新書推薦：
《
甲骨文丛书·中华早期帝国：秦汉史的重估
》
售價：NT$
1367.0
《
欲望与家庭小说
》
售價：NT$
449.0
《
惜华年（全两册）
》
售價：NT$
320.0
《
甲骨文丛书·古代中国的军事文化
》
售價：NT$
454.0
《
中国王朝内争实录（套装全4册）：从未见过的王朝内争编著史
》
售價：NT$
1112.0
《
半导体纳米器件：物理、技术和应用
》
售價：NT$
806.0
《
创客精选项目设计与制作 第2版 刘笑笑 颜志勇 严国陶
》
售價：NT$
281.0
《
佛山华家班粤菜传承 华家班59位大厨 102道粤菜 图文并茂 菜式制作视频 粤菜故事技法 佛山传统文化 广东科技
》
售價：NT$
1010.0
|
| 編輯推薦： |
（1）介绍机器学习、深度学习等基础知识，阐述与TensorFlow互补的深度学习模型技术，探讨TensorFlow流行的原因；
（2）使用Flask轻量级框架在Web上提供已训练的深度学习模型，给出建立浅神经网络的实用案例；
（3）介绍数据增强和批处理规范化方法，给出使用MNIST数据集训练卷积神经网络的实用案例；
（4）介绍序列数据与递归神经网络，基于IMDB影评系统给出递归神经网络的实用案例；
（5）研究自然语言处理与推荐系统，给出深度自然语言处理及深度协同过滤的实用案例；
（6）详细介绍自动编码器的理论应用以及使用tf-agent模型的强化学习，给出基于Fashion MNIST数据集的图像降噪实用案例；
（7）详细介绍生成对抗网络，基于MNIST数据集实现生成对抗网络生成文本、图像或声音等应用。
|
| 內容簡介： |
|
本书首先介绍深度学习，并与其他机器学习模型进行比较，并阐述与TensorFlow互补的用于创建深度学习模型的技术，如Panda、Scikit-Learn和Numpy。随后介绍有监督的深度学习模型，并使用单层的多个感知器构建浅层神经网络，使用Tensorflow 2.0和Keras API创建真实的应用程序。随后是数据增强和批处理规范化方法，并使用MNIST数据集训练CNN。最后是使用自动编码器的理论应用和无监督学习，以及使用tf-agent模型的强化学习。本书主要面向深度学习和机器学习API领域的数据科学家和程序员。
|
| 關於作者： |
|
汪荣贵，合肥工业大学计算机与信息学院教授，中国人工智能学会离散智能计算专委会委员，安徽省人工智能学会理事，机械工业出版社计算机类教材出版咨询专家；主要研究方向为机器学习与视频图像处理；承担完成国家自然基金企业联合基金、科技部重点研发计划、电子产业基金、安徽省科技攻关重点项目等多个课题，以及中电集团四创电子股份公司等多个企业委托项目；发表80余篇学术论文，近期完成的研究成果获安徽省科技进步二等奖、中电集团科技进步一等奖、合肥市科技进步一等奖，编著出版的《离散数学及其应用》、《算法设计与应用》、《机器学习及其应用》、《机器学习简明教程》深受广大读者好评。
|
| 目錄：
|
第1章绪论
1.1编程语言Python
1.1.1Python发展时间轴
1.1.2Python 2.x与Python 3.x
1.1.3选择Python的原因
1.2机器学习框架TensorFlow
1.2.1TensorFlow发展时间轴
1.2.2选择TensorFlow的原因
1.2.3TensorFlow 2.x的新特点
1.2.4TensorFlow的竞争产品
1.3安装与环境设置
1.4硬件选项和要求
第2章机器学习简介
2.1何为机器学习
2.2机器学习的范围及相关邻域
2.2.1人工智能
2.2.2深度学习
2.2.3数据科学
2.2.4大数据
2.2.5分类图
2.3机器学习方式和模型
2.3.1监督学习
2.3.2非监督学习
2.3.3半监督学习
2.3.4强化学习
2.4机器学习的基本步骤
2.4.1数据收集
2.4.2数据准备
2.4.3模型选择
2.4.4训练
2.4.5评价
2.4.6调优超参数
2.4.7预测
2.5小结
第3章深度学习与神经网络概述
3.1神经网络和深度学习研究的时间轴
3.2人工神经网络的结构
3.2.1McCullochPitts神经元
3.2.2现代深度神经网络
3.3深度学习的优化算法
3.3.1最优化面临的挑战
3.3.2过度拟合与正则化
3.4小结
第4章TensorFlow 2.x的附加程序库
4.1TensorFlow互补程序库的安装
4.1.1使用pip安装
4.1.2程序库的安装
4.2常见程序库
4.2.1NumPy——数组处理
4.2.2SciPy——科学计算
4.2.3Pandas——数组处理与数据分析
4.2.4Matplotlib和Seaborn——数据可视化
4.2.5Scikitlearn——机器学习
4.2.6Flask——部署
4.3小结
第5章TensorFlow 2.0与深度学习流程
5.1TensorFlow基础
5.1.1直接执行
5.1.2张量
5.1.3TensorFlow变量
5.2TensorFlow深度学习流程
5.2.1数据加载与准备
5.2.2构建模型
5.2.3编译、训练、评估模型并进行预测
5.2.4保存并加载模型
5.3小结
第6章前馈神经网络
6.1深度和浅层前馈神经网络
6.1.1浅层前馈神经网络
6.1.2深度前馈神经网络
6.2前馈神经网络架构
6.3案例分析： 燃油经济学与Auto MPG
6.3.1初始安装和导入
6.3.2下载 Auto MPG数据
6.3.3数据准备
