-- 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

深度學習的數學原理與實現

( 簡體 字)
作者:王曉華類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:清華大學出版社深度學習的數學原理與實現 3dWoo書號: 54553
詢問書籍請說出此書號!

缺書
NT售價: 295

出版日:6/1/2021
頁數:210
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:9787302580287
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:

隨著深度學習和人工智能的興起,深度學習和人工智能引領了一個新的全行業的研究方向,改變了人類固有的處理問題和解決問題的方法和認知。目前各個領域都在處于使用深度學習進行重大突破的階段,同時深度學習本身也具有巨大的發展空間。
深度學習作為目前最前沿的科技應用,近年來獲得了非常高的發展速度,應用深度學習解決以往實踐中的難題成為很多開發人員的首選。
目前市場上關于深度學習的書不少,然而基本上以應用居多,偶爾會涉及理論應用,但真正從理論出發,通過數學原理加理論的方式講解一定公式的書卻很少。
本書從深度學習的基礎知識出發,對深度學習每個組成部分的原理進行介紹,并推導出其中的原理和數學公式。鑒于讀者的水平可能參差不齊,筆者對每個公式和知識點都做了詳細的講解,可以說是手把手地向讀者傳授深度學習的理論知識。
本書并不是單純的理論公式堆積,同時還準備了具體的實現代碼,讓讀者學習知識的同時,能通過動手實踐深入了解這些知識。
本書特色
講解活潑,文字有趣,提高學習效率
本書以講解深度學習數學原理和理論為基礎,但是從寫作方法和技巧上來看,本書寫作風格活潑,講解通俗易懂,便于讀者理解。
運用多種寫作技巧,激發讀者閱讀興趣
本書應用多種寫作手法,數學原理、公式推導、實現代碼以及示圖交相出現,便于讀者理解。
主線貫穿,重點明確,脈絡清晰
本書對全部知識點的脈絡有一個清晰的主線,每個知識點都指明了核心要點和使用技巧,使閱讀者能夠明確重點。本書循序漸進地講解原理,對其發展和改進技巧都做了明確介紹。
注重實戰,拿來即用
本書所有的內容都有代碼支持,具有很高的應用價值和參考性。其中的代碼經稍加修改便可用于實際項目開發中。
本書內容知識體系
第1章 Hello World—從計算機視覺與人類視覺談起
介紹人類視覺和深度學習的聯系,引導讀者進入深度學習知識體系的學習。
第2章 道士下山—故事的開始
本章介紹深度學習中最為重要的梯度下降算法,講授其原理和實現方法,此章開始正式進入深度學習理論部分的學習。
第3章 貓還是狗—深度學習中的卷積與其他函數
本章對深度學習中的卷積函數原理和推導公式進行介紹,同時還介紹其用到的激活、分類以及池化函數。
第4章 水晶球的秘密—信息熵、決策樹與交叉熵
本章介紹計算損失函數所使用的交叉熵、決策樹和信息熵的內容。從本章開始作者有目的地引導讀者學會對現有研究技術的改進,講解從哪些方面去完善和改進現有技術。
第5章 Mission Impossible!——把不可能變成可能的機器學習
本章是機器學習部分,介紹線性回歸和邏輯回歸的基本方法和內容,以及近似計算的理論和計算原理。
第6章 書中自有黃金屋——橫掃股市的時間序列模型
本章介紹時間序列模型的基本原理、使用方法以及后續的研究者對其的改進。
第7章 書中自有顏如玉——GAN is a girl
本章介紹對抗生成的基本原理以及使用方法、對抗生成原理的公式和其中相對熵的推導和實現,并且向讀者展示了對抗生成原理在實際中的應用。
第8章 休息一下,Let’s play TensorFlow
本章是一個演示章節,向讀者介紹TensorFlow框架使用和對數據的可視化區分,向讀者展示TensorFlow游樂場的秘密。感興趣的讀者可以在其中手動演示不同的參數對結果的影響。
第9章 你喜歡什么我全知道—推薦系統的原理
本章向讀者介紹使用推薦引擎進行推薦的原理和方法,包括基于物品的推薦和基于用戶的推薦,以及使用深度學習進行推薦的原理和方法。
第10章 整齊劃一畫個龍——深度學習中的標準化、正則化與初始化
對于深度學習來說,正則化是一個必不可少的手段和步驟。正則化的作用是將深度學習模型中的訓練數據進行處理,以便模型在計算時能夠更加容易地對數據進行擬合。本章介紹深度學習模型多種正則化的公式和應用。
第11章 眾里尋她千百度——人臉識別的前世今生
人臉識別是目前最重要的一個深度學習應用方向。本章介紹人臉識別中最常用的2個深度學習模型,并以此為契機介紹一種新的三元激活函數—Triplet Loss,同時還不忘對softmax的溫習和對softmax的改進。
第12章 梅西-阿根廷+意大利=?—有趣的詞嵌入向量
詞嵌入向量(Word Embedding)是目前最常用的深度學習自然語言處理的基礎,也是最重要的一個應用,其開啟了文本信息處理的通用模式。本章對詞嵌入向量進行介紹,并且引導讀者在常用Python代碼的基礎上使用少量TensorFlow程序進行文檔分類。
源碼下載與技術支持
本書配套的資源,請用微信掃描右邊二維碼獲取,可按掃描出來的頁面提示,把下載鏈接轉到自己的郵箱中下載。如果學習本書過程中發現問題,請聯系booksaga@163.com,郵件主題為“深度學習的數學原理與實現”。
適合閱讀本書的讀者
● 深度學習算法和數學愛好人員;
● 深度學習算法開發人員;
● AI學習與研究人員;
● 希望提高深度學習開發水平的人員;
● 專業培訓機構的學員;
● 深度學習開發的項目經理。

