新書推薦：
《
汗青堂丛书144·决战地中海
》
售價：NT$
765.0
《
逝去的武林（十周年纪念版 武学宗师 口述亲历 李仲轩亲历一九三零年代武人言行录）
》
售價：NT$
250.0
《
唐代冠服图志（百余幅手绘插画 图解唐代各类冠服 涵盖帝后 群臣 女官 士庶 军卫等 展现唐代社会风貌）
》
售價：NT$
398.0
《
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
|
| 編輯推薦： |
|
神经网络在深度学习和人工智能中发挥着非常重要的作用，其应用领域非常广泛，涵盖从医疗诊断、财务预测到机器诊断等多个领域。 本书旨在指导你以实用的方式学习神经网络。书中将简要介绍感知器网络，从而帮助你入门。然后，你将获得有关机器学习的见解，并了解人工智能的未来。接下来，你将研究如何使用嵌入来处理文本数据，并学习长短期记忆网络在解决常见自然语言处理问题中的作用。 本书还将演示如何实现高级概念，包括迁移学习、生成对抗网络、自编码器和强化学习，以及有关神经网络领域新进展的更多内容。 在完成本书的学习后，你将掌握构建、训练和优化自己的神经网络模型所需的技能，该模型能够提供可预测的解决方案。通过阅读本书，你将：·了解如何使用反向传播训练网络。·了解迁移学习的概念，以使用Keras和VGG网络解决任务。·探索如何加载和转换图像以用于神经网络。·掌握LSTM和NLP等高级、复杂的深度学习概念，以掌握知识。·研究如何将神经网络应用于多个领域。·探索创新算法，例如生成对抗网络和深度强化学习。·解决神经网络开发面临的共同挑战。
|
| 內容簡介： |
本书是一本神经网络实践进阶指南，适合对AI和深度学习感兴趣并且想进一步提高技能的读者阅读。
本书从机器学习基础、深度学习应用和高级机器学习这三个方面入手，结合算法理论、代码实现和应用场景，介绍了机器学习的新动向和新技术。本书分为三部分：第1部分网络神经入门，主要介绍了人工智能历史、机器学习概述和神经网络基础；第二部分，深度学习应用，主要是基于卷积神经网络图像处理、文本挖掘、循环神经网络、利用迁移学习重用神经网络；第三部分，高级应用领域，主要介绍对生成对抗网络、自动编码器、损失函数、深度信度网络、强化学习基本定义等。
|
| 關於作者： |
列奥纳多·德·马尔希
（Leonardo De Marchi）
目前是Badoo的数据科学家主管，Badoo是全球最大的交友网站之一，拥有超过4亿名用户。他也是ideai.io（一家专门从事机器学习培训的公司）的首席教练，为大型机构和有活力的初创企业提供技术和管理培训。他拥有人工智能专业硕士学位，曾在体育界担任数据科学家。
劳拉·米切尔
（Laura Mitchell）
目前是Badoo的首席数据科学家。Laura在NLP、图像分类和推荐系统等项目的交付方面具有丰富的实践经验，包括从最初的构思到产品化。她热衷于学习新技术并紧跟行业趋势。
|
| 目錄：
|
译者序
前言
第一部分 神经网络入门
第1章 有监督学习入门2
1.1 人工智能的历史2
1.2 机器学习概述4
1.2.1 有监督学习4
1.2.2 无监督学习4
1.2.3 半监督学习5
1.2.4 强化学习5
1.3 配置环境6
1.3.1 了解虚拟环境7
1.3.2 Anaconda8
1.3.3 Docker9
1.4 Python有监督学习实践9
1.5 特征工程11
1.6 有监督学习算法14
1.6.1 指标15
1.6.2 模型评估17
1.7 总结19
第2章 神经网络基础20
2.1 感知器20
2.2 Keras27
2.3 前馈神经网络29
2.3.1 反向传播介绍31
2.3.2 激活函数33
2.3.3 Keras实现36
2.4 从头开始使用Python编写FFNN40
2.4.1 FFNN的Keras实现43
2.4.2 TensorBoard45
2.4.3 XOR问题中的TensorBoard45
2.5 总结48
第二部分 深度学习应用
第3章 基于卷积神经网络的图像处理50
3.1 理解卷积神经网络50
3.2 卷积层52
3.2.1 池化层55
3.2.2 丢弃层57