6.3.4创建DataFrame
6.3.5丢弃空值
6.3.6处理分类变量
6.3.7将Auto MPG分为训练集和测试集
6.3.8模型构建与训练
6.3.9结果评价
6.3.10使用新的观测数据进行预测
6.4小结
第7章卷积神经网络
7.1为什么选择使用卷积神经网络
7.2CNN的架构
7.2.1CNN中的网络层
7.2.2完整的CNN模型
7.3案例研究： MNIST的图像识别
7.3.1下载MNIST数据
7.3.2图像的重塑与标准化
7.3.3构建卷积神经网络
7.3.4模型的编译与调试
7.3.5评价模型
7.3.6保存训练完成的模型
7.4小结
第8章循环神经网络
8.1序列数据与时序数据
8.2RNN与序列数据
8.3RNN基础
8.3.1RNN的历史
8.3.2RNN的应用
8.3.3RNN的运作机制
8.3.4RNN的类型
8.4案例研究： IMDB影评的情绪分析
8.4.1为Colab准备GPU加速训练
8.4.2基于TensorFlow导入的数据集加载
8.4.3构建循环神经网络
8.5小结
第9章自然语言处理
9.1NLP的历史
9.2NLP的实际应用
9.3主要评估、技术、方法和任务
9.3.1形态句法学
9.3.2语义学
9.3.3语篇
9.3.4语音
9.3.5对话
9.3.6认知
9.4自然语言工具包
9.5案例研究： 深度NLP的文本生成
9.5.1案例实现目标
9.5.2莎士比亚语料库
9.5.3初始导入
9.5.4加载语料库
9.5.5文本向量化
9.5.6创建数据集
9.5.7模型构建
9.5.8编译并训练模型
9.5.9使用训练好的模型生成文本
9.6小结
第10章推荐系统
10.1构建推荐系统的流行方法
10.1.1协同过滤方法
10.1.2基于内容的过滤
10.1.3构建推荐系统的其他方法
10.2案例开发： 深度协同过滤与MovieLens数据集
10.2.1初始导入
10.2.2加载数据
10.2.3数据处理
10.2.4拆分数据集
10.2.5构建模型
10.2.6编译并训练模型
10.2.7进行推荐
10.3小结
第11章自动编码器
11.1自动编码器的优缺点
11.2自动编码器的架构
11.2.1自动编码器的各个层
11.2.2深度的优势
11.3自动编码器的变体
11.3.1欠完备自动编码器
11.3.2正则化自动编码器
11.3.3变分自动编码器
11.4自动编码器的应用
11.5案例研发： Fashion MNIST图像降噪
11.5.1初始导入
11.5.2加载并处理数据
11.5.3向图像中添加噪声
11.5.4构建模型
11.5.5噪声图像的降噪
11.6小结
第12章生成对抗网络
12.1GAN方法
12.2架构
12.2.1生成器网络
12.2.2判别器网络
12.2.3潜在空间层
12.2.4面临的问题： 模式崩溃
12.2.5有关架构的最后注解
12.3GAN的应用
12.3.1艺术与时尚
12.3.2制造与研发
12.3.3电子游戏
12.3.4恶意应用与深度伪造
12.3.5其他应用
12.4案例研发： MNIST数据集的数字生成
12.4.1初始导入
12.4.2加载并处理MNIST数据集
12.4.3构建GAN模型
12.4.4配置GAN模型
12.4.5训练GAN模型
12.4.6图像生成函数
12.5小结
参考文献
|
| 內容試閱：
|
近年来，深度学习技术取得了突破性进展，基于深度神经网络的计算机视觉和自然语言处理技术取得了突飞猛进的发展，在智慧城市、安全监控、人机交互、机器翻译等多个领域取得了巨大的商业价值，极大地激发了人们对深度学习和神经网络的学习热情。具有一定专业深度且通俗易懂的神经网络设计入门教材对于初学者的帮助显然是至关重要的，《TensorFlow神经网络设计——基于Python API深度学习实战》正是这样的一部优秀教材。
本书以TensorFlow 2.0为基本开发平台，通过一系列具体的应用案例，使用通俗易懂的语言比较系统地介绍深度学习的基本概念和神经网络模型设计的基本知识。这些案例涉及的应用领域非常广泛，从图像识别到推荐系统，从艺术图像生成到自然语言处理，为读者的应用系统设计和开发提供了比较宽广的视野。本书的知识内容和知识结构面向神经网络初学者设计，首先概述Python编程语言、机器学习、深度学习和神经网络的基本知识，然后着重介绍前馈神经网络、卷积神经网络、循环神经网络、自动编码器和生成对抗网络等神经网络模型的基本结构，详细讨论了基于TensorFlow 2.0开发平台的神经网络模型的设计技巧和训练方法，以及样本数据集的获取与处理、应用系统开发的基本过程，逐步消除读者在深度学习技术开发应用方面的认知盲点。
本书内容丰富新颖，语言文字表述清晰，应用实例讲解详细具体，图例直观形象，适合作为高等学校人工智能、智能科学与技术、数据科学与大数据技术、计算机科学与技术以及相关专业的本科生或研究生深度学习课程入门性教材，也可供工程技术人员和自学读者学习参考。
本书由汪雄飞、陈朗、汪荣贵共同翻译完成。感谢研究生张前进、江丹、孙旭、尹凯健、王维、张珉、李婧宇、修辉、雷辉、张法正、付炳光、李明熹、董博文、麻可可、李懂、刘兵、王耀、杨伊、陈震、沈俊辉、黄智毅、禚天宇等同学提供的帮助，感谢清华大学出版社王芳编辑的大力支持。
由于时间仓促，译文难免存在不妥之处，敬请读者不吝指正！
译者2023年8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
