深度學習入門與實踐(普通高等院校數據科學與大數據技術專業十三五規劃教材)

                      深度學習入門與實踐(普通高等院校數據科學與大數據技術專業十三五規劃教材)
                      分享
                      掃描下方二維碼分享到微信
                      打開微信,點擊右上角”+“,
                      使用”掃一掃“即可將網頁分享到朋友圈。
                      作者:
                      2021-09
                      ISBN: 9787548746331
                      定價: 36.00
                      • 本書首先以圖文并茂的形式深入淺出地介紹了機器學習和深度學習的基本概念,闡明了機器學習和深度學習的本質是對待學習的函數進行擬合這一基本概念。通過介紹基礎的線性回歸、分類、邏輯回歸等機器學習問題及其關系,建立機器學習與概率分布、貝葉斯理論、矩陣運算之間的關聯,并以較為直觀同時也兼具理論高度的方式引出邏輯回歸與人工神經元之間的關聯,從而為人工(深度)神經網絡的引入做好鋪墊。接著,本書從深度學習基本概念、典型模型和應用、反向傳播算法、編程實現、訓練技巧等方面較為詳盡地介紹了深度學習的基礎內容。最后通過介紹卷積神經網絡、詞嵌入、循環神經網絡等典型的深度學習模型來進一步提升初學者對深度學習的認識。
                            本書能夠幫助中南大學以及其他高校的大數據專業、人工智能專業的本科生用最快的速度入門深度學習。 第1章  機器學習概述與線性回歸模型
                          1.1  機器學習基本概念
                          1.2  神經元模型
                          1.3  線性回歸
                          1.4  線性回歸的實現
                          1.5  模型的測試
                          1.6  Adagrad算法
                          1.7  高次模型
                        第2章  基于概率的分類模型
                          2.1  分類基本概念
                          2.2  回歸模型用于分類問題
                          2.3  分類問題的建模
                          2.4  先驗概率的估算
                          2.5  解決分類問題
                          2.6  模型優化
                          2.7  基于概率的分類模型總結
                          2.8  后驗概率
                        第3章  邏輯回歸
                          3.1  邏輯回歸的三個步驟
                          3.2  邏輯回歸和線性回歸的比較
                          3.3  判別模型和生成模型
                          3.4  多類別分類
                          3.5  邏輯回歸的局限性
                        第4章  深度學習概述
                          4.1  深度學習的應用及發展歷程
                          4.2  深度學習基本概念
                          4.3  全連接前饋神經網絡
                          4.4  手寫體數字識別實例
                            4.4.1  模型構建
                            4.4.2  實現MNIST數字識別
                            4.4.3  總結與思考
                        第5章  反向傳播
                          5.1  鏈式求導
                          5.2  反向傳播的推導
                          5.3  反向傳播的Python實現
                            5.3.1  實現誤差反向傳播算法的兩層神經網絡
                            5.3.2  誤差反向傳播的梯度確認
                            5.3.3  使用誤差反向傳播法的學習
                        第6章  PyTorch編程案例
                          6.1  基于PyTorch的神經網絡實現
                          6.2  訓練參數分析
                          6.3  模型的保存和加載
                          6.4  模型的評估
                        第7章  深度學習訓練技巧
                          7.1  深度學習訓練中存在的問題
                          7.2  訓練階段問題以及應對技巧
                            7.2.1  梯度消失問題
                            7.2.2  更換激活函數
                            7.2.3  設置自適應的學習率
                          7.3  測試階段問題的應對技巧
                            7.3.1  早停
                            7.3.2  正則化
                            7.3.3  Dmpout
                        第8章  卷積神經網絡
                          8.1  CNN設計準則
                            8.1.1  局部性準則
                            8.1.2  參數共享準則
                            8.1.3  子采樣準則
                          8.2  CNN的整體架構
                          8.3  CNN的卷積層
                            8.3.1  卷積運算概述
                            8.3.2  卷積層和全連接層的比較
                          8.4  池化層
                          8.5  卷積之后的全連接層
                        第9章  深層網絡的意義
                          9.1  神經網絡的層數
                          9.2  深度學習的模塊化思想
                          9.3  模塊化實例――語音
                          9.4  模塊化與萬有逼近定理
                          9.5  端到端學習
                          9.6  采用深度學習的更多理由
                        第10章  詞嵌入模型
                          10.1  獨熱編碼與單詞聚類
                          10.2  詞嵌人模型、單詞語義、上下文
                          10.3  兩種詞嵌入模型
                          10.4  詞嵌入模型的訓練和變種
                          10.5  詞嵌入模型的性質
                          10.6  詞嵌入模型的應用
                        第11章  循環神經網絡
                          11.1  填槽技術給DNN帶來的挑戰
                          11.2  RNN初探
                          11.3  RNN的變種
                          11.4  長短期記憶網絡單元
                          11.5  LSTM與DNN以及RNN的關聯
                          11.6  RNN的訓練
                          11.7  RNN的應用
