| | | 深度學習圖解 | 該商品所屬分類:圖書 -> 人工智能 | 【市場價】 | 828-1200元 | 【優惠價】 | 518-750元 | 【作者】 | 安德魯·特拉斯克 | 【出版社】 | 清華大學出版社 | 【ISBN】 | 9787302540991 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
出版社:清華大學出版社 ISBN:9787302540991 商品編碼:66958406368 品牌:文軒 出版時間:2020-01-01 代碼:99 作者:安德魯·特拉斯克
" 作 者:(美)安德魯·特拉斯克 著 王曉雷,嚴烈 譯 定 價:99 出 版 社:清華大學出版社 出版日期:2020年01月01日 頁 數:292 裝 幀:平裝 ISBN:9787302540991 ●第1章深度學習簡介:為什麼應該學習深度學習1 1.1歡迎閱讀《深度學習圖解》1 1.2為什麼要學習深度學習2 1.3這很難學嗎?3 1.4為什麼要閱讀本書3 1.5準備工作4 1.6你可能需要掌握一部分Python知識5 1.7本章小結6 第2章基本概念:機器該如何學習?7 2.1什麼是深度學習?7 2.2什麼是機器學習?8 2.3監督機器學習9 2.4無監督機器學習10 2.5參數學習和非參數學習10 2.6監督參數學習11 2.7無監督參數學習13 2.8非參數學習14 2.9本章小結15 第3章神經網絡預測導論:前向傳播17 3.1什麼是預測17 3.2能夠進行預測的簡單神經網絡19 3.3什麼是神經網絡?20 3.4這個神經網絡做了什麼?21 3.5使用多個輸入進行預測23 3.6多個輸入:這個神經網絡做了什麼?24 3.7多個輸入:完整的可運行代碼29 3.8預測多個輸出30 3.9使用多個輸入和輸出進行預測32 3.10多輸入多輸出神經網絡的工作原理33 3.11用預測結果進一步預測35 3.12NumPy快速入門37 3.13本章小結40 第4章神經網絡學習導論:梯度下降41 4.1預測、比較和學習41 4.2什麼是比較42 4.3學習42 4.4比較:你的神經網絡是否做出了好的預測?43 4.5為什麼需要測量誤差?44 4.6最簡單的神經學習形式是什麼?45 4.7冷熱學習46 4.8冷熱學習的特點47 4.9基於誤差調節權重48 4.10梯度下降的一次迭代50 4.11學習就是減少誤差52 4.12回顧學習的步驟54 4.13權重增量到底是什麼?55 4.14狹隘的觀點57 4.15插著小棍的盒子58 4.16導數:兩種方式59 4.17你真正需要知道的60 4.18你不需要知道的60 4.19如何使用導數來學習61 4.20看起來熟悉嗎?62 4.21破壞梯度下降63 4.22過度修正的可視化64 4.23發散65 4.24引入α66 4.25在代碼中實現α66 4.26記憶背誦67 第5章通用梯度下降:一次學習多個權重69 5.1多輸入梯度下降學習69 5.2多輸入梯度下降詳解71 5.3回顧學習的步驟75 5.4單項權重凍結:它有什麼作用?77 5.5具有多個輸出的梯度下降學習79 5.6具有多個輸入和輸出的梯度下降81 5.7這些權重學到了什麼?83 5.8權重可視化85 5.9點積(加權和)可視化86 5.10本章小結87 第6章建立你的第一個深度神經網絡:反向傳播89 6.1交通信號燈問題89 6.2準備數據91 6.3矩陣和矩陣關繫92 6.4使用Python創建矩陣95 6.5建立神經網絡96 6.6學習整個數據集97 6.7接近、批量和隨機梯度下降97 6.8神經網絡對相關性的學習98 6.9向上與向下的壓力99 6.10邊界情況:過擬合101 6.11邊界情況:壓力衝突101 6.12學習間接相關性103 6.13創建關聯104 6.14堆疊神經網絡:回顧105 6.15反向傳播:遠程錯誤歸因106 6.16反向傳播:為什麼有效?107 6.17線性與非線性107 6.18為什麼神經網絡仍然不起作用109 6.19選擇性相關的秘密110 6.20快速衝刺111 6.21你的第一個深度神經網絡111 6.22反向傳播的代碼112 6.23反向傳播的一次迭代114 6.24整合代碼116 6.25為什麼深度網絡這麼重要?117 第7章如何描繪神經網絡:在腦海裡,在白紙上119 7.1到了簡化的時候了119 7.2關聯抽像120 7.3舊的可視化方法過於復雜121 7.4簡化版可視化122 7.5進一步簡化123 7.6觀察神經網絡是如何進行預測的124 7.7用字母而不是圖片來進行可視化125 7.8連接變量126 7.9信息整合127 7.10可視化工具的重要性127 第8章學習信號,忽略噪聲:正則化和批處理介紹129 8.1用在MNIST上的三層網絡129 8.2好吧,這很簡單131 8.3記憶與泛化132 8.4神經網絡中的過擬合133 8.5過擬合從何而來134 8.6最簡單的正則化:提前停止135 8.7行業標準正則化:dropout136 8.8為什麼dropout有效:整合是有效的137 8.9dropout的代碼137 