新書推薦：
《
大模型应用开发：RAG入门与实战
》
售價：NT$
407.0
《
不挨饿快速瘦的减脂餐
》
售價：NT$
305.0
《
形而上学与存在论之间：费希特知识学研究（守望者）（德国古典哲学研究译丛）
》
售價：NT$
504.0
《
卫宫家今天的饭9 附画集特装版（含漫画1本+画集1本+卫宫士郎购物清单2张+特制相卡1张）
》
售價：NT$
602.0
《
化妆品学原理
》
售價：NT$
254.0
《
万千教育学前·与幼儿一起解决问题：捕捉幼儿园一日生活中的教育契机
》
售價：NT$
214.0
《
爱你，是我做过最好的事
》
售價：NT$
254.0
《
史铁生：听风八百遍，才知是人间（2）
》
售價：NT$
254.0
|
| 編輯推薦： |
系统讨论人工智能原理并辅以具体实例，讲解 代码方式便于读者理解并学以致用。
讲解诙谐通俗，基础理论深入讲，前沿模型通俗说。
内容广泛，任何想进入人工智能领域的人都可以构建出一个相当全面的认知。
|
| 內容簡介： |
|
本书介绍内容包括支持向量机、线性回归、决策树、遗传算法、深度神经网络（VGG、GooleLeNet、Resnet、MobileNet、EfficientNet）、循环神经网络（LSTM、GRU、Attention）、生成对抗网络（DCGAN、WGAN-GP）、自编码器、各种聚类算法、目标检测算法（YOLO、MTCNN）以及强化学习，有助于人工智能新人搭建一个全面且有用的基础框架。 ？本书包含8个实战，分别是：决策树、MNIST手写数字分类、GAN基础之手写数字生成、GAN优化、风格迁移、目标检测（YOLO）、人脸检测（MTCNN）和自然语言处理。8个实战可以让读者对PyTorch的使用达到较高水平。
|
| 關於作者： |
|
陈亦新 硕士，技术作家，涉及人工智能、图像处理和医学等多个领域，是一名热爱AI算法、立志AI落地造福社会的普通人。他因心思细腻、擅长换位思考、为人热情，常常被评价为一名优秀的知识传播者。他撰写的技术公众号机器学习炼丹术在短短2个月内收获上万粉丝，被粉丝称为炼丹兄
|
| 目錄：
|
第1章支持向量机
1.1SVM的原理
1.2SVM求解
1.3核函数
1.4软间隔
1.5小结
第2章线性回归与非线性回归
2.1线性回归
2.1.1线性回归问题的一般形式
2.1.2线性回归中的最优化问题
2.1.3问题的求解
2.2非线性回归分析
2.3初见梯度下降
2.4Python图解梯度下降
2.5小结
第3章基于规则的决策树模型
3.1决策树发展史
3.2决策树算法
3.2.1ID3算法
3.2.2C4.5
3.2.3CART
3.2.4随机森林
3.3Boosting家族
3.3.1XGBoost
3.3.2LightGBM
3.3.3CatBoost
3.4小结
第4章遗传算法家族
4.1遗传算法
4.1.1编码
4.1.2初始化种群
4.1.3自然选择
4.1.4交叉重组
4.1.5基因突变
4.1.6收敛
4.1.7遗传算法总结
4.2蚁群算法
4.2.1蚂蚁系统
4.2.2精英蚂蚁系统
4.2.3最大最小蚂蚁系统
4.2.4小结
第5章神经网络
5.1基本组成
5.1.1神经元
5.1.2层
5.2反向传播
5.2.1复习
5.2.2铺垫
5.2.3公式推导
5.3反向传播神经网络
5.4卷积神经网络
5.4.1卷积运算
5.4.2卷积层
5.4.3池化层
5.5循环神经网络
5.5.1RNN用途
5.5.2RNN结构
5.5.3RNN的反向传播BPTT
5.6小结
第6章深度神经网络
6.1概述
6.2VGG网络
6.3GoogLeNet
6.3.1Inception v1
6.3.2Inception v2v3
6.3.3Inception v4
6.3.4InceptionResnet
6.3.5GoogLeNet小结
6.4Resnet
6.5MobileNet
6.5.1CNN计算量如何计算
6.5.2深度可分离卷积
6.5.3ReLU6
6.5.4倒残差
6.6EfficientNet
