具体描述
YL19747 9787115480248 9787115388025
圖解深度學習
山下隆義 (作者) 張彌 (譯者)
定價 59元
係列書名圖靈程序設計叢書
書 號9787115480248
定 價59.00 元
頁 數216
印刷方式四色
開 本大32開
本書從深度學習的發展曆程講起，以豐富的圖例從理論和實踐兩個層麵介紹瞭深度學習的各種方法，以及深度學習在圖像識彆等領域的應用案例。內容涉及神經網絡、捲積神經網絡、受限玻爾茲曼機、自編碼器、泛化能力的提高等。此外，還介紹瞭包括Theano、Pylearn2、Caffe、DIGITS、Chainer和TensorFlow在內的深度學習工具的安裝和使用方法。
前言 閱讀
第1章 緒論 閱讀
第2章 神經網絡 閱讀
第3章 捲積神經網絡
第4章 受限玻爾茲曼機
第5章 自編碼器
第6章 提高泛化能力的方法
第7章 深度學習工具
第8章 深度學習的現在和未來
參考文獻
圖解機器學習
《圖解機器學習》用豐富的圖示，從ZUI小二乘法齣發，對基於ZUI小二乘法實現的各種機器學習算法進行瞭詳細的介紹。第Ⅰ部分介紹瞭機器學習領域的概況；第Ⅱ部分和第Ⅲ部分分彆介紹瞭各種有監督的迴歸算法和分類算法；第Ⅳ部分介紹瞭各種監督學習算法；第Ⅴ部分介紹瞭機器學習領域中的新興算法。書中大部分算法都有相應的MATLAB程序源代碼，可以用來進行簡單的測試。
第I部分 緒 論
第1章 什麼是機器學習
1．1 學習的種類
1．2 機器學習任務的例子
1．3 機器學習的方法
第2章 學習模型
2．1 綫性模型
2．2 核模型
2．3 層級模型
第II部分 有監督迴歸
第3章 小二乘學習法
3．1 小二乘學習法
3．2 小二乘解的性質
3．3 大規模數據的學習算法
第4章帶有約束條件的小二乘法
4．1 部分空間約束的小二乘學習法
4．2 ｌ2 約束的小二乘學習法
4．3 模型選擇
第5章 稀疏學習
5．1 ｌ1 約束的小二乘學習法
5．2 ｌ1 約束的小二乘學習的求解方法
5．3 通過稀疏學習進行特徵選擇
5．4 ｌp約束的小二乘學習法
5．5 ｌ1+ｌ2 約束的小二乘學習法
第6章 魯棒學習
6．1 ｌ1 損失小化學習
6．2 Huber損失小化學習
6．3 圖基損失小化學習
6．4 ｌ1 約束的Huber損失小化學習
第III部分 有監督分類
第7章 基於小二乘法的分類
7．1 小二乘分類
7．2 0/1 損失和間隔
7．3 多類彆的情形
第8章 支持嚮量機分類
8．1 間隔大化分類
8．2 支持嚮量機分類器的求解方法
8．3 稀疏性
8．4 使用核映射的非綫性模型
8．5 使用Hinge損失小化學習來解釋
8．6 使用Ramp損失的魯棒學習
第9章 集成分類
9．1 剪枝分類
9．2 Bagging學習法
9．3 Boosting 學習法
第10章 概率分類法
10．1 Logistic迴歸
10．2 小二乘概率分類
第11 章序列數據的分類
11．1 序列數據的模型化
11．2 條件隨機場模型的學習
11．3 利用條件隨機場模型對標簽序列進行預測
第IV部分 監督學習
第12章 異常檢測
12．1 局部異常因子
12．2 支持嚮量機異常檢測
12．3 基於密度比的異常檢測
第13章 監督降維
13．1 綫性降維的原理
13．2 主成分分析
13．3 局部保持投影
13．4 核函數主成分分析
13．5 拉普拉斯特徵映射
第14章 聚類
14．1 K均值聚類
14．2 核K均值聚類
14．3 譜聚類
14．4 調整參數的自動選取
第V部分 新興機器學習算法
第15章 在綫學習
15．1 被動攻擊學習
15．2 適應正則化學習
第16章 半監督學習
16．1 靈活應用輸入數據的流形構造
16．2 拉普拉斯正則化小二乘學習的求解方法
16．3 拉普拉斯正則化的解釋
第17章 監督降維
17．1 與分類問題相對應的判彆分析
17．2 充分降維
第18章 遷移學習
18．1 協變量移位下的遷移學習
18．2 類彆平衡變化下的遷移學習
第19章 多任務學習
19．1 使用小二乘迴歸的多任務學習
19．2 使用小二乘概率分類器的多任務學習
19．3 多次維輸齣函數的學習
第VI部分 結 語
第20章 總結與展望
參考文獻
用户评价
评分
评分
评分
评分
评分
评分
评分
评分
相关图书
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有