                        參考文獻
                      • 內容簡介:
                        本書首先以圖文并茂的形式深入淺出地介紹了機器學習和深度學習的基本概念,闡明了機器學習和深度學習的本質是對待學習的函數進行擬合這一基本概念。通過介紹基礎的線性回歸、分類、邏輯回歸等機器學習問題及其關系,建立機器學習與概率分布、貝葉斯理論、矩陣運算之間的關聯,并以較為直觀同時也兼具理論高度的方式引出邏輯回歸與人工神經元之間的關聯,從而為人工(深度)神經網絡的引入做好鋪墊。接著,本書從深度學習基本概念、典型模型和應用、反向傳播算法、編程實現、訓練技巧等方面較為詳盡地介紹了深度學習的基礎內容。最后通過介紹卷積神經網絡、詞嵌入、循環神經網絡等典型的深度學習模型來進一步提升初學者對深度學習的認識。
                            本書能夠幫助中南大學以及其他高校的大數據專業、人工智能專業的本科生用最快的速度入門深度學習。
                      • 目錄:
                        第1章  機器學習概述與線性回歸模型
                          1.1  機器學習基本概念
                          1.2  神經元模型
                          1.3  線性回歸
                          1.4  線性回歸的實現
                          1.5  模型的測試
                          1.6  Adagrad算法
                          1.7  高次模型
                        第2章  基于概率的分類模型
                          2.1  分類基本概念
                          2.2  回歸模型用于分類問題
                          2.3  分類問題的建模
                          2.4  先驗概率的估算
                          2.5  解決分類問題
                          2.6  模型優化
                          2.7  基于概率的分類模型總結
                          2.8  后驗概率
                        第3章  邏輯回歸
                          3.1  邏輯回歸的三個步驟
                          3.2  邏輯回歸和線性回歸的比較
                          3.3  判別模型和生成模型
                          3.4  多類別分類
                          3.5  邏輯回歸的局限性
                        第4章  深度學習概述
                          4.1  深度學習的應用及發展歷程
                          4.2  深度學習基本概念
                          4.3  全連接前饋神經網絡
                          4.4  手寫體數字識別實例
                            4.4.1  模型構建
                            4.4.2  實現MNIST數字識別
                            4.4.3  總結與思考
                        第5章  反向傳播
                          5.1  鏈式求導
                          5.2  反向傳播的推導
                          5.3  反向傳播的Python實現
                            5.3.1  實現誤差反向傳播算法的兩層神經網絡
                            5.3.2  誤差反向傳播的梯度確認
                            5.3.3  使用誤差反向傳播法的學習
                        第6章  PyTorch編程案例
                          6.1  基于PyTorch的神經網絡實現
                          6.2  訓練參數分析
                          6.3  模型的保存和加載
                          6.4  模型的評估
                        第7章  深度學習訓練技巧
                          7.1  深度學習訓練中存在的問題
                          7.2  訓練階段問題以及應對技巧
                            7.2.1  梯度消失問題
                            7.2.2  更換激活函數
                            7.2.3  設置自適應的學習率
                          7.3  測試階段問題的應對技巧
                            7.3.1  早停
                            7.3.2  正則化
                            7.3.3  Dmpout
                        第8章  卷積神經網絡
                          8.1  CNN設計準則
                            8.1.1  局部性準則
                            8.1.2  參數共享準則
                            8.1.3  子采樣準則
                          8.2  CNN的整體架構
                          8.3  CNN的卷積層
                            8.3.1  卷積運算概述
                            8.3.2  卷積層和全連接層的比較
                          8.4  池化層
                          8.5  卷積之后的全連接層
                        第9章  深層網絡的意義
                          9.1  神經網絡的層數
                          9.2  深度學習的模塊化思想
                          9.3  模塊化實例――語音
                          9.4  模塊化與萬有逼近定理
                          9.5  端到端學習
                          9.6  采用深度學習的更多理由
                        第10章  詞嵌入模型
                          10.1  獨熱編碼與單詞聚類
                          10.2  詞嵌人模型、單詞語義、上下文
                          10.3  兩種詞嵌入模型
                          10.4  詞嵌入模型的訓練和變種
                          10.5  詞嵌入模型的性質
                          10.6  詞嵌入模型的應用
                        第11章  循環神經網絡
                          11.1  填槽技術給DNN帶來的挑戰
                          11.2  RNN初探
                          11.3  RNN的變種
                          11.4  長短期記憶網絡單元
                          11.5  LSTM與DNN以及RNN的關聯
                          11.6  RNN的訓練
                          11.7  RNN的應用
                        參考文獻
                      查看詳情
                      您可能感興趣 / 更多
                      深度學習入門與實踐(普通高等院校數據科學與大數據技術專業十三五規劃教材)
                      物聯網編程技術
                      魯鳴鳴
                      实拍会所推油54分钟免费观看