新書推薦：
《
十一年夏至
》
售價：NT$
347.0
《
如何打造成功的商业赛事
》
售價：NT$
407.0
《
万千教育学前·透视学前儿童的发展：解析幼儿教师常问的那些问题
》
售價：NT$
265.0
《
慈悲与玫瑰
》
售價：NT$
398.0
《
启蒙的辩证：哲学的片简（法兰克福学派哲学经典，批判理论重要文本）
》
售價：NT$
347.0
《
心跳重置
》
售價：NT$
269.0
《
云中记
》
售價：NT$
347.0
《
中国古代妇女生活（中国古代生活丛书）
》
售價：NT$
214.0
|
| 編輯推薦： |
|
1. 使用PyTorch框架，快速入门深度学习。2. 8个实战案例，分别展示了针对不同的问题使用深度学习技术如何进行解决。3. 提供源程序、数据集、教学课件、教学大纲等学习资源。
|
| 內容簡介： |
|
本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。?? 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。
|
| 關於作者： |
|
吕云翔，北京航空航天大学教师。 比利时布鲁塞尔大学应用科学学院应用信息技术专业硕士、经济学院工商管理专业硕士。具有多年的软件开发、项目管理、计算机教学经验。对IT行业具有较全面的认识。2003至今任北航软件学院副教授。研究领域包括：软件工程 IT项目管理。
|
| 目錄：
|
|
第 1 章 深度学习简介 1 1.1 计算机视觉 11.1.1 定义 11.1.2 基本任务 11.1.3 传统方法 21.1.4 仿生学与深度学习 31.1.5 现代深度学习 41.2 自然语言处理 71.2.1 自然语言处理的基本问题 71.2.2 传统方法与神经网络方法的比较 81.2.3 发展趋势 91.3 强化学习 101.3.1 什么是强化学习 101.3.2 强化学习算法简介 121.3.3 强化学习的应用 121.4 本章小结 13第 2 章 深度学习框架 142.1 Caffe 142.1.1 什么是 Caffe 142.1.2 Caffe 的特点 142.1.3 Caffe 概述 152.2 TensorFlow 162.2.1 什么是 TensorFlow 162.2.2 数据流图 162.2.3 TensorFlow 的特点 172.2.4 TensorFlow 概述 172.3 PyTorch 202.3.1 什么是 PyTorch 202.3.2 PyTorch 的特点 202.3.3 PyTorch 概述 202.4 三者的比较 222.5 本章小结 24第 3 章 机器学习基础知识 253.1 模型评估与模型参数选择 253.1.1 验证 263.1.2 正则化 263.2 监督学习与非监督学习 263.2.1 监督学习 273.2.2 非监督学习 283.3 本章小结 29第 4 章 PyTorch 深度学习基础 304.1 Tensor 对象及其运算 304.2 Tensor 的索引和切片 324.3 Tensor 的变换、拼接和拆分 334.4 PyTorch 的 Reduction 操作 354.5 PyTorch 的自动微分 364.6 本章小结 38第 5 章 Logistic 回归 395.1 线性回归简介 395.2 Logistic 回归简介 415.3 用 PyTorch 实现 Logistic 回归 435.3.1 数据准备 435.3.2 线性方程 445.3.3 激活函数 455.3.4 损失函数 455.3.5 优化算法 475.3.6 模型可视化 475.4 本章小结 48第 6 章 神经网络基础 496.1 基础概念 496.2 感知器 526.2.1 单层感知器 526.2.2 多层感知器 536.3 BP 神经网络 536.3.1 梯度下降 536.3.2 反向传播 546.4 Dropout 正则化 556.5 Batch Normalization 566.5.1 Batch Normalization 的实现方式 576.5.2 Batch Normalization 的使用方法 586.6 本章小结 59第 7 章 卷积神经网络与计算机视觉 607.1 卷积神经网络的基本思想 607.2 卷积操作 617.3 池化层 637.4 卷积神经网络 647.5 经典网络结构 647.5.1 VGG 网络 647.5.2 InceptionNet 657.5.3 ResNet 667.6 用 PyTorch 进行手写数字识别 677.7 本章小结 72第 8 章 神经网络与自然语言处理 738.1 语言建模 738.2 基于多层感知器的架构 758.3 基于循环神经网络的架构 768.3.1 循环单元 778.3.2 通过时间反向传播 778.3.3 带有门限的循环单元 788.3.4 循环神经网络语言模型 798.3.5 神经机器翻译 808.4 