新書推薦：
《
礼制考古经典选读
》
售價：NT$
1340.0
《
MATLAB实用教程（第六版）
》
售價：NT$
695.0
《
中国思想的再发现（壹卷：近观系列，沟口雄三教授以其精湛的学术洞察力，旨在呈现一个全面而立体的中国思想图景）
》
售價：NT$
325.0
《
图以载道——传统绘画的图像叙事
》
售價：NT$
390.0
《
骨科康复学（第2版）
》
售價：NT$
1140.0
《
笔记启蒙 ： 英国皇家学会与科学革命
》
售價：NT$
390.0
《
汉语副词研究论集（第六辑）
》
售價：NT$
490.0
《
干戈之影：商代的战争观念、武装者与武器装备
》
售價：NT$
340.0
|
| 編輯推薦： |
理论与实践并重、站在工程与科技的前沿；
提供书中全部程序源代码，可快速进阶到实用阶段；
由浅入深，理论结合实际，案例丰富实用；
取材科学、结构严谨、实用性突出。
|
| 內容簡介： |
本书以Python 3.11.0为平台，以实际应用为背景，通过“概念 公式 经典应用”相结合的形式，深入浅出地介绍Python深度学习实用案例。全书共10章，主要内容包括掀开深度学习的面纱、神经网络的数学基础、机器学习的基础、神经网络分析与应用、计算视觉分析与应用、文本和序列分析与应用、目标检测分析与应用、生成式深度学习分析与应用、人脸检测分析与应用、强化学习分析与应用等内容。通过本书的学习，读者可领略到Python的简单、易学、易读、易维护等特点，同时感受到利用Python进行深度学习的简单、便捷，以及其应用性强等功能特点。
本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关专业科研人员、学者、工程技术人员的参考用书。
|
| 目錄：
|
下载源码
第1章掀开深度学习的面纱
1．1深度学习是什么
1．1．1深度学习的基本思想
1．1．2深度学习和浅层学习
1．1．3深度学习与神经网络
1．1．4深度学习的训练过程
1．2机器学习与深度学习
1．2．1机器学习的算法流程
1．2．2机器学习算法建模
1．2．3机器学习任务
1．2．4深度学习算法流程
1．3深度学习的应用领域与架构
1．3．1深度学习的应用领域
1．3．2深度学习相关框架
1．3．3深度学习实际应用
第2章神经网络的数学基础
2．1认识神经网络
2．2神经网络的数据表示
2．2．1标量
2．2．2向量
2．2．3矩阵
2．2．43D张量与更高维张量
2．2．5关键属性
2．2．6操作张量
2．2．7数据批量
2．2．8现实数据张量
2．3张量运算
2．3．1张量的创建
2．3．2索引和切片访问张量中的数据
2．3．3逐元素运算
2．3．4张量变形
2．3．5广播
2．3．6张量运算的几何解释
2．4梯度优化
2．4．1导数
2．4．2梯度
2．4．3反向传播算法
2．5神经网络剖析
2．5．1层
2．5．2模型
2．5．3损失函数与优化器
2．6Keras介绍
2．6．1Keras的工作方式
2．6．2Keras的设计原则
2．6．3Keras深度学习链接库特色
2．6．4使用Keras创建神经网络
2．6．5使用Keras实现二分类问题
2．6．6使用Keras处理多分类问题
2．6．7使用Keras实现预测房价问题
第3章机器学习的基础
3．1机器学习概述
3．1．1机器学习的历程
3．1．2机器学习的4个分支
3．1．3机器学习的步骤
3．2过拟合和欠拟合
3．2．1减小模型大小
3．2．2添加权重正则化
3．2．3添加dropout正则化
3．3监督学习
3．3．1线性模型
3.3.2逻辑回归
3.3.3支持向量机
3.3.4Adaboost算法
3.3.5决策树
3.3.6随机森林
3.4数据预处理
3.4.1数据预处理概述
3.4.2数据清理
3.4.3数据集成
3.4.4数据变换
3.4.5数据归约
3.4.6Python的数据预处理函数
第4章神经网络分析与应用
4.1单层感知器
4.1.1分类特征表示
4.1.2单层感知器概述
4.1.3多层神经网络
4.2激活函数
4.2.1sigmoid激活函数
4.2.2tanh激活函数
4.2.3ReLU激活函数
4.2.4ReLU6激活函数
4.2.5Leaky ReLU激活函数