6.6.1模型的数学表达
6.6.2复合缩放
6.7风格迁移
6.7.1内容损失函数
6.7.2风格损失函数
6.7.3风格迁移的梯度下降
第7章循环神经网络
7.1长短期记忆网络
7.1.1LSTM结构
7.1.2LSTM出现原因
7.2GRU
7.3注意力机制
7.3.1编码解码框架
7.3.2Attention结构
第8章无监督学习
8.1什么是无监督学习
8.2聚类算法
8.2.1Kmeans算法
8.2.2分级聚类
8.2.3具有噪声的基于密度的聚类方法
8.3生成对抗网络
8.3.1通俗易懂的解释
8.3.2原理推导
8.3.3损失函数的问题
8.3.4条件生成对抗网络
8.4自编码器
8.4.1自编码器概述
8.4.2去噪自编码器
8.4.3变分自编码器
第9章目标检测
9.1目标检测概述
9.1.1通俗理解
9.1.2铺垫知识点
9.1.3发展史
9.2YOLO v1
9.2.1输出
9.2.2网络
9.2.3输入
9.2.4损失函数
9.2.5小结
9.3YOLO v2
9.3.1mAP
9.3.2改进
9.3.3整体流程
9.3.4小结
9.4YOLO v3
第10章强化学习
10.1铺垫知识
10.1.1什么是RL
10.1.2马尔可夫决策过程
10.1.3回报Return
10.1.4价值函数
10.1.5贝尔曼方程
10.2DQN
10.2.1DQN损失函数
10.2.2DQN训练技巧
10.2.3DDQN
10.2.4基于优先级的记忆回放
10.2.5Dueling DQN
10.3全面讲解基础知识
10.3.1策略梯度
10.3.2ActorCritic行动者评论家算法
10.3.3A2C与优势函数
10.3.4Offpolicy
10.3.5连续动作空间
第11章GAN进阶与变种
11.1基础GAN存在的问题
11.2DCGAN
11.2.1反卷积转置卷积 微步卷积
11.2.2空洞卷积
11.3WGAN
11.3.1GAN问题的再探讨
11.3.2解决方案
11.4WGANGP
11.4.1WGAN的问题
11.4.2梯度惩罚
11.5VAEGAN
11.6CVAEGAN
第12章实战1： 决策树与随机森林
12.1数据集介绍
12.1.1乳腺癌数据简介
12.1.2任务介绍
12.2解决思路
12.2.1Pandas库与Sklearn介绍
12.2.2探索数据
12.2.3决策树模型
12.2.4随机森林模型
12.3小结
第13章实战2： MNIST手写数字分类
13.1数据集介绍
13.1.1MNIST简介
13.1.2任务介绍
13.2解决思路
13.2.1图像处理
13.2.2构建模型的三要素
13.2.3训练模型
13.2.4评估模型
13.3进一步改进finetune
13.4小结
第14章实战3： GAN基础之手写数字对抗生成
14.1GAN任务描述
14.2GAN解决过程及讲解
14.2.1数据准备
14.2.2模型搭建
14.2.3训练过程核心
14.3GAN进化CGAN
14.4小结
14.5问题发现
第15章实战4： GAN进阶与优化
15.1前情提要
15.2WGAN2017
15.3WGANGP2017
15.4DCGAN2016
15.5CVAEGAN
第16章实战5： 风格迁移
16.1任务介绍
16.2解决思路
16.2.1加载模型
16.2.2加载图片
16.2.3获取特征图和Gram矩阵
16.2.4AI作画
16.3小结
第17章实战6： 目标检测YOLO
17.1Darknet.py
17.1.1__init__self
17.1.2forwardself,x
17.1.3小结
17.2Detect.py
第18章实战7： 人脸检测
18.1什么是MTCNN
18.2MTCNN流程
18.2.1图像金字塔
18.2.2PNet
18.2.3RNet
18.2.4ONet
18.3训练过程
第19章实战8： 自然语言处理
19.1正则表达式
19.2快速上手textblob
19.2.1极性分析和词性标注