王曉華
2021年3月
內容簡介:

深度學習已經進入我們的生活,云計算和大數據為深度學習提供了便利。本書主要講解深度學習中的數學知識、算法原理和實現方法,配套源碼、數據集和開發環境。
本書共12章。第1章介紹人類視覺和深度學習的聯系。第2章介紹深度學習中最為重要的梯度下降算法。第3章介紹卷積函數。第4章介紹計算損失函數所使用的交叉熵、決策樹和信息熵。第5章介紹線性回歸和邏輯回歸。第6、7章介紹時間序列模型和生成對抗網絡。第8章介紹TensorFlow框架。第9章介紹推薦算法。第10章介紹深度學習中的標準化、正則化和初始化。第11章是案例人臉識別。第12章是詞嵌入向量案例,介紹自然語言處理方面的應用。
本書理論和實踐相結合,理論講解細致直觀,通過實例進行演示,可以使讀者快速掌握本書內容。本書適合深度學習初學者、深度學習算法開發人員閱讀,也適合高等院校和培訓機構人工智能相關專業的師生參考。
目錄:

第1章HelloWorld—從計算機視覺與人類視覺談起 1
1.1人類的視覺 1
1.1.1人類視覺神經的啟迪 1
1.1.2計算機視覺的難點與人工神經網絡 2
1.1.3應用深度學習解決計算機視覺問題 3
1.2計算機視覺學習的基礎與研究方向 4
1.2.1學習計算機視覺結構圖 4
1.2.2計算機視覺的學習方式和未來趨勢 5
1.3本章小結 6
第2章道士下山—故事的開始 7
2.1BP神經網絡簡介 7
2.2BP神經網絡的兩個基礎算法詳解 11
2.2.1最小二乘法 11
2.2.2梯度下降法 13
2.3反饋神經網絡反向傳播算法 16
2.3.1深度學習基礎 16
2.3.2鏈式求導法則 17
2.3.3反饋神經網絡原理與公式推導 18
2.3.4反饋神經網絡原理的激活函數 23
2.3.5反饋神經網絡原理的Python實現 24
2.4本章小結 29
第3章貓還是狗—深度學習中的卷積與其他函數 30
3.1卷積運算基本概念 30
3.1.1卷積運算 31
3.1.2卷積核 33
3.1.3卷積神經網絡原理 33
3.2卷積神經網絡公式推導 35
3.2.1經典反饋神經網絡正向與反向傳播公式推導 36
3.2.2卷積神經網絡正向與反向傳播公式推導 38
3.3激活、分類以及池化函數簡介 45
3.3.1別偷懶—激活函數是分割器 45
3.3.2太多了,我只要一個—池化運算 49
3.3.3全連接層詳解 50
3.3.4最終的裁判—分類函數 52
3.3.5每次都是一個新模型—隨機失活層簡介 54
3.4本章小結 55
第4章水晶球的秘密—信息熵、決策樹與交叉熵 56
4.1水晶球的秘密 56
4.1.1水晶球的秘密概述 57
4.1.2決策樹的算法基礎—信息熵 57
4.1.3決策樹的算法基礎—ID3算法 59
4.2信息熵最重要的應用—交叉熵 60
4.2.1交叉熵基本原理詳解 61
4.2.2交叉熵的表述 63
4.2.3把無用的利用起來—交叉熵的改進1(你想做科研嗎?) 64
4.2.4交叉熵的作用與改進—解決正負樣本數量差異過大 66
4.2.5交叉熵的作用與改進—解決樣本的難易分類 68
4.2.6統一后的交叉熵 68
4.3本章小結 69
第5章MissionImpossible!—把不可能變成可能的機器學習 70
5.1機器學習基本分類 71
5.1.1應用學科的分類 71
5.1.2學習模式的分類 72
5.1.3應用領域的分類 72
5.2機器學習基本算法 73
5.2.1機器學習的算法流程 73
5.2.2基本算法的分類 74
5.3算法的理論基礎 75
5.3.1小學生的故事—求圓的面積 76
5.3.2機器學習基礎理論—函數逼近 76
5.4回歸算法 77
5.4.1函數逼近經典算法—線性回歸算法 78
5.4.2邏輯回歸不是回歸—邏輯回歸算法 79
5.5本章小結 80
第6章書中自有黃金屋—橫掃股市的時間序列模型 81
6.1長短期記憶網絡 81
6.1.1Hochreiter&Schmidhuber和LSTM 82
6.1.2循環神經網絡與長短期記憶網絡 83
6.1.3LSTM的“處理單元”詳解 85
6.1.4LSTM的實現與股市預測 87