4.2.6softmax激活函数
4.2.7ELU激活函数
4.2.8Swish激活函数
4.2.9Mish激活函数
4.2.10Maxout激活函数
4.3解决XOR问题
4.4优化算法
4.4.1梯度下降法
4.4.2AdaGrad算法
4.4.3RMSProp算法
4.4.4AdaDelta算法
4.4.5Adam算法
4.4.6各优化方法实现
4.4.7无约束多维极值
第5章计算视觉分析与应用
5.1从全连接到卷积
5.2卷积神经网络
5.2.1卷积计算过程
5.2.2感受野
5.2.3输出特征尺寸计算
5.2.4全零填充
5.2.5批标准化
5.2.6池化
5.2.7舍弃
5.3现代经典网络
5.3.1LeNet网络
5.3.2AlexNet网络
5.3.3VGGNet网络
5.3.4NiN
5.3.5Google Inception Net网络
5.3.6ResNet网络
5.3.7DenseNet网络
5.4卷积神经网络CIFAR10数据集分类
第6章文本和序列分析与应用
6.1处理文本数据
6.1.1单词和字符的onehot编码
6.1.2使用词嵌入
6.2循环神经网络
6.2.1循环神经网络概述
6.2.2Keras中的循环层
6.2.3RNN的改进算法
6.3ACF和PACF
6.3.1截尾与拖尾
6.3.2自回归过程
6.3.3移动平均过程
6.4循环神经网络的应用
6.4.1温度预测
6.4.2数据准备
6.4.3基准方法
6.4.4基本的机器学习方法
6.4.5第一个循环网络基准
6.4.6使用dropout降低过拟合
6.4.7循环层堆叠
6.4.8使用双向RNN
第7章目标检测的分析与应用
7.1目标检测概述
7.1.1传统目标检测
7.1.2基于深度学习的目标检测
7.1.3目标检测的未来
7.1.4目标检测面临的挑战
7.2目标检测法
7.2.1选择性搜索算法
7.2.2保持多样性的策略
7.2.3锚框实现
7.2.4多尺度目标检测
7.3典型的目标检测算法
7.3.1RCNN算法
7.3.2Fast RCNN算法
7.3.3Faster RCNN算法
7.3.4RPN算法
7.3.5YOLO算法
7.3.6SSD算法
第8章生成式深度学习分析与应用
8.1使用LSTM生成文本
8.1.1如何生成序列数据
8.1.2采样策略
8.2DeepDream算法
8.2.1DeepDream算法原理
8.2.2DeepDream算法流程
8.2.3DeepDream算法实现
8.3风格迁移
8.3.1风格迁移定义
8.3.2风格迁移方法
8.3.3风格迁移实例
8.4深入理解自编码器
8.4.1自编码器
8.4.2欠完备自编码器
8.4.3正则自编码
8.5生成对抗网络
8.5.1GAN原理
8.5.2GAN实现
第9章人脸检测分析与应用
9.1KLT
9.1.1光流
9.1.2KLT算法
9.2CAMShift跟踪目标
9.2.1MeanShift算法
9.2.2CAMShift算法
9.3OpenCV实现人脸识别
9.3.1Haar级联实现人脸检测
9.3.2级联实现实时人脸检测与人脸身份识别
9.4HOG识别微笑
9.4.1HOG原理
9.4.2HOG实例应用
9.5卷积神经网络实现人脸识别微笑检测
9.6MTCNN算法实现人脸检测
第10章强化学习分析与应用
10.1强化学习的特点与要素
10.2Q学习
10.2.1Q学习的原理
10.2.2Q学习经典应用
10.3深度Q学习
10.3.1经验回放
10.3.2回合函数的近似法
10.3.3半梯度下降法
10.3.4目标网络
10.3.5相关算法
10.3.6训练算法
10.3.7深度Q学习的应用
10.4双重深度Q网络
10.5对偶深度Q网络
10.6深度Q网络经典应用
参考文献
|
| 內容試閱：
|
人工智能经历了3次发展浪潮，其中第三次是深度学习的复兴，就目前来看似乎还处在循环的前半段： 技术突破先前的局限而快速发展，投资狂热，追随者甚多。问题是现在的热潮是技术萌芽期的过分膨胀还是昙花一现且将逐渐冷却后进入寒冬？Keras之父Francois Chollet总结了深度学习自身的特质——简单、可扩展、多功能与可利用，并称它确实是“人工智能的革命，且能长盛不衰”。李开复也曾总结第三次浪潮是由商业需求主导的，而这次更多的是解决问题。
那是不是每个人都要学习人工智能、深度学习呢？计算机工程越来越庞大和细分，方向繁多，诸如前端、后端、测试等，纵然是计算机从业人员，到后来大多也只能集中精力在一个方向上深入。实质上，深度学习更像是一种新的思维，能补充我们对计算机乃至世界运行规律的理解。深度学习将传统机器学习中最为复杂的“特征工程”自动化，使机器可以“自主地”抽象和学习更具统计意义的“模式”。
深度学习如何高效入门可以说是AI领域老生常谈的一个问题，一种思路是从传统的统计学习开始，然后跟着书上推导公式学数学； 另一种思路是从实验入手，通过学习深度学习框架TensorFlow和Keras以及具体的图像识别的任务开展。
本书为什么会在众多语言当中选择Python实现深度学习呢？其主要原因如下： Python是一种效率极高的语言； 相比其他语言，Python语言简单、易学、易读、易维护。
另外，对程序员来说，社区是非常重要的，大多数程序员都需要向解决过类似问题的人寻求建议，在需要有人帮助解决问题时，有一个联系紧密、互帮互助的社区至关重要，Python社区就是这样一个社区。
本书立足实践，以通俗易懂的方式详细介绍深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式引导读者入门人工智能深度学习。本书编写特色主要表现在：
1． 内容浅显易懂
本书不会纠缠于晦涩难懂的概念，整本书力求用浅显易懂的语言引出概念，用常用的方式介绍编程、用清晰的逻辑解释思路，帮助非专业人员理解神经网络与深度学习。
2． 知识点全面，实例丰富
深度学习涉及面较广，且有一定的门槛。没有一定广度很难达到一定深度，所以本书内容包括机器学习、深度学习的主要内容。书中各章一般先介绍相应的架构或原理，再通过相应的经典实例进行说明，帮助读者快速领会知识要点。
3． 图文并茂，实用性强
在深度学习中，有很多抽象的概念、复杂的算法、深奥的理论等，如果只用文字来描述，很难达到使读者茅塞顿开的效果，如果用一些图形进行展现，再加上文字注明，那么呈现的效果是一目了然的。
4． 实用性强
本书在理论上突出可读性并兼具知识的深度和广度，实践上强调可操作性并兼具应用的广泛性。书中每章都做到理论与实例相结合，内容丰富、实用，帮助读者快速领会知识要点。并且书中源代码、数据集等读者都可免费获得。
全书共10章，每章的主要内容如下。
第1章掀开深度学习的面纱，主要包括深度学习是什么、机器学习与深度学习、深度学习的应用领域与架构等内容。
第2章神经网络的数学基础，主要包括认识神经网络、神经网络的数据表示、张量运算、梯度优化、神经网络剖析、Keras介绍等内容。
第3章机器学习的基础，主要包括机器学习概述、过拟合和欠拟合、监督学习与数据预处理等内容。
第4章神经网络分析与应用，主要包括单层感知器、激活函数、解决XOR问题、优化算法等内容。
第5章计算视觉分析与应用，主要包括从全连接到卷积、卷积神经网络、现代经典网络、卷积神经网络CIFAR10数据集分类等内容。
第6章文本和序列分析与应用，主要包括处理文本数据、循环神经网络、ACF和PACF、循环神经网络的应用等内容。
第7章目标检测分析与应用，主要包括目标检测概述、目标检测法、典型的目标检测算法等内容。
第8章生成式深度学习分析与应用，主要包括使用LSTM生成文本、DeepDream算法、风格迁移、深入理解自编码器、生成对抗网络等内容。
第9章人脸检测分析与应用，主要包括KLT、CAMShift跟踪目标、OpenCV实现人脸识别、HOG识别微笑、卷积神经网络实现人脸识别微笑检测、MTCNN算法实现人脸检测等内容。
第10章强化学习分析与应用，主要包括强化学习的特点与要素、Q学习、深度Q学习、双重深度Q网络、对偶深度Q网络、深度Q网络经典应用等内容。
本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关专业科研人员、学者、工程技术人员的参考用书。
本书是由佛山科学技术学院丁伟雄编写。
由于时间仓促，加之作者水平有限，书中疏漏之处在所难免，诚恳地期望得到各领域的专家和广大读者的批评指正。
作者2024年6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
