幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習/高級大數據人才培養叢書

  • 作者：編者:劉鵬|總主編:劉鵬//張燕
  • 出版社：電子工業
  • ISBN：9787121335211
  • 出版日期：2018/03/01
  • 裝幀：平裝
  • 頁數：250
人民幣：RMB 45 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    劉鵬主編的《深度學習》是深度學習的入門教材，系統地介紹了深度學習的基本概念與實戰應用，包括深度學習在圖像、語音、文本方向的應用，以及前沿發展等。本書分為10章，大致為3個部分：第1部分（1-3章）介紹深度學習的基礎知識。第2部分（4-6章）介紹深度學習的各個方面，從演算法設計到模型實現。第3部分（8-10章）介紹深度學習的實戰應用以及前沿發展。每章都附有相應的習題和參考文獻，以便感興趣的讀者進一步深入思考。「讓學習變得輕鬆」是本書的基本編寫理念。
    本書適合作為相關專業本科和研究生教材，也適合作為深度學習研究與開發人員的入門書籍。
作者介紹
編者:劉鵬|總主編:劉鵬//張燕
目錄
第1章 深度學習的來源與應用
  1.1 人工智慧的思想、流派與發展起落
    1.1.1 人工智慧的思潮流派和主要研究與應用領域
    1.1.2 人工智慧的三起三落
  1.2 什麼是深度學習
    1.2.1 我們不分離??數據和演算法
    1.2.2 深度學習基礎
  1.3 機器學習與深度學習
    1.3.1 機器學習的定義與種類
    1.3.2 機器學習的任務與方法
    1.3.3 深度學習的提出
  1.4 深度學習的應用場景
    1.4.1 應用場合和概念層次
    1.4.2 主要開發工具和框架
    1.4.3 人工智慧、深度學習有關學術會議和賽事
  習題
  參考文獻
第2章 深度學習的數學基礎
  2.1 線性代數
    2.1.1 向量空間
    2.1.2 矩陣分析
  2.2 概率與統計
    2.2.1 概率與條件概率
    2.2.2 貝葉斯理論
    2.2.3 資訊理論基礎
  2.3 多元微積分
    2.3.1 導數和偏導數
    2.3.2 梯度和海森矩陣
    2.3.3 最速下降法
    2.3.4 隨機梯度下降演算法
  習題
  參考文獻
第3章 人工神經網路與深度學習
  3.1 探秘大腦的工作原理
    3.1.1 人類活動抽象與深度學習模型
    3.1.2 人腦神經元的結構
    3.1.3 人腦神經元功能
    3.1.4 人腦視覺機理
  3.2 人腦神經元模型
    3.2.1 人腦神經元模型介紹
    3.2.2 激活函數
  3.3 M-P模型
    3.3.1 標準M-P模型
    3.3.2 改進的M-P模型
  3.4 人腦神經網路的互連結構
    3.4.1 前饋神經網路
    3.4.2 反饋網路
  3.5 人工神經網路的學習
    3.5.1 人工神經網路的學習方式
    3.5.2 神經網路的學習規則

    3.5.3 人工神經網路演算法基本要求
    3.5.4 神經網路計算特點
  3.6 人工神經網路的特點
  3.7 神經網路基本概念與功能
    3.7.1 幾個基本概念
    3.7.2 基本功能
    3.7.3 感知機的局限性
  3.8 深度學習其他網路結構
    3.8.1 卷積神經網路
    3.8.2 循環（遞歸）神經網路
  習題
  參考文獻
第4章 深度學習基本過程
  4.1 正向學習過程
    4.1.1 正向學習概述
    4.1.2 正向傳播的流程
    4.1.3 正向傳播的詳細原理
  4.2 反向調整過程
    4.2.1 反向調整概述
    4.2.2 反向傳播過程詳解
    4.2.3 深層模型反向調整的問題與對策
  4.3 手寫體數字識別實例
    4.3.1 數據準備
    4.3.2 網路設計
    4.3.3 模型訓練
    4.3.4 模型測試
  習題
  參考文獻
第5章 深度學習主流模型
  5.1 卷積神經網路
    5.1.1 CNN概念
    5.1.2 CNN常用演算法
    5.1.3 CNN訓練技巧
  5.2 循環神經網路
    5.2.1 RNN結構
    5.2.2 RNN訓練
    5.2.3 RNN訓練技巧
  習題
  參考文獻
第6章 深度學習的主流開源框架
  6.1 Caffe
    6.1.1 Caffe框架
    6.1.2 安裝Caffe
    6.1.3 案例：基於Caffe的目標識別
  6.2 TensorFlow
    6.2.1 TensorFlow框架
    6.2.2 安裝TensorFlow
    6.2.3 案例：基於TensorFlow的目標識別
  6.3 其他開源框架
    6.3.1 CNTK

