神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)

定　價(jià)：￥89.00

作　者：	[英] 列奧納多·德·馬爾希，[英] 勞拉·米切爾著，朱夢(mèng)瑤，郭濤，趙子輝，余秋琳譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能系統(tǒng)與技術(shù)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787111683506	出版時(shí)間：	2021-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	205	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)和人工智能中發(fā)揮著非常重要的作用，其應(yīng)用領(lǐng)域非常廣泛，涵蓋從醫(yī)療診斷、財(cái)務(wù)預(yù)測(cè)到機(jī)器診斷等多個(gè)領(lǐng)域?！渡窠?jīng)網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)》旨在指導(dǎo)你以實(shí)用的方式學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。書(shū)中將簡(jiǎn)要介紹感知器網(wǎng)絡(luò)，從而幫助你入門。然后，你將獲得有關(guān)機(jī)器學(xué)習(xí)的見(jiàn)解，并了解人工智能的未來(lái)。接下來(lái)，你將研究如何使用嵌入來(lái)處理文本數(shù)據(jù)，并學(xué)習(xí)長(zhǎng)短期記憶網(wǎng)絡(luò)在解決常見(jiàn)自然語(yǔ)言處理問(wèn)題中的作用。該書(shū)還將演示如何實(shí)現(xiàn)高級(jí)概念，包括遷移學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)、自編碼器和強(qiáng)化學(xué)習(xí)，以及有關(guān)神經(jīng)網(wǎng)絡(luò)領(lǐng)域新進(jìn)展的更多內(nèi)容。在完成該書(shū)的學(xué)習(xí)后，你將掌握構(gòu)建、訓(xùn)練和優(yōu)化自己的神經(jīng)網(wǎng)絡(luò)模型所需的技能，該模型能夠提供可預(yù)測(cè)的解決方案。通過(guò)閱讀該書(shū)，你將：●了解如何使用反向傳播訓(xùn)練網(wǎng)絡(luò)。●了解遷移學(xué)習(xí)的概念，以使用Keras和VGG網(wǎng)絡(luò)解決任務(wù)?！裉剿魅绾渭虞d和轉(zhuǎn)換圖像以用于神經(jīng)網(wǎng)絡(luò)。●掌握LSTM和NLP等高級(jí)、復(fù)雜的深度學(xué)習(xí)概念，以掌握新知識(shí)?！裱芯咳绾螌⑸窠?jīng)網(wǎng)絡(luò)應(yīng)用于多個(gè)領(lǐng)域。●探索創(chuàng)新算法，例如生成對(duì)抗網(wǎng)絡(luò)和深度強(qiáng)化學(xué)習(xí)?！窠鉀Q神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)面臨的共同挑戰(zhàn)。

作者簡(jiǎn)介

　　列奧納多·德·馬爾希（Leonardo De Marchi）目前是Badoo的數(shù)據(jù)科學(xué)家主管，Badoo是世界上的大型交友網(wǎng)站之一，擁有超過(guò)4億名用戶。他也是ideai.io（一家專門從事機(jī)器學(xué)習(xí)培訓(xùn)的公司）的首席教練，為大型機(jī)構(gòu)和有活力的初創(chuàng)企業(yè)提供技術(shù)和管理培訓(xùn)。他擁有人工智能專業(yè)碩士學(xué)位，曾在體育界擔(dān)任數(shù)據(jù)科學(xué)家。勞拉·米切爾（Laura Mitchell）目前是Badoo的首席數(shù)據(jù)科學(xué)家。Laura在NLP、圖像分類和推薦系統(tǒng)等項(xiàng)目的交付方面具有豐富的實(shí)踐經(jīng)驗(yàn)，包括從最初的構(gòu)思到產(chǎn)品化。她熱衷于學(xué)習(xí)新技術(shù)并緊跟行業(yè)趨勢(shì)。