19.2.2词干提取和拼写校正
19.2.3单词字典
19.3基本概念
19.3.1朴素贝叶斯
19.3.2Ngram模型
19.3.3混淆矩阵
19.4基于朴素贝叶斯的垃圾邮件分类
19.5基于随机森林的垃圾邮件分类
第20章Python与PyTorch相关
20.1PyTorch模型类
20.2PyTorch的data类
20.3激活函数
20.4损失函数
20.4.1均方误差
20.4.2交叉熵
20.5model.train与model.eval
20.6Python的命令行库argparse
第21章机器学习相关
21.1训练集、测试集、验证集
21.2epoch、batch、minibatch等
21.3规范化
21.3.1内部协变量偏移
21.3.2批规范化
21.3.3BN vs LN
21.4SGD与MBGD
21.5适应性矩估计
21.5.1Momentum
21.5.2AdaGrad
21.5.3RMSProp
21.5.4Adam算法小结
21.6正则化与范式
21.7标签平滑正则化
21.8RBM与DBN
21.9图片的RGB和HSV
21.10网中网结构
21.11K近邻算法
21.12模拟退火算法
21.13流形学习
21.14端侧神经网络GhostNet2019
21.14.1Ghost Module
21.14.2分组卷积
21.14.3SE Module
参考文献
|
| 內容試閱：
|
人工智能、Python、深度学习可以说是越来越重要了。现在的毕业生找工作，了解这些内容肯定是一个加分项，然而人工智能领域入门学习的引导做得并不充分。在入门学习过程中，重要的应该是读者对这个领域宏观框架的搭建，而非基础、古老算法的数学推导证明。本书注重激发读者对这个领域的学习热情，感受这个领域的魅力，并且用通俗诙谐的语言帮助大家理解每一个概念。
本书对AI领域的每个方面都有涉及，介绍的模型大多数也是现在行业从事者经常使用的模型，所以读者通过本书的学习，会提升对人工智能的理解，并打消对这个专业的恐惧并不是像电视上那样，人工智能大战人类。
本书各章节的主要内容如下：
1 第1章支持向量机和第2章线性回归，这两章可以说是全书最简单也是数据分析比赛中最不可能用到的传统模型了不够智能，所以这两章注重数学分析和推导，建议数学功底不扎实的读者跳过。
2 第3章决策树和第4章遗传算法，也属于传统模型，但是现在依然在使用，讲解过程通俗易懂。
3 第5~11章全面介绍了神经网络，神经网络是人工智能的基础，图像处理、自然语言处理、强化学习、无监督学习都是基于神经网络的，这一部分讲解通俗易懂，大家认真读一定可以理解。
4 第12~19章提供了基于PyTorch实现的8个实战，都非常值得学习，讲解非常透彻。
5 第20章和第21章是常见问题解答。虽然和人工智能关系不紧密，但都是扩展知识，也许将来就是你写论文的灵感来源之一。
本书因为内容涵盖广泛，又希望读者理解透彻，所以这里给出阅读意见，不同水平、不同目的的读者可参考不同的阅读路线。
第20章和第21章是一些基础知识，建议读者在学习之前可以先大致浏览一下，留下一些印象，之后在学习这本书的主体的时候遇到不懂的地方可以及时来查询。
虚线框内的内容是这本书最重要、最核心的主体部分，其中最主要的是神经网络路线。在学习主体部分的时候，建议按照图中标注的顺序进行学习，这样可以在学习基础概念之后，利用基础实战加深印象，然后学习进阶概念，再学习进阶实战。
第1、2章涉及的支持向量机和线性回归可以作为挑战自己数学水平的基础章节不管是否看得懂，都不影响后面的学习。这两章的内容非常基础，所以放在这里作为挑战目的是让读者知道： 不要以为看懂了这本书就飘飘然，本书只是基础入门而已。
在虚线框外面还有3个实战，这3个实战有难度。如果完成的话，可以在简历里面写上自己完成了3个小项目。
由于作者水平有限，本书中难免出现各种不足，敬请读者不吝批评指正。
陈亦新
2020年7月
|
|
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