    6.3.2 MXNet
    6.3.3 Theano
    6.3.4 Torch
    6.3.5 Deeplearning4j
  習題
  參考文獻
第7章 深度學習在圖像中的應用
  7.1 圖像識別基礎
  7.2 基於深度學習的大規模圖像識別
    7.2.1 大規模圖像資料庫：ImageNet
    7.2.2 AlexNet網路結構
    7.2.3 非線性激活函數ReLU
    7.2.4 在多GPU上進行實現
    7.2.5 增加訓練樣本
    7.2.6 dropout技術
  7.3 應用舉例：人臉識別
    7.3.1 人臉識別的經典流程
    7.3.2 人臉圖像資料庫
    7.3.3 基於深度學習的人臉識別方法
  7.4 應用舉例：圖像風格化
    7.4.1 內容重構
    7.4.2 風格重構
    7.4.3 內容與風格的重組
  7.5 應用舉例：圖像標注
    7.5.1 基於深度網路的圖像標注方法概述
    7.5.2 視覺語義對齊
    7.5.3 為新圖像生成對應文本描述
  習題
  參考文獻
第8章 深度學習在語音中的應用
  8.1 語音識別基礎
    8.1.1 人類之間的交流
    8.1.2 人機交流
    8.1.3 語音識別系統的基本結構
    8.1.4 特徵提取
    8.1.5 聲學模型
    8.1.6 語言模型
    8.1.7 解碼器
    8.1.8 用於語音識別的GMM-HMM模型
  8.2 基於深度學習的連續語音識別
    8.2.1 DNN-HMM混合系統
    8.2.2 CD-DNN-HMM的關鍵模塊及分析
  8.3 應用舉例：語音輸入法
    8.3.1 案例背景
    8.3.2 語音輸入法設計
    8.3.3 語音中心SpeechCenter的設計
    8.3.4 輸入法FreeVoice的設計
    8.3.5 FreeVoice和SpeechCenter之間的通信設計
  習題
  參考文獻

第9章 深度學習在文本中的應用
  9.1 自然語言處理基礎
    9.1.1 正則表達式和自動機
    9.1.2 句法處理
    9.1.3 詞的分類和詞性標注
    9.1.4 上下文無關語法
    9.1.5 淺層語法分析
    9.1.6 語義分析
    9.1.7 語義網路
    9.1.8 辭彙關係信息庫
  9.2 基於深度學習的文本處理
    9.2.1 辭彙向量化表示
    9.2.2 句法分析
    9.2.3 神經機器翻譯
    9.2.4 情感分析
  9.3 應用舉例：機器翻譯
  9.4 應用舉例：聊天機器人
    9.4.1 聊天機器人的主要功能模塊
    9.4.2 主要的技術挑戰
    9.4.3 深度學習構建智能聊天機器人
  習題
  參考文獻
第10章 深度學習前沿發展
  10.1 增強學習
    10.1.1 增強學習的基本概念
    10.1.2 增強學習的過程
    10.1.3 增強學習的應用
  10.2 遷移學習
    10.2.1 遷移學習的定義
    10.2.2 遷移學習的分類
    10.2.3 遷移學習的應用場景
  10.3 記憶網路
    10.3.1 循環神經網路
    10.3.2 長短期記憶網路
    10.3.3 長短期記憶變體
  10.4 深度學習的硬體實現
    10.4.1 FPGA
    10.4.2 ASIC
    10.4.3 TPU
    10.4.4 寒武紀
    10.4.5 TrueNorth
  習題
  參考文獻
附錄A 人工智慧和大數據實驗環境

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032