新書推薦：
《
纯粹·我只要少许
》
售價：HK$
80.6
《
投机苦旅：一位投机客的凤凰涅槃
》
售價：HK$
88.5
《
重返马赛渔场：社会规范与私人治理的局限
》
售價：HK$
69.4
《
日子慢慢向前，事事慢慢如愿
》
售價：HK$
55.8
《
场景供应链金融：将风口变成蓝海
》
售價：HK$
111.8
《
汗青堂丛书146·布鲁克王朝：一个英国家族在东南亚的百年统治
》
售價：HK$
91.8
《
人生是旷野啊
》
售價：HK$
72.8
《
甲骨文丛书· “安国之道”：英国的殖民情报系统及其在亚洲的扩张
》
售價：HK$
88.5
|
| 編輯推薦： |
掌握深度学习数学原理、编程实战经验
轻松构建复杂实际项目的深度学习方案
本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验，使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案，并形成开发深度学习架构和解决方案时所需的数学理解和直觉。
深入浅出讲解数学基础、深度学习与TensorFlow、卷积神经网络、自然语言处理、无监督学习、高级神经网络等内容，帮助你快速理解数学基础、理论知识，掌握实际项目开发经验，迅速胜任学习、工作要求。
本书特点：
通过使用TensorFlow深入理解全栈深度学习，并为深度学习奠定坚实的数学基础。
使用TensorFlow在实际项目中部署复杂的深度学习解决方案。
深入深度学习研究，并使用TensorFlow进行具体项目实践。
|
| 內容簡介： |
本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验，使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案，并形成开发深度学习架构和解决方案时所需的数学理解和直觉。
本书提供了丰富的理论和实战动手经验，使你可以从零开始掌握深度学习，并能快速部署有价值的深度学习解决方案。本书重点讲解了与多个行业相关的深度学习实践方面的专业知识。通过这些实战经验，你将能够使用原型来构建新的深度学习应用程序。
本书适合谁
正在研究深度学习解决方案以解决复杂业务问题的数据科学家和机器学习专业人员。
通过TensorFlow开发深度学习解决方案的软件开发人员。
渴望不断学习的师生和人工智能爱好者。
|
| 關於作者： |
关于作者
Santanu Pattanayak，目前在GE数字集团（GE Digital）担任高级数据科学家。Santanu具有10年的总体工作经验，6年以上的数据分析数据科学领域的经验，同时还具有研发和数据库技术的背景。在加入GE之前，Santanu曾在RBS、Capgemini和IBM等公司工作。他还是一名狂热的数学爱好者，在数据科学黑客马拉松和Kaggle竞赛等的全球500强排名中名列前茅。
|
| 目錄：
|
原书前言
第1章 数学基础1
1.1 线性代数2
1.1.1 向量2
1.1.2 标量2
1.1.3 矩阵3
1.1.4 张量3
1.1.5 矩阵的运算和操作4
1.1.6 向量的线性独立6
1.1.7 矩阵的秩8
1.1.8 单位矩阵或恒等运算符8
1.1.9 矩阵的行列式9
1.1.10 逆矩阵10
1.1.11 向量的范数（模）11
1.1.12 伪逆矩阵12
1.1.13 以特定向量为方向的单位向量12
1.1.14 一个向量在另一个向量方向上的投影（或射影）12
1.1.15 特征向量12
1.2 微积分17
1.2.1 微分17
1.2.2 函数的梯度17
1.2.3 连续偏导数18
1.2.4 海森矩阵18
1.2.5 函数的极大值和极小值18
1.2.6 局部极小值和全局最小值20
1.2.7 半正定以及正定矩阵21
1.2.8 凸集21
1.2.9 凸函数22
1.2.10 非凸函数22
1.2.11 多变量凸函数以及非凸函数范例23
1.2.12 泰勒级数24
1.3 概率24
1.3.1 并集、交集和条件概率25
1.3.2 事件交集概率的链式法则26
1.3.3 互斥事件26
1.3.4 事件独立性27
1.3.5 事件条件独立性27
1.3.6 贝叶斯定理（公式）27
1.3.7 概率质量函数28
1.3.8 概率密度函数28
1.3.9 随机变量的数学期望28
1.3.10 随机变量的方差28
1.3.11 偏度和峰度29
1.3.12 协方差30
1.3.13 相关性系数31
1.3.14 一些常见的概率分布31
1.3.15 似然函数34
1.3.16 最大似然估计35
1.3.17 假设检验和p值36
1.4 机器学习算法的制定与优化算法38
1.4.1 监督学习38
1.4.2 无监督学习45
1.4.3 机器学习的优化算法45
1.4.4 约束优化问题53
1.5 机器学习中的几个重要主题54
1.5.1 降维方法54
1.5.2 正则化5
1.5.3 约束优化问题中的正则化59
1.6 总结60
第2章 深度学习概念和TensorFlow介绍61
2.1 深度学习及其发展61
2.2 感知机和感知机学习算法63
2.2.1 感知机学习的几何解释65
2.2.2 感知机学习的局限性66
2.2.3 非线性需求68
2.2.4 隐藏层感知机的非线性激活函数69
2.2.5 神经元或感知机的不同激活函数70
2.2.6 多层感知机网络的学习规则74
2.2.7 梯度计算的反向传播75
2.2.8 反向传播方法推广到梯度计算76
2.3 TensorFlow 82
2.3.1 常见的深度学习包82
2.3.2 TensorFlow的安装83
2.3.3 TensorFlow的开发基础83
2.3.4 深度学习视角下的梯度下降优化方法86
2.3.5 随机梯度下降的小批量方法中的学习率90
2.3.6 TensorFlow中的优化器90
2.3.7 TensorFlow实现XOR96
2.3.8 TensorFlow中的线性回归100
2.3.9 使用全批量梯度下降的SoftMax函数多分类103
2.3.10 使用随机梯度下降的SoftMax函数多分类105
2.4 GPU 107
2.5 总结108
第3章 卷积神经网络109
3.1 卷积操作109
3.1.1 线性时不变和线性移不变系统109
3.1.2 一维信号的卷积111
3.2 模拟信号和数字信号112
3.2.1 二维和三维信号113
3.3 二维卷积114
3.3.1 二维单位阶跃函数114
3.3.2 LSI系统中单位阶跃响应信号的二维卷积115
3.3.3 不同的LSI系统中图像的二维卷积117
3.4 常见的图像处理滤波器120
3.4.1 均值滤波器120
3.4.2 中值滤波器122
3.4.3 高斯滤波器122
3.4.4 梯度滤波器123
3.4.5 Sobel边缘检测滤波器125
3.4.6 恒等变换127
3.5 卷积神经网络128
3.6 卷积神经网络的组成部分128
3.6.1 输入层129
3.6.2 卷积层129
3.6.3 池化层131
3.7 卷积层中的反向传播131
3.8 池化层中的反向传播134
3.9 卷积中的权值共享及其优点136
3.10 平移同变性136
3.11 池化的平移不变性137
3.12 舍弃层和正则化138
3.13 MNIST数据集上进行手写数字识别的卷积神经网络140
3.14 用来解决现实问题的卷积神经网络144
3.15 批规范化151
3.16 卷积神经网络中的几种不同的网络架构153
3.16.1 LeNet153
3.16.2 AlexNet154
3.16.3 VGG16155
3.16.4 ResNet156
3.17 迁移学习157
3.17.1 迁移学习的使用指导158
3.17.2 使用谷歌InceptionV3网络进行迁移学习159
3.17.3 使用预训练的VGG16网络迁移学习162
3.18 总结166
第4章 基于循环神经网络的自然语言处理167
4.1 向量空间模型167
4.2 单词的向量表示170
4.3 Word2Vec170
4.3.1 CBOW 171
4.3.2 CBOW 在TensorFl
|
| 內容試閱：
|
原书前言
本书是使用TensorFlow实现深度学习的数学原理和编程实战指南。深度学习是机器学习的一个分支，你可以在其中根据概念的层次结构为世界建模。这种学习模式类似于人脑的学习方式，它允许计算机对复杂的概念进行建模，而这些概念在其他传统的建模方法中通常没有被注意到。因此，在现代计算范式中，深度学习在对复杂的实际问题进行建模时扮演着至关重要的角色，尤其是通过利用如今大量可用的非结构化数据。
由于深度学习模型涉及内容的复杂性，很多时候使用它的人们都将其视为黑盒子。但是，为了从机器学习这一分支中获得最大的收益，需要通过研究与之相关的科学和数学来发现隐藏的奥秘。在本书中，我们从数学和科学的角度都非常谨慎地解释了与深度学习相关的概念和技术。此外，第1章专注于构建轻松理解深度学习概念所需的数学基础。TensorFlow被选为深度学习软件包，是因为它在用于研究目的上的灵活性以及易用性。选择TensorFlow的另一个原因是它能够使用其服务功能轻松地在实时生产环境中加载模型。
总而言之，本书提供了大量实用的实战知识，因此你可以从零开始学习深度学习并部署有价值的深度学习解决方案。本书将能帮助你迅速上手使用TensorFlow，并优化了实际应用中不同的深度学习架构。本书重点关注与多个行业相关的深度学习的实践方面的内容。你将能够使用演示的原型来构建新的深度学习应用程序。本书中的代码以iPython笔记本和脚本的形式提供，让你可以尝试示例并以有趣的方式扩展它们。阅读学习本书后，你将具备数学基础和专业知识，可以从事该领域的研究并回馈社区。
读者对象
● 本书面向正在研究深度学习解决方案以解决复杂业务问题的数据科学家和机器学习专业人员。
● 本书适用于通过TensorFlow开发深度学习解决方案的软件开发人员。
● 本书也适合渴望不断学习的师生和人工智能爱好者。
本书内容
本书涵盖的章节如下：
第1章数学基础，在该章中，详细讨论线性代数、概率、微积分、优化和机器学习公式的相关数学概念，从而为深度学习奠定数学基础。在讲解了各种概念后，重点是关注它们在机器学习和深度学习领域中的用法。
第2章深度学习概念和TensorFlow介绍，该章介绍深度学习的世界，并讨论了其多年来的发展。详细讲解了神经网络的关键组成部分以及几种学习方法，例如感知器学习规则和反向传播算法。此外，该章还介绍了TensorFlow编码的范例，以便你在转入TensorFlow并涉及更多的实践前熟悉基本语法。
第3章卷积神经网络，该章讨论用于图像处理的卷积神经网络。图像处理是计算机视觉领域的一个重要研究课题，在将卷积神经网络用于对象识别和检测、对象分类、定位和分割等领域后，性能得到了极大的提升。该章首先详细说明卷积的操作，然后继续讲解卷积神经网络的工作原理。重点介绍了卷积神经网络的组成部分，从而为你提供了以有趣的方式进行实验和扩展其网络所需的工具。此外，将详细阐述通过卷积和池化层的反向传播，以帮助你全面了解卷积神经网络的训练过程。该章还介绍了平移同变性和平移不变性的属性，它们对于卷积神经网络的成功至关重要。
第4章基于循环神经网络的自然语言处理，该章讲解使用深度学习进行自然语言处理的内容。首先从用于文本处理的不同向量空间模型开始，之后是词到向量的嵌入模型，例如连续词袋方法和Skip-grm，然后转到涉及循环神经网络、LSTM、门控循环单元和双向循环神经网络的更高级的主题。该章详细介绍了语言建模，以帮助你在涉及该网络的实际问题中利用这些网络。此外，还详细讨论了循环神经网络和LSTM情况下的反向传播机制以及梯度消失问题。
第5章用受限玻尔兹曼机和自编码器进行无监督学习，在该章中，你将学习使用受限玻尔兹曼机和自编码器的深度学习中的无监督方法。另外，该章还将讲解贝叶斯推断和MCMC方法，例如Metropolis算法和吉布斯采样，因为受限玻尔兹曼机训练过程需要一些采样知识。此外，该章还将讨论对比散度，这是吉布斯采样的定制版本，可以对受限玻尔兹曼机进行实际训练。我们将进一步讨论受限玻尔兹曼机如何在推荐系统中用于协作过滤，以及如何在深度置信网络的无监督预训练中使用。
该章后半部分介绍了各种自编码器，例如稀疏自编码器、去噪自编码器等。此外，你还会学习如何将从自编码器中学到的内部特征用于降维以及监督学习。最后，该章简要介绍了数据预处理技术，例如PCA白化和ZCA白化。
第6章高级神经网络，在该章中，你将学习一些高级神经网络，例如全卷积神经网络、U-Net、R-CNN、Fast R-CNN、Faster R-CNN等，处理图像的语义分割、对象检测和定位。该章还将讲解传统的图像分割方法，以便可以适当地结合两个方面的优点。在该章的后半部分，你将学习生成式对抗网络，这是一种用于生成合成数据（如给定分布所生成的数据）的生成模型的新模式。生成式对抗网络在多个领域具有用途和潜力，例如在图像生成、图像修复、抽象推理、语义分割、视频生成、域间样式迁移以及文本到图像生成应用程序等领域。
总而言之，你可以从本书中学到如下
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