基于卷积神经网络的架构 838.5 基于 Transformer 的架构 858.5.1 多头注意力 868.5.2 非参位置编码 888.5.3 编码器单元与解码器单元 888.6 表示学习与预训练技术 898.6.1 词向量 908.6.2 加入上下文信息的特征表示 918.6.3 网络预训练 928.7 本章小结 95第 9 章 实战：使用 PyTorch 实现基于卷积神经网络模型的图像分类与数据可视化 969.1 卷积神经网络模型 969.1.1 卷积神经网络模型的发展 969.1.2 Tensorboard 979.2 卷积神经网络模型与 Tensorboard实战 979.2.1 FashionMNIST 数据集 979.2.2 数据准备与模型搭建 989.2.3 Tensorboard 的使用 1009.3 本章小结 108第 10 章 实战：使用 PyTorch 实现基于textCNN的文本分类 10910.1 文本分类常用的 Python 工具库 10910.2 数据集 11010.3 算法模型 11110.3.1 模型介绍 11110.3.2 模型实现 11410.3.3 模型结果 11510.4 本章小结 115第 11 章 实战：使用 PyTorch 搭建卷积神经网络进行音频转化 11611.1 数据集准备 11611.2 数据预处理 11611.2.1 数据集读取 11611.2.2 音频文件分段 11711.2.3 CQT 11811.3 模型构建 11911.3.1 激活函数 11911.3.2 模型分析 12011.3.3 ReLU 激活函数的定义和实现.12011.3.4 flatten 函数平整层处理 12111.3.5 sigmoid 激活函数 12211.4 模型训练与结果评估 12211.4.1 adam 优化器 12211.4.2 学习率策略定义 12211.4.3 准确度验证 12311.4.4 训练 12411.5 本章小结 124第 12 章 实战：使用 PyTorch 实现YOLOv3 的验证码识别 12512.1 YOLOv3 12512.1.1 YOLOv3 概述 12512.1.2 YOLOv3 与 PyTorch 12512.1.3 YOLOv3 案例的意义 12612.2 目标检测案例：验证码中的简单文字识别 12612.2.1 YOLOv3 的安装和文档 12612.2.2 训练集的获取和数据标注 12612.2.3 模型训练 12812.2.4 模型的测试与预览 12812.3 YOLO 的其他拓展 12912.4 本章小结 129第 13 章 实战：使用 PyTorch 实现基于预训练模型的文本情感分析 13013.1 模型介绍 13013.1.1 预训练模型 13013.1.2 BERT 13013.2 情感分类介绍 13113.2.1 文本情感分析 13113.2.2 BERT 情感分析原理简析 13113.3 环境搭建 13113.3.1 环境选择 13213.3.2 Conda 简介 13313.3.3 Huggingface-Transformer 简介 13313.3.4 Huggingface-Transformer 下载 13313.4 数据集获取 13313.5 模型微调 13413.6 效果测评 13613.7 本章小结 137第 14 章 实战：用 PyTorch 进行视频处理 13814.1 数据准备 13814.2 数据预处理 13914.2.1 数据集的读取 13914.2.2 视频关键帧的提取 13914.3 模型构建 14014.3.1 ResNet-18 提取关键帧的特征 14114.3.2 L2 正则化关键帧特征 14214.3.3 视频相似度匹配 14214.3.4 帧级相似度匹配 14314.4 模型训练与结果评估 14514.4.1 训练函数的实现 14514.4.2 训练结果提交 14614.5 本章小结 146第 15 章 实战：使用 PyTorch 在跨域数据集上进行图像分类 14715.1 迁移学习 14715.2 跨域数据集 14815.3 ResNet-50 14915.4 案例分析 14915.4.1 数据预处理 14915.4.2 读取数据 15115.4.3 训练 15315.5 本章小结 154第 16 章 实战：使用 PyTorch 实现基于BERT的自动新闻文本分类 15516.1 文本分类概述 15516.2 BERT 简介 15616.3 数据预处理 15816.4 模型实现 15916.5 本章小结 160附录 A PyTorch 环境搭建 161A.1 Linux 平台下 PyTorch 环境搭建 161A.2 Windows 平台下 PyTorch 环境搭建.163附录 B 深度学习的数学基础 165B.1 线性代数 165B.2 概率论 172
|
|
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