6.2LSTM的研究發展與應用 90
6.2.1LSTM的研究發展 91
6.2.2LSTM的應用前景 92
6.3本章小結 93
第7章書中自有顏如玉—GANisagirl 94
7.1GAN的工作原理詳解 94
7.1.1生成器與判別器共同構成一個GAN 95
7.1.2GAN是怎么工作的 96
7.2GAN的數學原理詳解 97
7.2.1GAN的損失函數 97
7.2.2生成器的數學原理—相對熵簡介 98
7.2.3GAN的應用前景 99
7.3本章小結 103
第8章休息一下,讓我們玩一把TensorFlow 104
8.1TensorFlow游樂場 104
8.1.1讓我們一起來玩吧 104
8.1.2TensorFlow游樂場背后的故事 108
8.1.3如何訓練神經網絡 109
8.2你好,TensorFlow 110
8.2.1TensorFlow名稱的解釋 110
8.2.2TensorFlow基本概念 111
8.2.3TensorFlow基本架構 113
8.3本章小結 114
第9章你喜歡什么我全知道—推薦系統的原理 115
9.1傳統方法的推薦系統 115
9.1.1基于內容的推薦算法 116
9.1.2多種相似度的計算方法 116
9.1.3基于內容推薦算法的數學原理—以文檔特征提取的TF-IDF為例 120
9.1.4基于協同過濾的推薦算法 122
9.2基于深度學習的推薦系統 127
9.2.1基于模型的推薦算法 127
9.2.2基于用戶畫像的推薦算法 128
9.2.3基于深度學習推薦系統的總結 129
9.3本章小結 130
第10章整齊劃一畫個龍—深度學習中的歸一化、正則化與初始化 131
10.1常用的數據歸一化方法 131
10.1.1數據歸一化的作用 132
10.1.2幾種常用的數據歸一化 133
10.2不那么深的深度學習模型的正則化方法 134
10.2.1“淺度”學習中的正則化 135
10.2.2關于過擬合問題的解決 136
10.2.3批量歸一化詳解 138
10.2.4深度學習中的隨機失活 143
10.2.5深度學習中的初始化 143
10.3本章小結 145
第11章眾里尋她千百度—人臉識別的前世今生 146
11.1人臉識別簡介 147
11.1.1人臉識別的發展歷程 147
11.1.2人臉識別的一般方法 148
11.1.3人臉識別的通用流程 149
11.2基于深度學習的人臉識別 151
11.2.1基于深度學習的人臉識別簡介 152
11.2.2用于深度學習的人臉識別數據集 154
11.2.3基于深度學習的人臉識別模型 157
11.3人臉識別中的softmax激活函數 162
11.3.1softmax基本原理詳解 162
11.3.2AMsoftmax基本原理詳解 163
11.3.3softmax的一些改進 165
11.4本章小結 166
第12章梅西-阿根廷+意大利=?—有趣的詞嵌入向量 167
12.1文本數據處理 168
12.1.1數據集和數據清洗 168
12.1.2停用詞的使用 170
12.1.3詞向量訓練模型word2vec的使用 173
12.1.4文檔主題的提取:基于TF-IDF 176
12.1.5文檔主題的提取:基于TextRank(選學) 180
12.2更多的詞嵌入向量方法—fastText和預訓練詞向量 183
12.2.1fastText的原理與基礎算法 183
12.2.2使用fastText訓練詞嵌入向量 185
12.2.3使用其他預訓練參數(中文) 190
12.3針對文本的卷積神經網絡模型—字符卷積 191
12.3.1字符(非單詞)文本的處理 191
12.3.2卷積神經網絡文檔分類模型的實現—conv1d(一維卷積) 198
12.4針對文檔的卷積神經網絡模型—詞卷積 200
12.4.1單詞的文本處理 201
12.4.2卷積神經網絡文檔分類模型的實現—conv2d(二維卷積) 203
12.5使用卷積對文檔分類的補充內容 206
12.5.1中文的文本處理 206
12.5.2其他細節 209
12.6本章小結 210
序: