-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

PaddlePaddle深度學習實戰

( 簡體 字)
作者:劉祥龍 楊晴虹 譚中意 蔣曉琳 等編著類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:機械工業出版社PaddlePaddle深度學習實戰 3dWoo書號: 49240
詢問書籍請說出此書號!

有庫存
NT售價: 345

出版日:6/1/2018
頁數:246
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787111600466
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

人工智能(AI)前景無量已經成為業界共識,國內外很多企業都聚集了各種資源大力發展人工智能。人工智能并不是一個新生的名詞,在數十年的發展歷程中,像“深度學習”這樣在學術界和工業界皆具顛覆性的技術可謂十年難遇。作為國內人工智能領域的領頭羊,百度在AI領域早已深耕多年,特別是在深度學習領域建樹頗豐。百度通過應用深度學習技術,使其在語音、視覺、文本、無人駕駛等各領域都處于領先位置。百度著力打造大AI生態,傾其全力推動中國AI產業大力發展。2016年,百度開源了其內部使用的深度學習框架PaddlePaddle。

深度學習算法十分強大,但深入理解和靈活運用深度學習算法并不是一件容易的事情,尤其是復雜的數學模型和計算過程讓不少同學剛入門就放棄了。現在市面上有不少科普型的書,主要作用是從宏觀上描述深度學習的發展和用途,沒有對細節的描述,只起到了提振讀者信心的作用。同時,也不乏學界大牛的全而難的“大部頭”著作,但是其中幫助初學者入門深度學習的內容并不多。本書針對此現狀立足于PaddlePaddle框架,從算法到應用由淺入深地帶領讀者一步一步進入AI技術世界。

本書從實戰的角度出發,旨在幫助讀者掌握滿足工業需求的實際技能。在真實工業開發中框架是必不可少的,現在市面上框架很多且各具特色,其中PaddlePaddle因為其具有上手容易、運行效率高、支持私有云等優勢,受到越來越多的公司和個人的青睞。雖然開發者對PaddlePaddle表現出了濃厚的興趣,可惜的是市面上還沒有一本關于PaddlePaddle的書。為了讓更多的開發者享受到深度學習帶來的福利,于是由百度發起,特邀北航參與,兩家精誠合作聯袂打造了本書。

本書采用由簡入繁的原則撰寫而成。我們希望本書能成為一名能帶領讀者領略PaddlePaddle精妙的精神導游。從較為簡單的線性回歸、邏輯回歸到較為復雜的RNN數字識別、個性化推薦、云上部署等,本書結合若干實例,系統地介紹了PaddlePaddle的使用特點。教會讀者如何使用框架就像教會了讀者一套外功拳法。然而本書不僅關注框架本身的細節用法,還非常注重基礎知識和理論,目的是教會讀者內功心法。書中既詳細描述了神經網絡的各個細節,也深入講解了算法性能優化的思路和技巧,旨在幫助讀者深入理解深度學習的精髓。

本書共分為10章,每一章都包含理論介紹和對應的代碼實現。除了第1章講述主要的數學基礎外,其余各章都有PaddlePaddle的代碼實現。

第1章介紹數學基礎和Python庫的使用。

第2章回顧神經網絡的發展歷程和機器學習的基本概念,使用線性回歸作為PaddlePaddle的入門示例。

第3章以邏輯回歸為主線介紹單個神經元的工作原理,分別使用numpy庫和PaddlePaddle實現邏輯回歸模型的貓臉分類。

第4章開始正式介紹神經網絡。以雙層的網絡為例深入講解BP算法的計算過程,分別用numpy庫和PaddlePaddle實現“花”的點集分類問題。

第5章介紹深度神經網絡的相關知識,總結神經網絡的核心算法運算過程。然后使用深度網絡再次分別使用numpy庫和PaddlePaddle實現貓臉分類。

第6章以圖像分類為切入點深入講解卷積神經網絡的相關細節,同時介紹幾種經典的網絡模型。接著介紹用PaddlePaddle實現基于MNIST數據集的手寫數字的識別。

第7章介紹個性化推薦系統的算法,包括基于傳統機器學習的推薦方法和基于深度學習的推薦方法,其中重點介紹深度學習的融合推薦系統。同時介紹使用PaddlePaddle在ml-1m 數據集上完成推薦系統的具體實現。

