深度學習必學的十個問題 — 理論與實踐
李軒涯、張暐
- 出版商: 清華大學
- 出版日期: 2021-06-01
- 定價: $299
- 售價: 8.5 折 $254
- 語言: 簡體中文
- 頁數: 119
- 裝訂: 平裝
- ISBN: 7302577161
- ISBN-13: 9787302577164
-
相關分類:
DeepLearning
立即出貨 (庫存 < 4)
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 -
精通 Python｜運用簡單的套件進行現代運算 (Introducing Python: Modern Computing in Simple Packages)$780$616 -
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 -
Soft Skills 軟實力｜軟體開發人員的生存手冊 (Soft Skills: The software developer's life manual)$520$411 -
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 -
人工智能基礎 (高中版)$210$200 -
I'm From Taiwan / Programmer 阿喵宅造型貼紙7X7公分 (粉色)$69$60 -
阿喵宅開發順利春聯 2入$68$68 -
$229概率論與數理統計 — 基於 Excel -
讓工作化繁為簡: 用 Python 實現辦公自動化$479$455 -
白話演算法！培養程式設計的邏輯思考 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$520$411 -
比 Docker 再高階一步：使用 Harbor 完成 Helm Chart 容器及鏡像雲端原生管理$880$748 -
超圖解 ESP32 深度實作$880$695 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$473 -
$500模式識別, 4/e (修訂版)(Pattern Recognition, 4/e) -
$454最優化導論, 4/e (An Introduction to Optimization, 4/e) -
$236Python 深度學習實戰 — 基於 Pytorch -
$254統計學習必學的十個問題 — 理論與實踐 -
$352Python 數據挖掘技術及應用 (微課版) -
$254數據清洗 (微課視頻版) -
$301計算方法 — 數據分析與智能計算初探, 2/e -
深度強化學習落地指南$654$621 -
$458Python 數據科學實戰 (Data Science with Python) -
$765Python 常用統計算法 -
$305深度強化學習
相關主題
商品描述
深度學習是目前***的技術領域。本書兼顧了數學上的理解和代碼實踐，內容主要包括基礎知識和深度學習模型。第1章 介紹深度學習的簡潔發展思路和表示學習機制； 第2章、第3章介紹神經網絡的基於梯度的優化方法、神經網絡的優化難點以及相應的解決方法； 第4章討論神經網絡遇到的過擬合問題； 第5章分析神經網絡的最小組成部分——神經元； 第6章討論三種方案解決深層網絡的訓練難題： 批標準化、SELU、ResNet； 第7章、第8章講述了兩種重要的神經網絡模型： 捲積神經網絡和循環神經網絡； 第9章討論了對於神經網絡的無監督學習方式； 第10章詳細討論以變分自編碼器和對抗生成網絡為代表的概率生成網絡。 本書適合對於深度學習感興趣的大學生、工程師閱讀參考。閱讀本書需要具備基礎的Python編程技術和基本的數學知識。
作者簡介
李軒涯
單位：百度公司
職務、職稱：高級工程師
性別：男
年齡：33
專業：計算機科學與技術
學歷：博士
研究成果：中國計算機學會傑出會員、常務理事，中國計算機實踐教育聯合會副理事長。
現主管百度校企合作、校企聯合人才培養、校園粉絲生態圈，幫助百度技術、人才及產品品牌在高校領域的推廣與影響力傳播。
目錄大綱
第1章 作為機器學習模型的神經網絡
1.1 表示學習
1.2 感知器與神經網絡
1.3 使用keras
第2章 神經網絡的訓練
2.1 基於梯度的一階優化
2.2 基於梯度的二階優化
2.3 普通訓練方法的局限
2.4 誤差反向傳播算法的本質
2.5 使用keras
第3章 神經網絡的優化難題
3.1 局部極小值，鞍點和非凸優化
3.2 隨機梯度下降的優勢
3.3 梯度方向優化
3.4 動態調整學習率
3.5 使用keras
第4章 神經網絡的過擬合
4.1 參數綁定和提前終止
4.2 數據增強和噪聲添加
4.3 Dropout
4.4 使用keras
第5章 神經網絡的神經單元
5.1 梯度消失和梯度爆炸
5.2 隱藏單元設計原則和sigmoid的非零中心
5.3 基於線性函數的改進和maxout單元
5.4 使用keras
第6章 神經網絡的深度訓練
6.1 預處理和批標準化
6.2 批標準化的不同視角：協變量偏差和協調更新
6.3 自歸一化神經網絡
6.4 ResNet
6.5 使用keras
第7章 卷積神經網絡
7.1 局部連接和權重共享
7.2 卷積操作的重要概念
7.3 卷積核的參數學習
7.4 基於感受野的三個卷積技巧
7.5 使用keras
第8章 循環神經網絡
8.1 理解循環結構
8.2 循環結構的參數學習
8.3 正交初始化和記憶容量
8.4 理解LSTM
8.5 使用keras
第9章 無監督表示學習：自編碼器
9.1 自編碼器
9.2 稀疏自編碼器
9.3 收縮自編碼器
9.4 使用keras
第10章 概率生成模型
10.1 變分自編碼器
10.2 生成對抗網絡
10.3 使用keras
參考文獻
