企業(yè)級AI技術(shù)內(nèi)幕：深度學(xué)習(xí)框架開發(fā)+機器學(xué)習(xí)案例實戰(zhàn)+Alluxio解密

盤古人工智能框架開發(fā)專題篇
第1章 導(dǎo)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(xué)習(xí)人工智能的正道
1．4 人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)三者之間的關(guān)系
1．5 人工智能的十大經(jīng)典應(yīng)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(jīng)網(wǎng)絡(luò)的實現(xiàn)
2．1 盤古人工智能框架
2．2 實現(xiàn)神經(jīng)網(wǎng)絡(luò)的節(jié)點結(jié)構(gòu)
2．3 實現(xiàn)神經(jīng)網(wǎng)絡(luò)層之間節(jié)點的連接
2．4 如何初始化神經(jīng)網(wǎng)絡(luò)的權(quán)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(gòu)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(jié)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(jié)果
第4章 盤古人工智能框架的反向傳播功能
4．1 深度學(xué)習(xí)是如何學(xué)習(xí)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(jié)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(guān)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(jìn)行測試
5．3 損失度可視化運行結(jié)果
第6章 通過特征歸一化和自適應(yīng)學(xué)習(xí)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(jìn)行性能優(yōu)化
6．3 使用自適應(yīng)學(xué)習(xí)進(jìn)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(jié)
7．1 盤古人工智能框架性能測試
7．2 神經(jīng)網(wǎng)絡(luò)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(jié)果
8．3 對使用矩陣方式編寫的人工智能框架進(jìn)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(diào)整alpha參數(shù)
9．3 人工智能框架的改進(jìn)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及Sigmoid函數(shù)
11．1 神經(jīng)網(wǎng)絡(luò)實現(xiàn)與非門
11．2 神經(jīng)網(wǎng)絡(luò)為什么能夠完成各類計算
11．3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)解密．：
11．4 Sigmoid函數(shù)背后的設(shè)計和實現(xiàn)密碼
11．5 Sigmoid函數(shù)的弱點及改進(jìn)
第12章 用神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字
12．1 神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字的原理
12．2 為何識別數(shù)字的三層神經(jīng)網(wǎng)絡(luò)輸出層為10個神經(jīng)元
……
機器學(xué)習(xí)案例實戰(zhàn)篇
分布式內(nèi)存管理Alluxio解密篇