│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號 目前顯示有庫存 顯示全部書籍 詳細書籍分類

深度學習 : 算法入門與Keras編程實踐 ( 簡體 字)
作者：李易 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	3dWoo書號： 54337 詢問書籍請說出此書號！ 【缺書】 NT售價： 450 元
出版日：3/1/2021
頁數：
光碟數：0
站長推薦：
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：9787111674153
作者序　|　譯者序　|　前言　|　內容簡介　|　目錄　|　序
(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： 隨著現代化計算機科學的發展以及計算機運算能力的提升，人工智能得以高速發展并迅速走進我們的生活和工作之中。而深度學習作為人工智能領域的“排頭兵”，經過十多年的發展，已經能夠出色地完成非常復雜的工作，并將在未來新一輪的產業升級中起到至關重要的作用。本書從基礎理論和編程實踐兩方面展開論述，帶領讀者在算法層面上理解各種神經網絡模型，并借助Keras框架搭建和訓練模型，應用于解決實際問題。 全書共12章。第1章講解如何搭建深度學習的編程環境，并簡單回顧了學習深度學習必備的數學知識。第2章從回歸算法出發帶領讀者踏上深度學習之路。第3～9章全面講解時下幾種主流的神經網絡結構，包括多層感知機（MLP）、卷積神經網絡（CNN）、循環神經網絡（RNN）、自動編碼器（AE）、變分自動編碼器（VAE）、對抗生成網絡（GNN）等。第10～12章著重介紹時下幾類主流的深度學習應用，包括圖像識別、目標檢測和自然語言處理等。無論是算法原理還是編程實踐，本書都從易到難、循序漸進地講解，并配合簡單輕松的實例幫助讀者加深印象。 本書定位為一本深度學習入門教程，旨在幫助讀者快速建立深度學習知識體系，并使讀者能通過訓練簡單的神經網絡模型來解決實際問題。對于希望在深度學習這門學科上深耕細作、更上一層樓的讀者，筆者建議選定自己感興趣的方向（如計算機圖像處理、自然語言處理、強化學習等），通過閱讀論文及勤寫代碼來全面提升自己的水平。 本書不僅適用于需要在工作中應用深度學習技術的專業人員，而且適用于具備一定計算機編程基礎的人工智能和深度學習愛好者。對于大專院校相關專業的師生，本書也是一本不錯的參考讀物。 由于筆者水平有限，書中難免有不足之處，懇請廣大讀者批評指正。讀者除了可掃描二維碼關注公眾號獲取資訊以外，也可加入QQ群815551372進行交流。 李易 2020年12月
內容簡介： 深度學習作為人工智能領域的“排頭兵”，將在未來的新一輪產業升級中起到至關重要的作用。本書以“理論＋實踐”的形式幫助讀者快速建立深度學習知識體系，使讀者不僅能在算法層面上理解各種神經網絡模型，而且能借助功能強大且極易上手的Keras框架，熟練地搭建和訓練模型，應用于解決實際問題。 全書共12章，內容涵蓋入門深度學習的絕大部分基礎知識。第1章講解如何搭建深度學習的編程環境，并簡單回顧了學習深度學習必備的數學知識。第2章從回歸算法出發帶領讀者踏上深度學習之路。第3～9章全面講解時下幾種主流的神經網絡結構，包括多層感知機（MLP）、卷積神經網絡（CNN）、循環神經網絡 （RNN）、自動編碼器（AE）、變分自動編碼器（VAE）、對抗生成網絡（GNN）等。第10～12章著重介紹時下幾類主流的深度學習應用，包括圖像識別、目標檢測和自然語言處理等。無論是算法原理還是編程實踐，本書都從易到難、循序漸進地講解，并配合簡單輕松的實例幫助讀者加深印象。 本書不僅適用于需要在工作中應用深度學習技術的專業人員，而且適用于具備一定計算機編程基礎的人工智能和深度學習愛好者。對于大專院校相關專業的師生，本書也是一本不錯的參考讀物。
目錄： 前言 如何獲取學習資源 第1章　深度學習入門 1.1　Keras的介紹與安裝 13 1.2　學習深度學習需要具備的數學基礎知識 16 第2章　回歸算法 2.1　線性回歸 31 2.2　多元線性回歸 39 2.3　邏輯回歸 42 第3章　神經網絡入門 3.1　簡單神經網絡的基本結構 50 3.2　正向傳播 51 3.3　激活函數 53 3.4　MLP的反向傳播與求導 55 3.5　MLP的損失函數 59 3.6　權重初始化 62 3.7　案例：黑白手寫數字識別 64 第4章　神經網絡進階—如何提高性能 4.1　欠擬合和過擬合問題 69 4.2　模型診斷與誤差分析 71 4.3　避免過擬合的“良藥”—正則化 73 4.4　優化算法 76 4.4.1　基于梯度下降法的優化算法 76 4.4.2　進階優化算法 78 4.5　其他優化性能的方法 81 4.6　模型訓練的檢查清單 83 第5章　卷積神經網絡 5.1　CNN的構想來源 86 5.2　卷積層 88 5.3　濾波器 89 5.3.1　濾波器的運算規則 89 5.3.2　濾波器的作用 91 5.3.3　填充和步長 95 5.4　彩色圖像輸入 98 5.5　反向傳播 101 5.6　池化層 103 5.7　CNN案例 104 5.7.1　黑白手寫數字識別 104 5.7.2　彩色圖像分類 107 第6章　循環神經網絡 6.1　RNN的基本結構 115 6.2　RNN的正向傳播 118 6.3　RNN的反向傳播 120 6.4　簡單的RNN案例 122 6.5　訓練RNN時的問題與解決方案 129 6.5.1　梯度爆炸和梯度消失 130 6.5.2　梯度問題的解決方案 132 6.6　解決長期依賴問題的“良藥”—GRU和LSTM 133 6.6.1　GRU 134 6.6.2　LSTM 138 6.7　RNN案例：影評分析 142 6.7.1　準備知識—詞嵌入 142 6.7.2　代碼解析 144 第7章　自動編碼器 7.1　AE的結構 149 7.2　重構損失 151 7.3　簡單的AE案例 153 7.4　Sparse AE 155 7.5　去噪自動編碼器 157 7.6　上色器 160 第8章　變分自動編碼器 8.1　VAE的結構 171 8.2　對VAE的深層理解 174 8.3　損失函數 175 8.4　重參數技巧 180 8.5　VAE案例 181 第9章　對抗生成網絡 9.1　GAN的基本結構 191 9.2　GAN的訓練 192 9.3　GAN的數學原理 195 9.4　GAN案例：DCGAN 198 第10章　AI的眼睛Ⅰ—基于CNN的圖像識別 10.1　VGGNet 209 10.2　Inception 214 10.3　ResNet 220 10.4　遷移學習 226 第11章　AI的眼睛Ⅱ—基于CNN的目標檢測 11.1　R-CNN 232 11.2　Fast R-CNN 241 11.3　Faster R-CNN 243 11.4　YOLO算法 246 第12章　循環神經網絡的進階算法 12.1　BRNN 250 12.2　Encoder-Decoder 255 12.3　注意力機制 257
序：