3.2.3 归一化层57
3.2.4 输出层57
3.3 Keras中的卷积神经网络58
3.3.1 加载数据58
3.3.2 创建模型60
3.3.3 网络配置60
3.4 Keras表情识别63
3.5 优化网络68
3.6 总结70
第4章 利用文本嵌入71
4.1 面向NLP的机器学习71
4.2 理解词嵌入73
4.2.1 词嵌入的应用73
4.2.2 Word2vec74
4.3 GloVe80
4.3.1 全局矩阵分解80
4.3.2 使用GloVe模型82
4.3.3 基于GloVe的文本分类85
4.4 总结87
第5章 循环神经网络88
5.1 理解循环神经网络88
5.1.1 循环神经网络原理90
5.1.2 循环神经网络类型91
5.1.3 损失函数94
5.2 长短期记忆95
5.2.1 LSTM架构95
5.2.2 Keras长短期记忆实现98
5.3 PyTorch基础知识102
5.4 总结106
第6章 利用迁移学习重用神经网络107
6.1 迁移学习理论107
6.1.1 多任务学习介绍108
6.1.2 重用其他网络作为特征提取器108
6.2 实现多任务学习108
6.3 特征提取110
6.4 在PyTorch中实现迁移学习110
6.5 总结116
第三部分 高级应用领域
第7章 使用生成算法118
7.1 判别算法与生成算法118
7.2 理解GAN120
7.2.1 训练GAN121
7.2.2 GAN面临的挑战123
7.3 GAN的发展变化和时间线124
7.3.1 条件GAN125
7.3.2 DCGAN125
7.3.3 Pix2Pix GAN131
7.3.4 StackGAN132
7.3.5 CycleGAN133
7.3.6 ProGAN135
7.3.7 StarGAN136
7.3.8 BigGAN138
7.3.9 StyleGAN139
7.3.10 Deepfake142
7.3.11 RadialGAN143
7.4 总结144
7.5 延伸阅读144
第8章 实现自编码器146
8.1 自编码器概述146
8.2 自编码器的应用147
8.3 瓶颈和损失函数147
8.4 自编码器的标准类型148
8.4.1 欠完备自编码器148
8.4.2 多层自编码器151
8.4.3 卷积自编码器152
8.4.4 稀疏自编码器155
8.4.5 去噪自编码器156
8.4.6 收缩自编码器157
8.5 变分自编码器157
8.6 训练变分自编码器159
8.7 总结164
8.8 延伸阅读164
第9章 DBN165
9.1 DBN概述165
9.1.1 贝叶斯置信网络166
9.1.2 受限玻尔兹曼机167
9.2 DBN架构176
9.3 训练DBN177
9.4 微调179
9.5 数据集和库179
9.5.1 示例—有监督的DBN分类180
9.5.2 示例—有监督的DBN回归181
9.5.3 示例—无监督的DBN分类182
9.6 总结183
9.7 延伸阅读183
第10章 强化学习184
10.1 基本定义184
10.2 Q-learning介绍187
10.2.1 学习目标187
10.2.2 策略优化188
10.2.3 Q-learning方法188
10.3 使用OpenAI Gym188
10.4 冰湖问题191
10.5 总结199
第11章 下一步是什么200
11.1 本书总结200
11.2 机器学习的未来201
11.3 通用人工智能202
11.3.1 AI伦理问题203
11.3.2 可解释性203
11.3.3 自动化204
11.3.4 AI安全性204
11.3.5 问责制205
11.4 结语205
|
| 內容試閱：
|
从医疗诊断到金融预测，甚至是机器诊断，神经网络（Neural Network，NN）的应用范围非常广泛，在深度学习和人工智能（Artificial Intelligence，AI）中发挥着非常重要的作用。
