机器学习、自然语言处理等有深厚兴趣，目前进行应用于交谈系统、运动资料、医疗资讯、资讯检索与机器学习等的研究开发。资讯处理学会（情报処理学会）、人工智慧学会（人工知能学会）、语言处理学会（言语処理学会）、IEEE（电机电子工程师学会）、ACM（电脑协会）会员。

康鑫Kang Xin
1983年出生于中国辽宁省。2006年毕业于中国东北大学，2009年于北京邮电大学信息工程研究所修读完成硕士班。2013年于德岛大学工学研究所修读完成博士课程。工学博士。2014年4月赴任同济大学电子与信息工程学院博士后研究员，2015年4月赴任德岛大学国际合作教育中心助理教授，2015年12月起任职德岛大学理工学研究所助理教授至今。对于自然语言处理、情感计算、强化学习相关、深层语言模型等有深厚兴趣，目前进行能让对话机器人获得自我认识的智慧之研究。电子资讯通讯学会（电子情报通信学会）、IEEE（电机电子工程师学会）会员。

译者简介

庄永裕
日本东京大学情报理工学博士。现任中央大学资工系助理教授。主要研究领域为程式语言设计、软体工程，以及高效能运算。ACM、IEEE、IPSJ学会会员。曾任东京大学情报理工学系研究科助理教授，旅居日本多年。译有数本程式语言与软体开发相关之日文书籍。日常兴趣为旅行、摄影、小说与音乐。

序言╱本书的目的╱本书的架构
 
【第1章  深度学习与机器学习】
 
Lesson 1-1│深度学习的基础：深阶层的类神经网路
 
Lesson 1-2│深度学习的历史：从人工智慧的进化来看深度学习
 
Lesson 1-3│机器学习的基础知识：监督式学习与非监督式学习╱强化学习╱规则库、知识库╱统计机器学习╱预处理与特征提取╱批量学习与线上学习╱效能评估╱泛化能力
 
Lesson 1-4│机器学习所需的数学：数值与表示式╱变数与常数╱等式与代入式╱向量与上下标╱求和记号╱最小值、最大值╱绝对值╱距离与范数╱微分与偏微分╱合成函数的微分╱指数与对数
 
COLUMN 1│什么是人工智慧？
 
【第2章  Python的准备与基本语法】
 
Lesson 2-1│Python的安装～Windows篇～：安装至Windows
 
Lesson 2-2│Python的安装～Mac篇～：在Mac可直接使用Python 2系列╱Homebrew的安装╱pyenv的安装╱安装Python 3系列
 
Lesson 2-3│函式库的安装～Windows篇～：Windows版Anaconda的安装
 
Lesson 2-4│函式库的安装～Mac篇～：Mac版Anaconda的安装
 
Lesson 2-5│Python的基本语法：Hello, Python!!╱变数╱常数╱资料型别╱运算╱List型别与Tuple型别╱Set型别╱Dict型别╱字串的连结与反覆╱字串格式╱Sequence运算╱函式╱if陈述╱反覆陈述╱模组的汇入
 
COLUMN 2│使用Java的实作
 
【第3章  深度学习的体验】
 
Lesson 3-1│TensorFlow与Keras的安装：Windows篇：安装TensorFlow╱Windows篇：安装Keras╱Mac篇：安装TensorFlow╱Mac篇：安装Keras
 
Lesson 3-2│使用Jupyter Notebook：Jupyter Notebook的准备╱Jupyter Notebook的使用方法╱POINT：于Mac执行时
 
Lesson 3-3│数值运算函式库NumPy的使用方法：基本的使用方式
 
Lesson 3-4│资料绘制函式库Matplotlib的使用方法：基本的使用方式
 
Lesson 3-5│以Keras体验深度学习：从Kaggle下载影像╱制作影像辨识的程式
 
COLUMN 3│什么是TensorFlow？
 
【第4章  类神经网路的基础】
 
Lesson 4-1│神经元与感知器：神经元╱感知器
 
Lesson 4-2│激励函数：各式各样的激励函数
 
Lesson 4-3│赫布理论与差量规则：权重的学习规则
 
Lesson 4-4│类神经网路的学习：区别狗与猫╱XOR问题╱多层感知器（类神经网路）╱OR问题╱AND问题╱NAND问题╱以类神经网路识别
 
Lesson 4-5│学习方法的差异与损失函数：类神经网路的学习方法╱从学习过程看损失函数╱关于损失函数
 
Lesson 4-6│梯度法：如何调整参数？╱类神经网路误差的梯度求法
 
Lesson 4-7│反向传播算法：什么是反向传播算法？╱链锁律
 
Lesson 4-8│MNIST：Step 1. 以Jupyter Notebook新增档案╱Step 2. 准备手绘影像资料╱Step 3. 制作模型╱Step 4. 类神经网路的学习
 
COLUMN 4│维度的诅咒与过适
 
【第5章  卷积神经网路】
 
Lesson 5-1│卷积神经网路的基础：影像分类与视觉神经元╱让1个神经元学习全部的输入影像
 
Lesson 5-2│卷积运算：让感受野滑动╱聚焦区域的移动
 
Lesson 5-3│卷积层：为了使其认识不同样式╱POINT：Windows上务必安装Graphviz
 
Lesson 5-4│深层卷积神经网路：使其能接受3维资料
 
Lesson 5-5│以补零卷积：收缩输出的形状╱输入资料之周围资讯的损失╱补零
 
Lesson 5-6│增广范围的卷积：什么是步幅？╱使用补零
 
Lesson 5-7│卷积ReLU层：以非线性变换增进辨识
 
Lesson 5-8│池化层：以池化层处理╱池化层的优点与注意点
 
Lesson 5-9│全连结层：全连结层的处理╱修正全连结层╱想进行更复杂的判断时
 
Lesson 5-10│深层卷积神经网路的学习：模型学习与训练╱Step 1. 定义损失E╱Step 2. 初始化权重值w╱Step 3. 反覆修正权重值w
 
Lesson 5-11│过适与丢弃：过适的例子╱丢弃以防止过适╱丢弃的优点
 
Lesson 5-12│卷积的进一步详细资讯：卷积层 vs. 全连结层╱深而小的区域感受野 vs. 浅而广的感受野
 
COLUMN 5│使用GPU学习
 
【第6章  深度学习的应用】
 
Lesson 6-1│递回神经网路（RNN）：RNN的特征
 
Lesson 6-2│LSTM类神经网路：LSTM的特征
 
Lesson 6-3│门闸递回单元（GRU）：GRU的特征╱能更有效率地记忆
 
Lesson 6-4│RNN语言模型：使其推测接下来将出现的单字
 
Lesson 6-5│Sequence-To-Sequence模型：Sequence-To-Sequence模型的特征
 
Lesson 6-6│Attention：Attention的特征
 
COLUMN 6│由上而下与由下而上
 
结语╱谢辞
参考文献

None

深度学习入门教室：6堂基础课程+Python实作练习，Deep Learning、人工智慧、机器学习的理论和应用全图解 电子书 下载 mobi epub pdf txt 2024

类似图书 点击查看全场最低价

查看全网最低价