登入帳戶　 |　訂單查詢　 |　購物車/收銀台(0)　|　在線留言板　 |　付款方式　 |　聯絡我們　 |　運費計算　 |　幫助中心　|　 加入書簽
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入   新用戶註冊

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / 物流，時效：出貨後2-4日

新書推薦： 《 战国竹书复原综论 》 售價：NT$ 449.0 《 走出内心的深渊：快节奏人群心理疾病与健康指南（原书第3版） 》 售價：NT$ 352.0 《 趋势跟踪： 汤姆·巴索的交易谋略 》 售價：NT$ 352.0 《 滚滚红尘（《滚滚红尘》电影原著） 》 售價：NT$ 250.0 《 罗马之变（法语直译，再现罗马共和国走向罗马帝国的辉煌历史） 》 售價：NT$ 500.0 《 自然之争：1600年以来苏格兰和英格兰北部地区的环境史（新史学译丛） 》 售價：NT$ 485.0 《 硝烟下的博弈：工业革命与中西方战争 》 售價：NT$ 398.0 《 让内的理性主义 发现无意识之旅 》 售價：NT$ 301.0

建議一齊購買： + NT$ 354 《 人工智能算法 卷1 基础算法 》 + NT$ 354 《 Python数学编程 》 + NT$ 528 《 基于Python的智能文本分析 》 + NT$ 414 《 机器学习精讲 全彩印刷 》 + NT$ 498 《 详解深度学习 基于TensorFlow和Keras学习RNN 》 + NT$ 312 《 四旋翼无人机的制作与飞行 》 編輯推薦： 深度学习是人工智能的一个分支，受到人类大脑的启发，致力于指导计算机用神经网络进行学习。在线文本翻译、自动驾驶、商品推荐和智能语音助手等一系列令人兴奋的现代技术应用领域，都在深度学习的辅助下取得了突破性进展。 《深度学习图解》指导你从*基础的每一行代码开始搭建深度学习网络！经验丰富的深度学习专家Andrew W. Trask以有趣的图解方式为你揭开深度学习的神秘面纱，使你可亲身体会训练神经网络的每个细节。只需要使用Python语言及其*基本的数学库NumPy，就可以训练出自己的神经网络，借助它观察并理解图像、将文字翻译成不同的语言，甚至像莎士比亚一样写作！当你完成这一切后，就为成为精通深度学习框架的专家做好了充分准备！ 內容簡介： 主要内容： 深度学习的基础科学原理 自行设计和训练神经网络 隐私保护的知识，包括联邦学习 帮助你继续深度学习之旅的建议 關於作者： Andrew W. Trask是Digital Reasoning公司机器学习实验室的创始成员，该实验室致力于自然语言处理、图像识别和音频转录的深度学习研究。几个月内，Andrew和他的伙伴们就在情绪分类和词性标注方面发表了超过业界最佳方案的结果。 他训练了世界上最大的人工神经网络，拥有超过1600亿个参数，实验结果发表在ICMLInternational Conference on Machine Learning上，还有一部分结果发表在Journal of Machine LearningJML上。他在Digital Reasoning公司担任文本处理和音频分析的产品经理，负责仿真认知计算平台的架构设计，深度学习是这一平台的核心能力。 目錄： 目录 第1章 深度学习简介：为什么应该学习深度学习1 1.1　欢迎阅读《深度学习图解》1 1.2　为什么要学习深度学习2 1.3　这很难学吗?3 1.4　为什么要阅读本书3 1.5　准备工作4 1.6　你可能需要掌握一部分Python知识5 1.7　本章小结6 第2章 基本概念：机器该如何学习？7 2.1　什么是深度学习?7 2.2　什么是机器学习？8 2.3　监督机器学习9 2.4　无监督机器学习10 2.5　参数学习和非参数学习10 2.6　监督参数学习11 2.7　无监督参数学习13 2.8　非参数学习14 2.9　本章小结15 第3章 神经网络预测导论：前向传播17 3.1　什么是预测17 3.2　能够进行预测的简单神经网络19 3.3　什么是神经网络?20 3.4　这个神经网络做了什么?21 3.5　使用多个输入进行预测23 3.6　多个输入：这个神经网络做了什么?24 3.7　多个输入：完整的可运行代码29 3.8　预测多个输出30 3.9　使用多个输入和输出进行预测32 3.10　多输入多输出神经网络的工作原理33 3.11　用预测结果进一步预测35 3.12　NumPy快速入门37 3.13　本章小结40 第4章 神经网络学习导论：梯度下降41 4.1　预测、比较和学习41 4.2　什么是比较42 4.3　学习42 4.4　比较：你的神经网络是否做出了好的预测？43 4.5　为什么需要测量误差？44 4.6　最简单的神经学习形式是什么？45 4.7　冷热学习46 4.8　冷热学习的特点47 4.9　基于误差调节权重48 4.10　梯度下降的一次迭代50 4.11　学习就是减少误差52 4.12　回顾学习的步骤54 4.13　权重增量到底是什么?55 4.14　狭隘的观点57 4.15　插着小棍的盒子58 4.16　导数：两种方式59 4.17　你真正需要知道的60 4.18　你不需要知道的60 4.19　如何使用导数来学习61 4.20　看起来熟悉吗?62 4.21　破坏梯度下降63 4.22　过度修正的可视化64 4.23　发散65 4.24　引入66 4.25　在代码中实现66 4.26　记忆背诵67 第5章 通用梯度下降：一次学习多个权重69 5.1　多输入梯度下降学习69 5.2　多输入梯度下降详解71 5.3　回顾学习的步骤75 5.4　单项权重冻结：它有什么作用?77 5.5　具有多个输出的梯度下降学习79 5.6　具有多个输入和输出的梯度下降81 5.7　这些权重学到了什么?83 5.8　权重可视化85 5.9　点积加权和可视化86 5.10　本章小结87 第6章 建立你的第一个深度神经网络：反向传播89 6.1　交通信号灯问题89 6.2　准备数据91 6.3　矩阵和矩阵关系92 6.4　使用Python创建矩阵95 6.5　建立神经网络96 6.6　学习整个数据集97 6.7　完全、批量和随机梯度下降97 6.8　神经网络对相关性的学习98 6.9　向上与向下的压力99 6.10　边界情况：过拟合101 6.11　边界情况：压力冲突101 6.12　学习间接相关性103 6.13　创建关联104 6.14　堆叠神经网络：回顾105 6.15　反向传播：远程错误归因106 6.16　反向传播：为什么有效?107 6.17　线性与非线性107 6.18　为什么神经网络仍然不起作用109 6.19　选择性相关的秘密110 6.20　快速冲刺111 6.21　你的第一个深度神经网络111 6.22　反向传播的代码112 6.23　反向传播的一次迭代114 6.24　整合代码116 6.25　为什么深度网络这么重要?117 第7章 如何描绘神经网络：在脑海里，在白纸上119 7.1　到了简化的时候了119 7.2　关联抽象120 7.3　旧的可视化方法过于复杂121 7.4　简化版可视化122 7.5　进一步简化123 7.6　观察神经网络是如何进行预测的124 7.7　用字母而不是图片来进行可视化125 7.8　连接变量126 7.9　信息整合127 7.10　可视化工具的重要性127 第8章 学习信号，忽略噪声：正则化和批处理介绍129 8.1　用在MNIST上的三层网络129 8.2　好吧，这很简单131 8.3　记忆与泛化132 8.4　神经网络中的过拟合133 8.5　过拟合从何而来134 8.6　最简单的正则化：提前停止135 8.7　行业标准正则化：dropout136 8.8　为什么dropout有效：整合是有效的137 8.9　dropout的代码137 8.10　在MNIST数据集上对dropout进行测试139 8.11　批量梯度下降140 8.12　本章小结143 第9章 概率和非线性建模：激活函数145 9.1　什么是激活函数?145 9.2　标准隐藏层激活函数148 9.3　标准输出层激活函数149 9.4　核心问题：输入具有 相似性151 9.5　计算softmax152 9.6　激活函数使用说明153 9.7　将增量与斜率相乘156 9.8　将输出转换为斜率导数157 9.9　升级MNIST网络157 第10章 卷积神经网络概论：关于边与角的神经学习161 10.1　在多个位置复用权重161 10.2　卷积层162 10.3　基于NumPy的简单实现164 10.4　本章小结167 第11章 能够理解自然语言的神经网络：国王-男人 女人=？169 11.1　理解语言究竟是指什么?170 11.2　自然语言处理NLP170 11.3　监督NLP学习171 11.4　IMDB电影评论数据集172 11.5　在输入数据中提取单词相关性173 11.6　对影评进行预测174 11.7　引入嵌入层175 11.8　解释输出177 11.9　神经网络结构178 11.10　单词嵌入表达的对比180 11.11　神经元是什么意思?181 11.12　完形填空182 11.13　损失函数的意义183 11.14　国王-男人 女人~=女王186 11.15　单词类比187 11.16　本章小结188 第12章 像莎士比亚一样写作的神经网络：变长数据的递归层189 12.1　任意长度的挑战189 12.2　做比较真的重要吗？190 12.3　平均词向量的神奇力量191 12.4　信息是如何存储在这些向量嵌入中的？192 12.5　神经网络是如何使用嵌入的？193 12.6　词袋向量的局限194 12.7　用单位向量求词嵌入之和195 12.8　不改变任何东西的矩阵196 12.9　学习转移矩阵197 12.10　学习创建有用的句子向量198 12.11　Python下的前向传播199 12.12　如何反向传播？200 12.13　让我们训练它！201 12.14　进行设置201 12.15　任意长度的前向传播202 12.16　任意长度的反向传播203 12.17　任意长度的权重更新204 12.18　运行代码，并分析输出205 12.19　本章小结207 第13章 介绍自动优化：搭建深度学习框架209 13.1　深度学习框架是什么？209 13.2　张量介绍210 13.3　自动梯度计算autograd介绍211 13.4　快速检查213 13.5　多次使用的张量214 13.6　升级autograd以支持多次使用的张量215 13.7　加法的反向传播如何工作？217 13.8　增加取负值操作的支持218 13.9　添加更多函数的支持219 13.10　使用autograd训练神经网络222 13.11　增加自动优化224 13.12　添加神经元层类型的支持225 13.13　包含神经元层的神经元层226 13.14　损失函数层227 13.15　如何学习一个框架228 13.16　非线性层228 13.17　嵌入层230 13.18　将下标操作添加到 autograd231 13.19　再看嵌入层232 13.20　交叉熵层233 13.21　递归神经网络层235 13.22　本章小结238 第14章 像莎士比亚一样写作：长短期记忆网络239 14.1　字符语言建模239 14.2　截断式反向传播的必要性240 14.3　截断式反向传播241 14.4　输出样例244 14.5　梯度消失与梯度激增245 14.6　RNN反向传播的小例子246 14.7　长短期记忆LSTM元胞247 14.8　关于LSTM门限的直观理解248 14.9　长短期记忆层249 14.10　升级字符语言模型250 14.11　训练LSTM字符语言模型251 14.12　调优LSTM字符语言模型252 14.13　本章小结253 第15章 在看不见的数据上做深度学习：联邦学习导论255 15.1　深度学习的隐私问题255 15.2　联邦学习256 15.3　学习检测垃圾邮件257 15.4　让我们把它联邦化259 15.5　深入联邦学习260 15.6　安全聚合261 15.7　同态加密262 15.8　同态加密联邦学习263 15.9　本章小结264 第16章 往哪里去：简要指引265 內容試閱： 前 言 这本《深度学习图解》是我三年艰苦努力的成果。为了完成你手中所握的这本书，我实际撰写的篇幅至少是你现在看到的两倍。在《深度学习图解》准备出版之前，有六个章节被从头重写了三到四次，同时，在这个过程中，一些计划之外的重要章节也被添加进来。 更重要的是，我很早就做出了两个决定，这两个决定使这本《深度学习图解》具有独特的价值。首先，除了基础的算术之外，这《深度学习图解》不需要读者具有任何数学背景，其次，它不依赖于那些可能隐藏着运行细节的高级库。换句话说，任何人都可以读懂《深度学习图解》，了解深度学习真正的工作方式。为达到这个目的，我必须寻找一些新的方法来描述和讲授书中的核心思想和技术，而不是依赖于别人编写的高等数学或复杂代码。 写作这本《深度学习图解》的目的是为深度学习的入门实践尽可能扫除障碍。在《深度学习图解》中，你不只需要阅读理论，更要靠自己发现深度学习的真谛。为了帮助你实现这一点，我编写了大量代码，并尽我所能以正确的顺序解释它使得书中演示的每一段代码都容易理解。 深入浅出的知识，加上你将在《深度学习图解》中探索的所有理论、代码和示例，将使你以最快的速度完成各种实验。你可以更快地获得成功，得到更好的工作机会，甚至能够更快地掌握更先进的深度学习概念。 在过去的三年里，我不仅写了这本书，还收到了牛津大学的博士录取通知书，加入了谷歌的团队，进行了前沿研究开发了一个去中心化的公司人工智能平台，名为OpenMined。《深度学习图解》是我多年思考、学习和教学的结晶。 当然，深度学习还有其他很多资源。我很高兴你能选择阅读《深度学习图解》。

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	台灣用户　|　香港/海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.