圖書(shū)目錄

譯者序
前言
第一部分　神經(jīng)網(wǎng)絡(luò)入門
第1章　有監(jiān)督學(xué)習(xí)入門2
1.1　人工智能的歷史2
1.2　機(jī)器學(xué)習(xí)概述4
1.2.1　有監(jiān)督學(xué)習(xí)4
1.2.2　無(wú)監(jiān)督學(xué)習(xí)4
1.2.3　半監(jiān)督學(xué)習(xí)5
1.2.4　強(qiáng)化學(xué)習(xí)5
1.3　配置環(huán)境6
1.3.1　了解虛擬環(huán)境7
1.3.2　Anaconda8
1.3.3　Docker9
1.4　Python有監(jiān)督學(xué)習(xí)實(shí)踐9
1.5　特征工程11
1.6　有監(jiān)督學(xué)習(xí)算法14
1.6.1　指標(biāo)15
1.6.2　模型評(píng)估17
1.7　總結(jié)19
第2章　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)20
2.1　感知器20
2.2　Keras27
2.3　前饋神經(jīng)網(wǎng)絡(luò)29
2.3.1　反向傳播介紹31
2.3.2　激活函數(shù)33
2.3.3　Keras實(shí)現(xiàn)36
2.4　從頭開(kāi)始使用Python編寫(xiě)FFNN40
2.4.1　FFNN的Keras實(shí)現(xiàn)43
2.4.2　TensorBoard45
2.4.3　XOR問(wèn)題中的TensorBoard45
2.5　總結(jié)48
第二部分　深度學(xué)習(xí)應(yīng)用
第3章　基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理50
3.1　理解卷積神經(jīng)網(wǎng)絡(luò)50
3.2　卷積層52
3.2.1　池化層55
3.2.2　丟棄層57
3.2.3　歸一化層57
3.2.4　輸出層57
3.3　Keras中的卷積神經(jīng)網(wǎng)絡(luò)58
3.3.1　加載數(shù)據(jù)58
3.3.2　創(chuàng)建模型60
3.3.3　網(wǎng)絡(luò)配置60
3.4　Keras表情識(shí)別63
3.5　優(yōu)化網(wǎng)絡(luò)68
3.6　總結(jié)70
第4章　利用文本嵌入71
4.1　面向NLP的機(jī)器學(xué)習(xí)71
4.2　理解詞嵌入73
4.2.1　詞嵌入的應(yīng)用73
4.2.2　Word2vec74
4.3　GloVe80
4.3.1　全局矩陣分解80
4.3.2　使用GloVe模型82
4.3.3　基于GloVe的文本分類85
4.4　總結(jié)87
第5章　循環(huán)神經(jīng)網(wǎng)絡(luò)88
5.1　理解循環(huán)神經(jīng)網(wǎng)絡(luò)88
5.1.1　循環(huán)神經(jīng)網(wǎng)絡(luò)原理90
5.1.2　循環(huán)神經(jīng)網(wǎng)絡(luò)類型91
5.1.3　損失函數(shù)94
5.2　長(zhǎng)短期記憶95
5.2.1　LSTM架構(gòu)95
5.2.2　Keras長(zhǎng)短期記憶實(shí)現(xiàn)98
5.3　PyTorch基礎(chǔ)知識(shí)102
5.4　總結(jié)106
第6章　利用遷移學(xué)習(xí)重用神經(jīng)網(wǎng)絡(luò)107
6.1　遷移學(xué)習(xí)理論107
6.1.1　多任務(wù)學(xué)習(xí)介紹108
6.1.2　重用其他網(wǎng)絡(luò)作為特征提取器108
6.2　實(shí)現(xiàn)多任務(wù)學(xué)習(xí)108
6.3　特征提取110
6.4　在PyTorch中實(shí)現(xiàn)遷移學(xué)習(xí)110
6.5　總結(jié)116
第三部分　高級(jí)應(yīng)用領(lǐng)域
第7章　使用生成算法118
7.1　判別算法與生成算法118
7.2　理解GAN120
7.2.1　訓(xùn)練GAN121
7.2.2　GAN面臨的挑戰(zhàn)123
7.3　GAN的發(fā)展變化和時(shí)間線124
7.3.1　條件GAN125
7.3.2　DCGAN125
7.3.3　Pix2Pix GAN131
7.3.4　StackGAN132
7.3.5　CycleGAN133
7.3.6　ProGAN135
7.3.7　StarGAN136
7.3.8　BigGAN138
7.3.9　StyleGAN139
7.3.10　Deepfake142
7.3.11　RadialGAN143
7.4　總結(jié)144
7.5　延伸閱讀144
第8章　實(shí)現(xiàn)自編碼器146
8.1　自編碼器概述146
8.2　自編碼器的應(yīng)用147
8.3　瓶頸和損失函數(shù)147
8.4　自編碼器的標(biāo)準(zhǔn)類型148
8.4.1　欠完備自編碼器148
8.4.2　多層自編碼器151
8.4.3　卷積自編碼器152
8.4.4　稀疏自編碼器155
8.4.5　去噪自編碼器156
8.4.6　收縮自編碼器157
8.5　變分自編碼器157
8.6　訓(xùn)練變分自編碼器159
8.7　總結(jié)164
8.8　延伸閱讀164
第9章　DBN165
9.1　DBN概述165
9.1.1　貝葉斯置信網(wǎng)絡(luò)166
9.1.2　受限玻爾茲曼機(jī)167
9.2　DBN架構(gòu)176
9.3　訓(xùn)練DBN177
9.4　微調(diào)179
9.5　數(shù)據(jù)集和庫(kù)179
9.5.1　示例—有監(jiān)督的DBN分類180
9.5.2　示例—有監(jiān)督的DBN回歸181
9.5.3　示例—無(wú)監(jiān)督的DBN分類182
9.6　總結(jié)183
9.7　延伸閱讀183
第10章　強(qiáng)化學(xué)習(xí)184
10.1　基本定義184
10.2　Q-learning介紹187
10.2.1　學(xué)習(xí)目標(biāo)187
10.2.2　策略優(yōu)化188
10.2.3　Q-learning方法188
10.3　使用OpenAI Gym188
10.4　冰湖問(wèn)題191
10.5　總結(jié)199
第11章　下一步是什么200
11.1　本書(shū)總結(jié)200
11.2　機(jī)器學(xué)習(xí)的未來(lái)201
11.3　通用人工智能202
11.3.1　AI倫理問(wèn)題203
11.3.2　可解釋性203
11.3.3　自動(dòng)化204
11.3.4　AI安全性204
11.3.5　問(wèn)責(zé)制205
11.4　結(jié)語(yǔ)205