本书旨在指导读者以实践的方式学习神经网络。书中首先会简要介绍感知器网络，为你后面的学习奠定基础。然后，你可以开始了解机器学习及AI的未来。接下来，你将学习如何使用嵌入技术来处理文本数据，以及长短期记忆（Long Short-Term Memory，LSTM）网络在解决常见自然语言处理（Natural Language Processing，NLP）问题时的作用。后面的章节将演示如何实现高级概念，包括迁移学习、生成对抗网络（Generative Adversarial Network，GAN）、自编码器（Autoencoder，AE）和强化学习（Reinforcement Learning，RL）。最后，你还可以了解更多神经网络领域的最新进展。
通过阅读本书，读者可以掌握构建、训练和优化自己的神经网络模型的技能，这些神经网络能够提供可预测的解决方案。
本书目标读者
本书为中阶书籍，适合对AI和深度学习感兴趣并且想进一步提高技能的读者阅读。
本书结构
第1章涵盖AI（尤其是深度学习）的总体情况。还会介绍从数据变换到评估结果的一系列主要的机器学习概念，这在接下来的深度学习应用章节中非常有用。
第2章介绍深度学习的基础知识及其背后的数学原理。我们还将探索感知器和梯度下降等方面的概念，以及它们背后的数学原理。然后，我们将举例说明如何用它们来构建神经网络，以解决分类问题。
第3章介绍用于解决特定领域问题的更复杂的网络架构。特别是，我们将研究解决某些计算机视觉问题的一些技术。还将介绍预训练的网络如何减少创建和训练神经网络所需的时间。
第4章展示如何将深度学习用于NLP任务，尤其是如何使用嵌入来处理文本数据。此外，本章还会讲解其背后的理论以及一些实际用例。
第5章介绍一种更复杂的网络—RNN，以及其背后的数学原理和概念。特别是，我们将专注于LSTM以及如何将其用于解决NLP问题。
第6章介绍迁移学习。迁移学习是一种将学习泛化到不同的任务，而不仅限于其学习以解决的任务的模型能力。我们还将看到一个使用预训练网络的迁移学习具体示例，通过Keras和著名的VGG网络解决我们的特定问题。
第7章介绍过去十年中机器学习最具创新性的概念之一—GAN。我们将学到GAN的工作原理以及它们背后的数学原理。我们还将提供一个示例，说明如何实现一个GAN来生成简单的手写数字。
第8章讨论什么是自编码器、其背后的数学原理，以及它可以解决哪些问题。特别是，我们将研究如何改进简单的自编码器算法，以及如何通过Keras用自编码器生成简单的手写数字。
第9章讨论什么是深度置信网络（DBN）、其背后的数学原理，以及它们可以解决的问题。
第10章从基本概念（例如蒙特卡洛方法和马尔可夫链方法）开始介绍RL。然后，我们将介绍传统的RL方法以及深度学习是如何改善和振兴这个领域的。
第11章简要总结本书中涉及的所有主题。我们还将向读者提供其他可参考材料的详细信息。最后，我们还将简述神经网络领域可以期待的最新进展。
如何充分利用本书
具备一些统计学知识将有助于你更充分地利用本书。
下载示例代码及彩色图像
本书的示例代码及所有截图和样图，可以从http://www.packtpub.com通过个人账号下载，也可以访问华章图书官网http://www.hzbook.com，通过注册并登录个人账号下载。
本书的代码包也托管在GitHub上（https://github.com/PacktPublishing/Hands-On-Neural-Networks）。如果代码有更新，将在已有的GitHub仓库中进行更新。
我们还提供PDF文件，其中包含本书中使用的屏幕截图或图表的彩色图像。你可以在http://www.packtpub.com/sites/default/files/downloads/9781788992596_ColorImages.pdf下载。
本书约定
本书中使用了许多排版约定。
CodeInText（代码体）：书中的代码、数据库表名称、文件夹名称、文件名、文件扩展名、路径名、用户输入和推特用户名均用代码体表示。例如：“我们选择使用tanh作为激活函数。”
代码块格式如下：
在需要你特别注意的部分，相关的代码行或代码项将以粗体显示：
命令行输入或输出的格式如下：
表示警告或重要提示。
表示提示和技巧。
|
|
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
