人工智能：深度學(xué)習(xí)核心算法（精裝版）

定　價(jià)：￥98.00

作　者：	馮超著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：	人工智能出版工程
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥49.00)

ISBN：	9787121381423	出版時(shí)間：	2020-09-01	包裝：	精裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	332	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)是一本介紹深度學(xué)習(xí)核心算法的書(shū)籍。書(shū)中以輕松、直白的語(yǔ)言，生動(dòng)、詳細(xì)地介紹了與深度學(xué)習(xí)模型相關(guān)的基礎(chǔ)知識(shí)，深入剖析了深度學(xué)習(xí)核心算法的原理與本質(zhì)。同時(shí)，書(shū)中配有大量案例與源碼，幫助讀者切實(shí)體會(huì)深度學(xué)習(xí)的核心思想和精妙之處。此外，書(shū)中還介紹了深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理和推薦系統(tǒng)領(lǐng)域的應(yīng)用，從原理層面揭示其思想，幫助讀者在這些領(lǐng)域中夯實(shí)技術(shù)基礎(chǔ)。

作者簡(jiǎn)介

　　馮超畢業(yè)于中國(guó)科學(xué)院大學(xué)，現(xiàn)任阿里巴巴高級(jí)算法專(zhuān)家，曾在滴滴出行、猿輔導(dǎo)等公司擔(dān)任核心算法業(yè)務(wù)負(fù)責(zé)人。自 2016 年起，在知乎開(kāi)設(shè)技術(shù)專(zhuān)欄，并著有技術(shù)書(shū)《深度學(xué)習(xí)輕松學(xué)：核心算法與視覺(jué)實(shí)踐》《強(qiáng)化學(xué)習(xí)精要：核心算法與 TensorFlow 實(shí)現(xiàn)》。

圖書(shū)目錄

第 1 章從生活走進(jìn)深度學(xué)習(xí) 1
1．1 鈔票面值問(wèn)題1
1．2 機(jī)器學(xué)習(xí)的特征表示5
1．3 機(jī)器學(xué)習(xí)10
1．4 深度學(xué)習(xí)的逆襲14
1．5 總結(jié)與提問(wèn) 19
第 2 章構(gòu)建小型神經(jīng)網(wǎng)絡(luò)20
2．1 線(xiàn)性代數(shù)基礎(chǔ)21
2．2 全連接層與非線(xiàn)性函數(shù)27
2．3 神經(jīng)網(wǎng)絡(luò)可視化30
2．4 反向傳播法35
2．5 反向傳播法的計(jì)算方法37
2．6 反向傳播法在計(jì)算上的抽象40
2．7 反向傳播法在批量數(shù)據(jù)上的推廣42
2．8 模型訓(xùn)練與結(jié)果可視化46
2．9 總結(jié)與提問(wèn)48
第 3 章多層網(wǎng)絡(luò)與分類(lèi)50
3．1 MNIST 數(shù)據(jù)集50
3．2 概率論基礎(chǔ)51
3．3 Softmax 函數(shù)57
3．4 交叉熵?fù)p失60
3．5 使用 PyTorch 實(shí)現(xiàn)模型構(gòu)建與訓(xùn)練67
3．6 模型結(jié)果分析72
3．7 總結(jié)與提問(wèn)74
第 4 章卷積神經(jīng)網(wǎng)絡(luò)76
4．1 卷積操作76
4．2 卷積層匯總了什么83
4．3 卷積層的反向傳播87
4．4 ReLU93
4．5 Pooling 層97
4．6 卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)101
4．7 卷積神經(jīng)網(wǎng)絡(luò)的感受野103
4．8 總結(jié)與提問(wèn)112
第 5 章網(wǎng)絡(luò)初始化113
5．1 錯(cuò)誤的初始化113
5．2 關(guān)于數(shù)值的初始化實(shí)驗(yàn)116
5．3 Xavier 初始化122
5．4 MSRA 初始化128
5．5 ZCA 初始化132
5．6 總結(jié)與提問(wèn)138
第 6 章網(wǎng)絡(luò)優(yōu)化140
6．1 梯度下降法140
6．2 動(dòng)量法145
6．3 隨機(jī)梯度下降的變種算法151
6．4 總結(jié)與提問(wèn)164
第 7 章進(jìn)一步強(qiáng)化網(wǎng)絡(luò)165
7．1 Dropout165
7．2 Batch Normalization168
7．3 總結(jié)與提問(wèn)176
第 8 章高級(jí)網(wǎng)絡(luò)結(jié)構(gòu)178
8．1 CIFAR10 數(shù)據(jù)集178
8．2 VGG 模型179
8．3 ResNet183
8．4 Inception 195
8．5 通道分解的網(wǎng)絡(luò)196
8．6 總結(jié)與提問(wèn)202
第 9 章網(wǎng)絡(luò)可視化203
9．1 模型優(yōu)化路徑的簡(jiǎn)單可視化203
9．2 卷積神經(jīng)網(wǎng)絡(luò)的可視化206
9．3 圖像風(fēng)格轉(zhuǎn)換211
9．4 總結(jié)與提問(wèn)217
第 10 章物體檢測(cè)218
10．1 物體檢測(cè)的評(píng)價(jià)指標(biāo)218
10．2 YOLOv3：一階段檢測(cè)算法223
10．3 Faster RCNN：兩階段檢測(cè)算法230
10．4 總結(jié)與提問(wèn)235
第 11 章詞嵌入237
11．1 One-Hot 編碼的缺點(diǎn)237
11．2 分布式表征238
11．3 負(fù)采樣242
11．4 SGNS 實(shí)現(xiàn)243
11．5 tSNE247
11．6 總結(jié)與提問(wèn)255
第 12 章循環(huán)神經(jīng)網(wǎng)絡(luò)256
12．1 語(yǔ)言模型與循環(huán)神經(jīng)網(wǎng)絡(luò)256
12．2 RNN 實(shí)現(xiàn)259
12．3 LSTM 網(wǎng)絡(luò)262
12．4 語(yǔ)言模型實(shí)踐266
12．5 LSTM 網(wǎng)絡(luò)的可視化與分析272
12．6 RNN 的應(yīng)用類(lèi)型274
12．7 CTC276
12．8 總結(jié)與提問(wèn)282
第 13 章 Transformer284
13．1 Transformer 模型的基本結(jié)構(gòu)286
13．2 模型訓(xùn)練與預(yù)測(cè)293
13．3 BERT 模型296
13．4 總結(jié)與提問(wèn)303
第 14 章深度分解模型304
14．1 分解機(jī)306
14．2 評(píng)價(jià)指標(biāo) AUC310
14．3 DeepFM314
14．4 DeepFM 的改進(jìn)方法317
14．5 總結(jié)與提問(wèn)322