企業(yè)級AI技術內幕：深度學習框架開發(fā)+機器學習案例實戰(zhàn)+Alluxio解密

定　價：￥168.00

作　者：	王家林，段智華著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥152.30)

ISBN：	9787302561774	出版時間：	2020-11-01	包裝：	精裝
開本：	16開	頁數(shù)：	640	字數(shù)：

內容簡介

　　《企業(yè)級AI技術內幕：深度學習框架開發(fā)+機器學習案例實戰(zhàn)+Alluxio解密》分為盤古人工智能框架開發(fā)專題篇、機器學習案例實戰(zhàn)篇、分布式內存管理Alluxio解密篇，分別對人工智能開發(fā)框架、機器學習案例及Alluxio系統(tǒng)進行透徹解析。盤古人工智能框架開發(fā)專題篇，通過代碼講解多層次神經網絡、前向傳播算法、反向傳播算法、損失度計算及可視化、自適應學習和特征歸一化等內容。機器學習案例實戰(zhàn)篇，選取機器學習中具代表性的經典案例，透徹講解機器學習數(shù)據(jù)預處理、簡單線性回歸、多元線性回歸、多項式回歸、支持向量回歸、決策樹回歸、隨機森林回歸等回歸算法，邏輯回歸、k近鄰算法、支持向量機、樸素貝葉斯、決策樹分類、隨機森林分類等分類算法、ｋ均值聚類、層次聚類等聚類算法，以及關聯(lián)分析算法，并對回歸模型、分類模型進行性能評估。分布式內存管理Alluxio解密篇，詳細講解Alluxio架構、部署、底層存儲及計算應用、基本用法、運行維護等內容。

作者簡介

　　王家林，Apache Spark執(zhí)牛耳者現(xiàn)工作于硅谷的AI實驗室，專注于NLP框架超過20本Spark、AI、Android書籍作者Toastmasters International Division Director GRE博士入學考試連續(xù)兩次滿分獲得者段智華，就職于中國電信股份有限公司上海分公司，系統(tǒng)架構師，CSDN博客專家，專注于Spark大數(shù)據(jù)技術研發(fā)及推廣，跟隨Spark核心源碼技術的發(fā)展，深入研究Spark 2.1.1版本及Spark 2.2.0版本的源碼優(yōu)化，對Spark大數(shù)據(jù)處理、機器學習等技術有豐富的實戰(zhàn)經驗和濃厚興趣。

圖書目錄

盤古人工智能框架開發(fā)專題篇
第1章導論：為什么人工智能是必然的未來
1．1 為什么一定需要人工智能
1．2 人工智能為何如此強大
1．3 學習人工智能的正道
1．4 人工智能、機器學習、深度學習三者之間的關系
1．5 人工智能的十大經典應用場景
1．6 人工智能在海量數(shù)據(jù)處理中不可替代的原因
1．7 本書開發(fā)環(huán)境的安裝
第2章盤古人工智能框架多層次神經網絡的實現(xiàn)
2．1 盤古人工智能框架
2．2 實現(xiàn)神經網絡的節(jié)點結構
2．3 實現(xiàn)神經網絡層之間節(jié)點的連接
2．4 如何初始化神經網絡的權重
2．5 實現(xiàn)多個隱藏層
第3章盤古人工智能框架的前向傳播功能
3．1 前向傳播功能
3．1．1 從TensorFlow的可視化運行過程理解前向傳播功能
3．1．2 從架構層面理解前向傳播功能
3．1．3 理解前向傳播原理
3．2 在每個節(jié)點上增加數(shù)據(jù)的輸入和計算結果
3．3 實現(xiàn)前向傳播算法
3．4 使用Sigmoid函數(shù)作為激活函數(shù)
3．5 測試前向傳播算法并分析計算結果
第4章盤古人工智能框架的反向傳播功能
4．1 深度學習是如何學習的
4．2 實現(xiàn)反向傳播算法
4．3 反向傳播算法測試及分析計算結果
第5章盤古人工智能框架的損失度計算及其可視化
5．1 關于損失度的思考——所有人工智能框架終身的魔咒
5．2 編碼實現(xiàn)損失度并進行測試
5．3 損失度可視化運行結果
第6章通過特征歸一化和自適應學習優(yōu)化盤古人工智能框架
6．1 盤古人工智能框架性能測試及問題剖析
6．2 使用特征歸一化進行性能優(yōu)化
6．3 使用自適應學習進行性能優(yōu)化
第7章盤古人工智能框架實現(xiàn)方法大總結
7．1 盤古人工智能框架性能測試
7．2 神經網絡實現(xiàn)及和TensorFlow的對比
7．3 前向傳播算法實現(xiàn)及其和TensorFlow的算法對比
7．4 反向傳播算法實現(xiàn)及與TensorFlow的對比
7．5 損失度計算實現(xiàn)與TensorFlow的對比
7．6 人工智能盤古框架源代碼
第8章使用矩陣的方式編寫人工智能框架
8．1 使用矩陣編寫人工智能框架
8．2 測試及分析計算結果
8．3 對使用矩陣方式編寫的人工智能框架進行優(yōu)化
第9章使用四種性能優(yōu)化矩陣編寫人工智能框架
9．1 梯度下降陷阱
9．2 增加和調整alpha參數(shù)
9．3 人工智能框架的改進優(yōu)化
第10章人工智能及感知元解密
10．1 人工智能是什么，怎么做，前景為什么好
10．2 計算機視覺面臨的困境及突破
10．3 感知器解密
10．4 計算機圖像識別
第1 1章神經網絡結構及Sigmoid函數(shù)
11．1 神經網絡實現(xiàn)與非門
11．2 神經網絡為什么能夠完成各類計算
11．3 神經網絡的結構解密．：
11．4 Sigmoid函數(shù)背后的設計和實現(xiàn)密碼
11．5 Sigmoid函數(shù)的弱點及改進
第12章用神經網絡識別手寫數(shù)字
12．1 神經網絡識別手寫數(shù)字的原理
12．2 為何識別數(shù)字的三層神經網絡輸出層為10個神經元
……
機器學習案例實戰(zhàn)篇
分布式內存管理Alluxio解密篇