深度學習核心技術與實踐 深度学习核心技术与实践
猿輔導研究團隊
- 出版商: 電子工業
- 出版日期: 2018-02-01
- 定價: $714
- 售價: 7.5 折 $536
- 語言: 簡體中文
- 頁數: 528
- 裝訂: 平裝
- ISBN: 7121329050
- ISBN-13: 9787121329050
-
相關分類:
DeepLearning
立即出貨
買這商品的人也買了...
-
無瑕的程式碼－敏捷軟體開發技巧守則 + 番外篇－專業程式設計師的生存之道 (雙書合購)$940$700 -
$288深度學習導論及案例分析 -
$403MySQL DBA 修煉之道 -
無瑕的程式碼－敏捷完整篇－物件導向原則、設計模式與 C# 實踐 (Agile principles, patterns, and practices in C#)$790$616 -
TensorFlow + Keras 深度學習人工智慧實務應用$590$460 -
$352Python 與機器學習實戰：決策樹、集成學習、支持向量機與神經網絡算法詳解及編程實現 -
$958深度學習 -
$403深度學習與計算機視覺 : 算法原理、框架應用與代碼實現 (Deep Learning & Computer Vision:Algorithms and Examples) -
量化交易之路 : 用 Python 做股票量化分析$534$507 -
$340套路！機器學習：北美數據科學家的私房課 -
$403深度學習入門之 PyTorch -
$332深度學習框架 PyTorch : 入門與實踐 -
$352深度學習實戰 -
MATLAB GUI 程序設計$594$564 -
神經網絡設計 (Neural Network Design, 2/e)$594$564 -
$352神經網絡與深度學習應用實戰 -
無瑕的程式碼－整潔的軟體設計與架構篇 (Clean Architecture: A Craftsman's Guide to Software Structure and Design)$580$452 -
$581深度捲積網絡 : 原理與實踐 -
$403圖解深度學習與神經網絡：從張量到 TensorFlow 實現 -
深度學習 (Deep Learning)(繁體中文版)$1,200$1,020 -
特徵工程不再難：資料科學新手也能輕鬆搞定！ (Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems)$520$406 -
深入淺出神經網絡與深度學習$534$507 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$509 -
深度學習的數學原理與實現$354$336 -
$403算法筆記, 2/e
相關主題
商品描述
本書主要介紹深度學習的核心算法，以及在電腦視覺、語音識別、自然語言處理中的相關應用。本書的作者們都是業界第一線的深度學習從業者，所以書中所寫內容和業界聯系緊密，所涵蓋的深度學習相關知識點比較全面。本書主要講解原理，較少貼代碼。本書適合深度學習從業人士或者相關研究生作為參考資料，也可以作為入門教程來大致瞭解深度學習的相關前沿技術。
作者簡介
猿輔導應用研究團隊成立於2014年年中，一直從事深度學習在教育領域的應用和研究工作。團隊成員均畢業於北京大學、清華大學、上海交大、中科院、香港大學等知名高校，大多數擁有碩士或博士學位。研究方向涵蓋了圖像識別、語音識別、自然語言理解、數據挖掘、深度學習等領域。團隊成功運用深度學習技術，從零開始打造出活躍用戶過億的拍照搜題APP——小猿搜題，開源了分佈式機器學習系統ytk-learn和分佈式通信系統ytk-mp4j。此外，團隊自主研發的一系列成果均成功應用到猿輔導公司的產品中。包括：速算應用中的在線手寫識別、古詩詞背誦中的語音識別、英語口語智能批改、英文手寫拍照識別和英語作文智能批改等技術。
目錄大綱
第1部分深度學習基礎篇1
1概述2
1.1人工智能. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1人工智能的分類. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2人工智能發展史. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2機器學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1機器學習的由來. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2機器學習發展史. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3機器學習方法分類. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 .4機器學習中的基本概念. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3神經網絡. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1神經網絡發展史. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2神經網絡17
2.1在神經科學中對生物神經元的研究. . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1神經元激活機制. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2神經元的特點. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2神經元模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1線性神經元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2線性閾值神經元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Sigmoid神經元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.4 Tanh神經元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.5 ReLU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.6 Maxout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.7 Softmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.8小結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3感知機. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1感知機的提出. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.2感知機的困境. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 DNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.1輸入層、輸出層及隱層. . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.2目標函數的選取. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.3前向傳播. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4.4後向傳播. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.5參數更新. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.6神經網絡的訓練步驟. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3初始化模型38
3.1受限玻爾茲曼機. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1.1能量模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.2帶隱藏單元的能量模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.3受限玻爾茲曼機基本原理. . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.4二值RBM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1.5對比散度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2自動編碼器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1稀疏自動編碼器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.2降噪自動編碼器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.3棧式自動編碼器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3深度信念網絡. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4卷積神經網絡53
4.1卷積算子. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2卷積的特徵. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
