新書推薦：
《
知宋·宋代之科举
》
售價：NT$
454.0
《
那本书是（吉竹伸介与又吉直树 天才联动！）
》
售價：NT$
454.0
《
传播的跃迁：人工智能如何革新人类的交流
》
售價：NT$
505.0
《
纯粹·古代中国的历史与制度
》
售價：NT$
286.0
《
生活来来往往 别等来日方长 新版（伍佰：“讲好了这一辈子，再度重相逢。”别等，别遗憾！珍惜当下才是最好的解药）
》
售價：NT$
265.0
《
一个英国军事顾问眼中的二战
》
售價：NT$
1265.0
《
就业、利息和货币通论（徐毓枬译本）（经济学名著译丛）
》
售價：NT$
306.0
《
瘦肝
》
售價：NT$
454.0
|
| 編輯推薦： |
|
1.国内知识图谱界领军人物、文因互联CEO鲍捷作序。国内外产业界和学术界大咖鼎力推荐 2.本书编写简明扼要，是美国常青藤名校布朗大学的教材。本书的每一章都包括了一个编程项目和一些书面练习，并附上了参考资料，可供读者进一步阅读。 3.人工智能经典入门书，基于Tensorflow编写，以项目为导向，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉、自然语言处理和强化学习等。 4.做中学。作者在前言中写道：对我而言，学习计算机科学的最好方法，就是坐下来写程序。本书正是采用了这种方法。
|
| 內容簡介： |
|
《深度学习导论精装版》讲述了Tensorflow、前馈神经网络、卷积神经网络、词嵌入、循环神经网络、序列到序列学习、深度强化学习、无监督模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。 本书编写简明扼要，理论联系实践，每一章都包括一个编程项目、练习以及进一步阅读的参考资料。本书既可作为高校人工智能教学用书，也可供从业者入门参考。 本书要求读者熟悉线性代数、多元微积分、概率和统计知识，另外需要读者了解Python 编程。
|
| 關於作者： |
|
作者简介 Eugene Charniak是美国布朗大学计算机科学和认知科学教授，博士毕业于MIT，博士导师是人工智能之父Marvin Minsky。他是国际知名的人工智能研究者，美国人工智能学会（AAAI）会士，2011年获美国计算语言学会（ACL）终身成就奖。他撰写了《统计语言学习》《人工智能编程》等图书。 译者简介 沈磊，美国计算语言学会（ACL）会员，中国计算机学会（CCF）会员，博士毕业于北京航空航天大学计算机学院，博士研究方向为人工智能、模式识别，现为vivo公司北京AI研究院NLP算法专家，主要方向为自然语言理解和自动问答。她在自然语言处理及推荐算法方向发表了多篇学术论文，申请了5项专利。 郑春萍，教育学博士，北京邮电大学人文学院副教授，主要研究方向为应用语言学与计算机辅助翻译。她是美国国务院英语语言学者项目访问学者、英国曼彻斯特大学人文艺术学院访问学者，曾获北京市高等教育教学成果一等奖、北京市高校青年教学名师奖、中央电视台希望之星英语风采大赛全国总决赛最佳指导教师奖等奖项。她主持了国家社科基金、教育部霍英东青年教师基金及教育部人文社科基金等省部级课题6项，发表学术论文40余篇，主编教材2部，出版专著1部、译著2部。
|
| 目錄：
|
第 1章 前馈神经网络 1
1.1 感知机 3
1.2 神经网络的交叉熵损失函数 7
1.3 导数与随机梯度下降 11
1.4 编写程序 15
1.5 神经网络的矩阵表示 17
1.6 数据独立性 19
1.7 参考文献和补充阅读 20
1.8 习题 21
第 2章 Tensorflow 23
2.1 预备知识 23
2.2 TF程序 26
2.3 多层神经网络 31
2.4 其他方面 34
2.4.1 检查点 34
2.4.2 tensordot 35
2.4.3 TF变量的初始化 37
2.4.4 TF图创建的简化 39
2.5 参考文献和补充阅读 40
2.6 习题 40
第3章 卷积神经网络 43
3.1 滤波器、步长和填充 43
3.2 一个简单的TF卷积例子 49
3.3 多层卷积 51
3.4 卷积细节 54
3.4.1 偏置 54
3.4.2 卷积层 55
3.4.3 池化运算（pooling） 55
3.5 参考文献和补充阅读 56
3.6 习题 57
第4章 词嵌入与循环神经网络 59
4.1 语言模型的词嵌入 59
4.2 构建前馈语言模型 63
4.3 改进前馈语言模型 65
4.4 过拟合 66
4.5 循环网络 69
4.6 长短期记忆模型 75
4.7 参考文献和补充阅读 78
4.8 习题 78
第5章 序列到序列学习 81
5.1 seq2seq模型 82
5.2 编写一个seq2seq MT程序 84
5.3 seq2seq中的注意力机制 87
5.4 多长度seq2seq 90
5.5 编程练习 91
5.6 参考文献和补充阅读 93
5.7 习题 94
第6章 深度强化学习 97
6.1 值迭代 98
6.2 Q学习 101
6.3 深度Q学习基础 103
6.4 策略梯度法 106
6.5 行动者-评论家方法 112
6.6 经验回放 114
6.7 参考文献和补充阅读 115
6.8 习题 116
第7章 无监督神经网络模型 119
7.1 基本自编码 119
7.2 卷积自编码 122
7.3 变分自编码 126
7.4 生成式对抗网络 132
7.5 参考文献和补充阅读 137
7.6 习题 137
附录A 部分习题答案 139
附录B 参考文献 143
附录C 索引 147
本书赞誉 151
|
|
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
HOME
新書上架