8.10在MNIST數據集上對dropout進行測試139 8.11批量梯度下降140 8.12本章小結143 第9章概率和非線性建模:激活函數145 9.1什麼是激活函數?145 9.2標準隱藏層激活函數148 9.3標準輸出層激活函數149 9.4核心問題:輸入具有相似性151 9.5計算softmax152 9.6激活函數使用說明153 9.7將增量與斜率相乘156 9.8將輸出轉換為斜率(導數)157 9.9升級MNIST網絡157 第10章卷積神經網絡概論:關於邊與角的神經學習161 10.1在多個位置復用權重161 10.2卷積層162 10.3基於NumPy的簡單實現164 10.4本章小結167 第11章能夠理解自然語言的神經網絡:國王-男人女人=?169 11.1理解語言究竟是指什麼?170 11.2自然語言處理(NLP)170 11.3監督NLP學習171 11.4IMDB電影評論數據集172 11.5在輸入數據中提取單詞相關性173 11.6對影評進行預測174 11.7引入嵌入層175 11.8解釋輸出177 11.9神經網絡結構178 11.10單詞嵌入表達的對比180 11.1是什麼意思?181 11.12完形填空182 11.13損失函數的意義183 11.14國王-男人女人~=女王186 11.15單詞類比187 11.16本章小結188 第12章像莎士比亞一樣寫作的神經網絡:變長數據的遞歸層189 12.1任意長度的挑戰189 12.2做比較真的重要嗎?190 12.3平均詞向量的神奇力量191 12.4信息是如何存儲在這些向量嵌入中的?192 12.5神經網絡是如何使用嵌入的?193 12.6詞袋向量的局限194 12.7用單位向量求詞嵌入之和195 12.8不改變任何東西的矩陣196 12.9學習轉移矩陣197 12.10學習創建有用的句子向量198 12.11Python下的前向傳播199 12.12如何反向傳播?200 12.13讓我們訓練它!201 12.14進行設置201 12.15任意長度的前向傳播202 12.16任意長度的反向傳播203 12.17任意長度的權重更新204 12.18運行代碼,並分析輸出205 12.19本章小結207 第13章介紹自動優化:搭建深度學習框架209 13.1深度學習框架是什麼?209 13.2張量介紹210 13.3自動梯度計算(autograd)介紹211 13.4快速檢查213 13.5多次使用的張量214 13.6升級autograd以支持多次使用的張量215 13.7加法的反向傳播如何工作?217 13.8增加取負值操作的支持218 13.9添加更多函數的支持219 13.10使用autograd訓練神經網絡222 13.11增加自動優化224 13.12添層類型的支持225 13.13包層層226 13.14損失函數層227 13.15如何學習一個框架228 13.16非線性層228 13.17嵌入層230 13.18將下標操作添加到autograd231 13.19再看嵌入層232 13.20交叉熵層233 13.21遞歸神經網絡層235 13.22本章小結238 第14章像莎士比亞一樣寫作:長短期記憶網絡239 14.1字符語言建模239 14.2截斷式反向傳播的必要性240 14.3截斷式反向傳播241 14.4輸出樣例244 14.5梯度消失與梯度激增245 14.6RNN反向傳播的小例子246 14.7長短期記憶(LS胞247 14.8關於LSTM門限的直觀理解248 14.9長短期記憶層249 14.10升級字符語言模型250 14.11訓練LSTM字符語言模型251 14.12調優LSTM字符語言模型252 14.13本章小結253 第15章在看不見的數據上做深度學習:聯邦學習導論255 15.1深度學習的隱私問題255 15.2聯邦學習256 15.3學習檢測垃圾郵件257 15.4讓我們把它聯邦化259 15.5深入聯邦學習260 15.6安全聚合261 15.7同態加密262 15.8同態加密聯邦學習263 15.9本章小結264 第16章往哪裡去:簡要指引265 深度學習是人工智能的一個分支,受到人類大腦的啟發,致力於指導計算機用神經網絡進行學習。在線文本翻譯、自動駕駛、商品推薦和智能語音助手等一繫列令人興奮的現代技術應用領域,都在深度學習的輔助下取得了突破性進展。《深度學習圖解》指導你從最基礎的每一行代碼開始搭建深度學習網絡!經驗豐富的深度學習專家Andrew W.Trask以有趣的圖解方式為你揭開深度學習的神秘面紗,使你可親身體會訓練神經網絡的每個細節。隻需要使用Python語言及其最基本的數學庫NumPy,就可以訓練出自己的神經網絡,借助它觀察並理解圖像、將文字翻譯成不同的語言,甚至像莎士比亞一樣寫作!當你完成這一切後,就為成為精通深度學習框架的專家做好了充分準備!本書主要內容包括:深度學習的基礎科學原理,自行設計和訓練神經網絡,隱私保護的知識,包括聯邦學習,幫助你繼續深度學習之旅的建議獨一無二的低門檻。在閱讀本書前,讀者隻需要掌握高中數學知等
" | | | | | |