☆☆☆☆☆

圖書標籤:

• 深度學習
• 機器學習
• TensorFlow
• 人工智能
• Python
• 算法
• 數據科學
• 神經網絡
• 書籍
• 技術

店铺： 蓝墨水图书专营店

出版社： 电子工业出版社

ISBN：9787121312700

商品编码：12653561851

7冊 深入淺齣深度學習+深度學習原理與TensorFlow實踐+TensorFlow實戰+Tensorflow 實戰Google+Caffe+語音識彆+神經網絡與深度學習

9787121312700 9787121312984 9787121309120 9787121309595 9787121287961 9787121301186 9787121288692

深入淺齣深度學習：原理剖析與Python實踐

定價: 79.00元 

 

作者： 黃安埠   

齣版社：電子工業齣版社

ISBN：9787121312700

上架時間：2017-5-12

齣版日期：2017 年5月

開本：16開

頁碼：344

版次：1-1

所屬分類：計算機

 

編輯推薦

本書*大的特色在於取捨明確，一切無助於迅速理解深度學習精髓的內容全被摒棄瞭，並著重闡述瞭技術上的重點和難點；錶達上深入淺齣：即便是從未接觸過AI知識的人，也能從作者簡明清晰的錶述中，一窺深度學習的殿堂。

對任何一位想成為AI/深度學習領域工程師的讀者來說，《深入淺齣深度學習：原理剖析與Python實踐》能幫你迅速打開AI的大門，並成長為一名閤格的AI工程師。

 

    計算機書籍

《深入淺齣深度學習：原理剖析與Python實踐》介紹瞭深度學習相關的原理與應用，全書共分為三大部分，，部分主要迴顧瞭深度學習的發展曆史，以及Theano的使用；第二部分詳細講解瞭與深度學習相關的基礎知識，包括綫性代數、概率論、概率圖模型、機器學習和*優化算法；在第三部分中，針對若乾核心的深度學習模型，如自編碼器、受限玻爾茲曼機、遞歸神經網絡和捲積神經網絡等進行詳細的原理分析與講解，並針對不同的模型給齣相應的具體應用。

《深入淺齣深度學習：原理剖析與Python實踐》適閤有一定高等數學、機器學習和Python編程基礎的在校學生、高校研究者或在企業中從事深度學習的工程師使用，書中對模型的原理與難點進行瞭深入分析，在每一章的*後都提供瞭詳細的參考文獻，讀者可以對相關的細節進行更深入的研究。*後，理論與實踐相結閤，《深入淺齣深度學習：原理剖析與Python實踐》針對常用的模型分彆給齣瞭相應的應用，讀者也可以在Github中下載和查看《深入淺齣深度學習：原理剖析與Python實踐》的代碼（https://github.com/innovation-cat/DeepLearningBook）。 

作譯者

黃安埠，2012年畢業於清華大學，獲碩士學位，在校期間活躍於TopCoder等編程競賽社區。現為騰訊基礎研究高級工程師，研究領域包括個性化推薦、自然語言處理和大規模的相似度優化計算，特彆是對於深度學習在推薦係統的應用有深入的研究，並申請瞭國內十餘項相關專利。

本書的配套代碼，讀者也可以在作者的Github主頁中下載查看：

https://github.com/innovation-cat/DeepLearningBook) 

第1 部分 概要 1

1 緒論 2

1.1 人工智能、機器學習與深度學習的關係 3

1.1.1 人工智能--機器推理 4

1.1.2 機器學習--數據驅動的科學 5

1.1.3 深度學習--大腦的仿真 8

1.2 深度學習的發展曆程 8

1.3 深度學習技術概述 10

1.3.1 從低層到高層的特徵抽象 11

1.3.2 讓網絡變得更深 13

1.3.3 自動特徵提取 14

1.4 深度學習框架 15

2 Theano 基礎 19

2.1 符號變量 20

2.2 符號計算的抽象--符號計算圖模型 23

2.3 函數 26

2.3.1 函數的定義 26

2.3.2 Logistic迴歸 27

2.3.3 函數的復製 29

2.4 條件錶達式 31

2.5 循環 32

2.6 共享變量 39

2.7 配置 39

2.7.1 通過THEANO_FLAGS配置 40

2.7.2 通過. theanorc文件配置 41

2.8 常用的Debug技巧 42

2.9 小結 43

第2 部分 數學與機器學習基礎篇 45

3 綫性代數基礎 46

3.1 標量、嚮量、矩陣和張量 46

3.2 矩陣初等變換 47

3.3 綫性相關與嚮量空間 48

3.4 範數 49

3.4.1 嚮量範數 49

3.4.2 矩陣範數 53

3.5 特殊的矩陣與嚮量 56

3.6 特徵值分解 57

3.7 奇異值分解 58

3.8 跡運算 60

3.9 樣例：主成分分析 61

4 概率統計基礎 64

4.1 樣本空間與隨機變量 65

4.2 概率分布與分布函數 65

4.3 一維隨機變量 66

4.3.1 離散型隨機變量和分布律 66

4.3.2 連續型隨機變量和概率密度函數 67

4.4 多維隨機變量 68

4.4.1 離散型二維隨機變量和聯閤分布律 69

4.4.2 連續型二維隨機變量和聯閤密度函數 69

4.5 邊緣分布 70

4.6 條件分布與鏈式法則 71

4.6.1 條件概率 71

4.6.2 鏈式法則 73

4.7 多維隨機變量的獨立性分析 73

4.7.1 邊緣獨立 74

4.7.2 條件獨立 74

4.8 數學期望、方差、協方差 75

4.8.1 數學期望 75

4.8.2 方差 76

4.8.3 協方差 76

4.8.4 協方差矩陣 78

4.9 信息論基礎 81

4.9.1 信息熵 81

4.9.2 條件熵 83

4.9.3 互信息 84

4.9.4 相對熵與交叉熵 84

5 概率圖模型 87

5.1 生成模型與判彆模型 89

5.2 圖論基礎 90

5.2.1 圖的結構 90

5.2.2 子圖 91

5.2.3 路徑、跡、環與拓撲排序 92

5.3 貝葉斯網絡 95

5.3.1 因子分解 96

5.3.2 局部馬爾科夫獨立性斷言 99

5.3.3 I-Map與因子分解 100

5.3.4 有效跡 103

5.3.5 D-分離與全局馬爾科夫獨立性 108

5.4 馬爾科夫網絡 108

5.4.1 勢函數因子與參數化錶示 109

5.4.2 馬爾科夫獨立性 111

5.5 變量消除 114

5.6 信念傳播 116

5.6.1 聚類圖 116

5.6.2 團樹 120

5.6.3 由變量消除構建團樹 123

5.7 MCMC采樣原理 126

5.7.1 隨機采樣 127

5.7.2 隨機過程與馬爾科夫鏈 128

5.7.3 MCMC采樣 132

5.7.4 Gibbs采樣 134

5.8 參數學習 137

5.8.1 *大似然估計 137

5.8.2 期望*大化算法 138

5.9 小結 140

6 機器學習基礎 142

6.1 綫性模型 143

6.1.1 綫性迴歸 143

6.1.2 Logistic迴歸 148

6.1.3 廣義的綫性模型 150

6.2 支持嚮量機 151

6.2.1 *優間隔分類器 152

6.2.2 對偶問題 155

6.2.3 核函數 156

6.3 樸素貝葉斯 160

6.4 樹模型 162

6.4.1 特徵選擇 163

6.4.2 剪枝策略 165

6.5 聚類 166

6.5.1 距離度量 167

6.5.2 層次聚類 168

6.5.3 K-means聚類 171

6.5.4 譜聚類 172

7 數值計算與*優化 177

7.1 無約束極小值的*優化條件 177

7.2 梯度下降 179

7.2.1 傳統更新策略 181

7.2.2 動量更新策略 183

7.2.3 改進的動量更新策略 184

7.2.4 自適應梯度策略 187

7.3 共軛梯度 188

7.4 牛頓法 192

7.5 擬牛頓法 194

7.5.1 擬牛頓條件 194

7.5.2 DFP算法 195

7.5.3 BFGS算法 196

7.5.4 L-BFGS算法 197

7.6 約束*優化條件 200

第3 部分 理論與應用篇 205

8 前饋神經網絡 206

8.1 生物神經元結構 207

8.2 人工神經元結構 208

8.3 單層感知機 209

8.4 多層感知機 212

8.5 激活函數 217

8.5.1 激活函數的作用 217

8.5.2 常用的激活函數 219

9 反嚮傳播與梯度消失 225

9.1 經驗風險*小化 227

9.2 梯度計算 228

9.2.1 輸齣層梯度 228

9.2.2 隱藏層梯度 230

9.2.3 參數梯度 234

9.3 反嚮傳播 235

9.4 深度學習訓練的難點 237

9.4.1 欠擬閤--梯度消失 237

9.4.2 過擬閤 240

10 自編碼器及其相關模型 243

10.1 自編碼器 243

10.2 降噪自編碼器 245

10.3 棧式自編碼器 247

10.4 稀疏編碼器 250

10.5 應用：cifar10圖像分類 254

11 玻爾茲曼機及其相關模型 258

11.1 玻爾茲曼機 258

11.2 能量模型 261

11.2.1 能量函數 261

11.2.2 從能量函數到勢函數 262

11.2.3 從勢函數到概率分布 263

11.3 推斷 264

11.3.1 邊緣分布 265

11.3.2 條件分布 267

11.4 學習 270

11.4.1 *大似然估計 271

11.4.2 對比散度 274

11.5 應用：個性化推薦 276

11.5.1 個性化推薦概述 276

11.5.2 個性化推薦架構與算法 279

11.5.3 RBM與協同過濾 285

12 遞歸神經網絡 291

12.1 Elman遞歸神經網絡 292

12.2 時間反嚮傳播 295

12.3 長短時記憶網絡 299

12.4 結構遞歸神經網絡 302

12.5 應用：語言模型 308

12.5.1 N元統計模型 308

12.5.2 基於LSTM 構建語言模型 312

13 捲積神經網絡 318

13.1 捲積運算 319

13.2 網絡結構 320

13.3 捲積層 324

13.4 池化層 329

13.5 應用：文本分類 333 

↑摺 疊

 

 

2.

深度學習原理與TensorFlow實踐

齣版社: 電子工業齣版社; 第1版 (2017年6月1日)

平裝

ISBN: 9787121312984

條形碼: 9787121312984

品牌: 電子工業齣版社

 

 

3.

Tensorflow：實戰Google深度學習框架（首著驚現 豪門力促一統DL江湖 麵嚮未來 搶占人工智能至高點）

 

纔雲科技Caicloud鄭澤宇 顧思宇 著

 

ISBN 978-7-121-30959-5

 

2017年3月齣版

 

定價：79.00元

 

 

4.

Tensorflow：實戰Google深度學習框架

 

定價：￥79.00

 

 

作者：纔雲科技Caicloud 鄭澤宇 顧思宇  

 

齣版社：電子工業齣版社

 

ISBN：9787121309595

 

上架時間：2017-2-10

 

齣版日期：2017 年3月

 

開本：16開

 

頁碼：296

 

版次：1-1

 

 

 

5.

深度學習——Caffe之**模型詳解與實戰

 

 

 

 

 

 

定價：￥79.00

 

 

作者： 樂毅   

齣版社：電子工業齣版社

ISBN：9787121301186

上架時間：2016-11-8

齣版日期：2016 年10月

開本：16開

頁碼：344

版次：1-1

所屬分類：計算機 > 人工智能 > 綜閤

 

 

6.

神經網絡與深度學習

 

 

 

 

 

 

定價：￥59.00

 

 

作者： 吳岸城   

齣版社：電子工業齣版社

ISBN：9787121288692

上架時間：2016-6-16

齣版日期：2016 年6月

開本：16開

頁碼：232

版次：1-1

所屬分類：計算機 > 人工智能 > 綜閤

 

 

7.

解析深度學習：語音識彆實踐

 

 

 

 

 

 

定價：￥79.00

 

 

作者： 俞棟   

齣版社：電子工業齣版社

ISBN：9787121287961

上架時間：2016-6-15

齣版日期：2016 年6月

開本：16開

頁碼：336

版次：1-1

所屬分類：計算機 > 人工智能 > 綜閤

 

編輯推薦

AlphaGo與李世石的圍棋大戰激發瞭人們對人工智能是非的諸多爭論。人工智能背後的工作原理深度學習跳入大眾的視野。AlphaGo的大獲全勝一定程度展示瞭深度學習在應用領域的成功，而語音識彆正是深度學習取得顯著成功的應用領域之一。

本書是首次以深度學習為主綫介紹語音識彆應用的書籍，對讀者瞭解語音識彆技術及其發展曆程有重要的參考價值。

本書作者俞棟、鄧力均是該領域的著名專傢，他們是深度學習在應用領域取得突破性進展的推動者與實踐者，他們在書中分享的研究成果一定程度上代錶瞭本領域·新的研究進展；譯者俞凱、錢彥旻也是本領域的資深專傢，並有眾多實踐成果。對於從事此領域研究的讀者來說，本書無疑有重要的參考價值。

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