第8章以個性化推薦系統為例,詳細講解PaddlePaddle Cloud的使用方法,介紹在云上如何創建、配置集群,如何提交單節點任務等,并實現基于PaddlePaddle Cloud搭建分布式深度學習推薦網絡模型。

第9章介紹PaddlePaddle的又一個應用場景,即廣告點擊通過率預估(CTR),重點介紹CTR的基本過程和常見模型,然后基于Kaggle數據集網站的Avazu數據集,使用PaddlePaddle實現訓練和預測的整個過程。

第10章系統介紹算法優化的思路和方法。從深度學習系統的實踐流程開始,介紹評估和調優策略等重要概念和思想,并結合實例給出調優的具體效果。

本書適合的讀者主要包含:

對PaddlePaddle框架感興趣的開發者;

希望學習深度學習的在校大學生和在職的程序員;

從事深度學習教學工作的一線教師;

希望深入理解深度學習的產品經理。

閱讀本書最好具備以下要求:至少具有高中以上的數學基礎,具有基本的編程能力(擁有Python編程經驗更好)。如果讀者具有機器學習的相關經驗,那么學習起來會更加輕松。
內容簡介:

本書由深度學習技術及應用國家工程實驗室、百度技術學院聯合北航人工智能專家共同撰寫,行業實踐與學術理論兼顧。百度公司總裁張亞勤博士、李德毅院士、百度高級副總裁/AI技術平臺體系總負責人王海峰博士等行業領袖重點推薦。

PaddlePaddle憑借上手容易、運行效率高、支持私有云等優勢,受到越來越多的公司和個人開發者青睞。本書從實戰角度出發,旨在幫助讀者掌握在真實的生產環境中需要的開發技能。本著由簡入繁的原則,從較為簡單的線性回歸、邏輯回歸開始,講解到較為復雜的CNN數字識別、個性化推薦、云上部署等,不僅系統地講解了PaddlePaddle的理論知識要點,還結合若干實例系統地介紹了PaddlePaddle的功能使用和特點。本書既詳細描述了神經網絡的各個細節,又深入講解了深度學習算法性能優化的思路和技巧,旨在幫助讀者深入理解深度學習的精髓。

本書提供配套的教學PPT。
目錄:


前言
致謝
第1章 數學基礎與Python庫 1
1.1 Python是進行人工智能編程的
主要語言 1
1.2 數學基礎 4
1.2.1 線性代數基礎 4
1.2.2 微積分基礎 8
1.3 Python庫的操作 17
1.3.1 numpy操作 17
1.3.2 matplotlib操作 23
本章小結 27
第2章 深度學習概論與PaddlePaddle入門 28
2.1 人工智能、機器學習與深度學習 29
2.1.1 人工智能 30
2.1.2 機器學習 30
2.1.3 深度學習 31
2.2 深度學習的發展歷程 32
2.2.1 神經網絡的第一次高潮 32
2.2.2 神經網絡的第一次寒冬 33
2.2.3 神經網絡的第二次高潮 34
2.2.4 神經網絡的第二次寒冬 35
2.2.5 深度學習的來臨 35
2.2.6 深度學習崛起的時代背景 36
2.3 深度學習的應用場景 36
2.3.1 圖像與視覺 37
2.3.2 語音識別 37
2.3.3 自然語言處理 38
2.3.4 個性化推薦 38
2.4 常見的深度學習網絡結構 39
2.4.1 全連接網絡結構 39
2.4.2 卷積神經網絡 40
2.4.3 循環神經網絡 41
2.5 機器學習回顧 41
2.5.1 線性回歸的基本概念 42
2.5.2 數據處理 44
2.5.3 模型概覽 45
2.5.4 效果展示 46
2.6 深度學習框架簡介 47
2.6.1 深度學習框架的作用 47
2.6.2 常見的深度學習框架 48
2.6.3 PaddlePaddle簡介 49
2.6.4 PaddlePaddle使用 49
2.7 PaddlePaddle實現 51
本章小結 60
第3章 深度學習的單層網絡 61
3.1 Logistic回歸模型 62
3.1.1 Logistic回歸概述 62
3.1.2 損失函數 64
3.1.3 Logistic回歸的梯度下降 66
3.2 實現Logistic回歸模型 71
3.2.1 Python版本 72
3.2.2 PaddlePaddle版本 81
本章小結 90
第4章 淺層神經網絡 92
4.1 神經網絡 92
4.1.1 神經網絡的定義及其結構 92
4.1.2 神經網絡的計算 94
4.2 BP算法 100
4.2.1 邏輯回歸與BP算法 101
4.2.2 單樣本雙層神經網絡的BP算法 101
4.2.3 多個樣本神經網絡BP算法 105
4.3 BP算法實踐 108
4.3.1 Python版本 109
4.3.2 PaddlePaddle版本 116
本章小結 122
第5章 深層神經網絡 123
5.1 深層網絡介紹 123
5.1.1 深度影響算法能力 124
5.1.2 網絡演化過程與常用符號 125
5.2 傳播過程 127
5.2.1 神經網絡算法核心思想 127
5.2.2 深層網絡前向傳播過程 128
5.2.3 深層網絡后向傳播過程 129
5.2.4 傳播過程總結 130
5.3 網絡的參數 132
5.4 代碼實現 133
5.4.1 Python版本 133
5.4.2 PaddlePaddle版本 136
本章小結 140
第6章 卷積神經網絡 141
6.1 圖像分類問題描述 141
6.2 卷積神經網絡介紹 142
6.2.1 卷積層 142
6.2.2 ReLU激活函數 147
6.2.3 池化層 148
6.2.4 Softmax分類層 149
6.2.5 主要特點 151
6.2.6 經典神經網絡架構 152
6.3 PaddlePaddle實現 159
6.3.1 數據介紹 159
6.3.2 模型概覽 160
6.3.3 配置說明 160
6.3.4 應用模型 168
本章小結 169
第7章 個性化推薦 170
7.1 問題描述 170
7.2 傳統推薦方法 171
7.2.1 基于內容的推薦 172
7.2.2 協同過濾推薦 173
7.2.3 混合推薦 175
7.3 深度學習推薦方法 176
7.3.1 YouTube的深度神經網絡推薦系統 176
7.3.2 融合推薦系統 178
7.4 個性化推薦系統在PaddlePaddle上的實現 180
7.4.1 數據準備 180
7.4.2 模型配置 182
7.4.3 模型訓練 184
7.4.4 模型測試 188
本章小結 188
第8章 個性化推薦的分布式實現 190
8.1 PaddlePaddle Cloud介紹 190
8.2 PaddlePaddle Cloud使用 192
8.2.1 創建集群 192
8.2.2 配置集群 192
8.2.3 配置客戶端 193
8.3 個性化推薦在PaddlePaddle Cloud上的實現 194
8.3.1 提交單節點任務 194
8.3.2 個性化推薦在PaddlePaddle Cloud上的實現 196
本章小結 199
第9章 廣告CTR預估 200
9.1 CTR預估簡介 200
9.1.1 CTR定義 201
9.1.2 CTR與推薦算法的異同 202
9.1.3 CTR預估的評價指標 202
9.2 CTR預估的基本過程 205
9.2.1 CTR預估的三個階段 206
9.2.2 CTR預估中的特征預處理 206
9.3 CTR預估的常見模型 208
9.3.1 LR模型 208
9.3.2 GBDT模型 210
9.3.3 GBDT+LR模型 212
9.3.4 FM+DNN模型 214
9.3.5 MLR模型 215
9.4 CTR預估在工業上的實現 217
9.5 CTR預估在PaddlePaddle上的實現 218
9.5.1 數據集 218
9.5.2 預測模型選擇和構建 219
9.5.3 PaddlePaddle完整實現 222
本章小結 226
第10章 算法優化 227
10.1 基礎知識 227
10.1.1 訓練、驗證和測試集 227
10.1.2 偏差和方差 228
10.2 評估 229
10.2.1 選定評估目標 229
10.2.2 迭代過程 230
10.2.3 欠擬合和過擬合 230
10.3 調優策略 231
10.3.1 降低偏差 231
10.3.2 降低方差 236
10.4 超參數調優 242
10.4.1 隨機搜索和網格搜索 242
10.4.2 超參數范圍 243
10.4.3 分階段搜索 243
10.4.4 例子:對學習率的調整 244
本章小結 245
序: