總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
深度學習案例精粹(配件另行下載)
 作  者: (愛爾蘭)艾哈邁德•曼肖伊
 出版單位: 人民郵電
 出版日期: 2019.09
 進貨日期: 2019/10/30
 ISBN: 9787115505859
 開  本: 16 開    
 定  價: 668
 售  價: 534
  會 員 價: 490

目前無補書計畫

推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

深度學習是機器學習中的一個流行子集,能夠幫助用戶更快速地構建複雜模型,並提供更準確的預測。《深度學習案例精粹》將帶領讀者進入深度學習的世界,通過實際操作示例來加深理解。
1.《深度學習案例精粹》語言簡練,通過問題簡述、方法概括及代碼,讓讀者可以儘快理解並上手深度學習的演算法。
2.《深度學習案例精粹》給出的代碼非常詳細,可以直接運行,可以為急於將深度學習應用於實際項目的工程師提供有力?明,讀者可至非同步社區下載原始程式碼及彩圖文件。
3.《深度學習案例精粹》涵蓋了大多數的主流深度學習任務,包括圖像領域的圖像識別、目標檢測任務,自然語言處理中的詞嵌入、情感分析任務,以及無監督學習任務等。還介紹了幾個深度學習的經典模型,當下深度學習的大多數模型都是在這些基礎模型上的改進與組合,不同領域的從業人員或多或少都能從中獲得啟發。
4.《深度學習案例精粹》使用目前廣泛應用的深度學習框架之一—TensorFlow以及非常流行的Python語言進行代碼示例,想要進一步學習的讀者將會有極多的社區資源。


內容簡介:

本書主要講述了深度學習中的重要概念和技術,並展示了如何使用TensorFlow實現高級機器學習演算法和神經網路。本書首先介紹了資料科學和機器學習中的基本概念,然後講述如何使用TensorFlow訓練深度學習模型,以及如何通過訓練深度前饋神經網路對數位進行分類,如何通過深度學習架構解決電腦視覺、語言處理、語義分析等方面的實際問題,*後討論了高級的深度學習模型,如生成對抗網路及其應用。


作者簡介:

艾哈邁德·曼肖伊(Ahmed Menshawy)是愛爾蘭都柏林三一學院的研究工程師。他在機器學習和自然語言處理領域擁有超過5年的工作經驗,並擁有電腦科學碩士學位。他曾在埃及開羅阿勒旺大學(Helwan University)電腦科學系做教學助理,負責機器學習和自然語言處理課程,如機器學習、影像處理等,並參與設計了阿拉伯文字到語音的系統。此外,他還是埃及的IST Networks工業研發實驗室的機器學習專家。


圖書目錄:

第 1章 資料科學——鳥瞰全景 1

1.1 通過示例瞭解資料科學 2

1.2 設計資料科學演算法的流程 7

1.2.1 資料預處理 8

1.2.2 特徵選擇 8

1.2.3 模型選擇 9

1.2.4 學習過程 9

1.2.5 評估模型 9

1.3 開始學習 10

1.4 實現魚類識別/檢測模型 12

1.4.1 知識庫/資料集 12

1.4.2 資料分析預處理 14

1.4.3 搭建模型 17

1.5 不同學習類型 22

1.5.1 監督學習 22

1.5.2 無監督學習 23

1.5.3 半監督學習 24

1.5.4 強化學習 24

1.6 資料量和行業需求 25

1.7 總結 25



第 2章 資料建模實戰——“泰坦尼克號”示例 27

2.1 線性回歸模型 27

2.1.1 原因 28

2.1.2 廣告—— 一個財務方面的例子 28

2.2 線性分類模型 36

2.3 “泰坦尼克號”示例——建立和訓練模型 38

2.3.1 資料處理和視覺化 39

2.3.2 資料分析——監督機器學習 44

2.4 不同類型的誤差解析 47

2.5 表現(訓練集)誤差 47

2.6 泛化/真實誤差 48

2.7 總結 48



第3章 特徵工程與模型複雜性——重溫“泰坦尼克號”示例 49

3.1 特徵工程 49

3.1.1 特徵工程的類型 50

3.1.2 重溫“泰坦尼克號”示例 51

3.2 維度災難 62

3.3 重溫“泰坦尼克號”示例——融會貫通 64

3.4 偏差-方差分解 78

3.5 學習可見性 80

3.6 總結 80



第4章 TensorFlow入門實戰 82

4.1 安裝TensorFlow 82

4.1.1 在Ubuntu 16.04系統上安裝GPU版的TensorFlow 83

4.1.2 在Ubuntu 16.04系統上安裝CPU版的TensorFlow 86

4.1.3 在Mac OS X上安裝CPU版的TensorFlow 88

4.1.4 在Windows系統上安裝CPU/GPU版的TensorFlow 88

4.2 TensorFlow運行環境 89

4.3 計算圖 90

4.4 TensorFlow中的資料類型、變數、預留位置 91

4.4.1 變數 91

4.4.2 預留位置 92

4.4.3 數學運算 92

4.5 獲取TensorFlow的輸出 94

4.6 TensorBoard——視覺化學習過程 95

4.7 總結 101



第5章 TensorFlow基礎示例實戰 102

5.1 神經元的結構 102

5.2 啟動函數 104

5.2.1 sigmoid 105

5.2.2 tanh 105

5.2.3 ReLU 105

5.3 前饋神經網路 106

5.4 需要多層網路的原因 107

5.4.1 訓練MLP——反向傳播演算法 108

5.4.2 前饋傳播 109

5.4.3 反向傳播和權值更新 110

5.5 TensorFlow術語回顧 110

5.5.1 使用Tensorflow定義多維陣列 112

5.5.2 為什麼使用張量 114

5.5.3 變數 115

5.5.4 預留位置 116

5.5.5 操作 117

5.6 構建與訓練線性回歸模型 118

5.7 構建與訓練邏輯回歸模型 123

5.8 總結 130



第6章 深度前饋神經網路——實現數位分類 131

6.1 隱藏單元與架構設計 131

6.2 MNIST資料集分析 133

6.3 數字分類——構建與訓練模型 135

6.3.1 分析資料 137

6.3.2 構建模型 140

6.3.3 訓練模型 144

6.4 總結 148



第7章 卷積神經網路 149

7.1 卷積運算 149

7.2 動機 152

7.3 CNN的不同層 153

7.3.1 輸入層 153

7.3.2 卷積步驟 154

7.3.3 引入非線性 155

7.3.4 池化步驟 156

7.3.5 全連接層 157

7.4 CNN基礎示例——MNIST手寫數字分類 159

7.4.1 構建模型 162

7.4.2 訓練模型 167

7.5 總結 174



第8章 目標檢測——CIFAR-10示例 175

8.1 目標檢測 175

8.2 CIFAR-10靶心圖表像檢測——構建與訓練模型 176

8.2.1 使用套裝軟體 176

8.2.2 載入CIFAR-10資料集 177

8.2.3 資料分析與預處理 178

8.2.4 建立網路 183

8.2.5 訓練模型 186

8.2.6 測試模型 191

8.3 總結 195



第9章 目標檢測——CNN遷移學習 196

9.1 遷移學習 196

9.1.1 遷移學習背後的直覺 197

9.1.2 傳統機器學習與遷移學習之間的不同 198

9.2 CIFAR-10目標檢測——回顧 199

9.2.1 解決方案大綱 199

9.2.2 載入和探索CIFAR-10資料集 200

9.2.3 inception模型遷移值 204

9.2.4 遷移值分析 207

9.2.5 模型構建與訓練 211

9.3 總結 219

第 10章 迴圈神經網路——語言模型 220

10.1 RNN的直觀解釋 220

10.1.1 RNN的架構 221

10.1.2 RNN的示例 222

10.1.3 梯度消失問題 224

10.1.4 長期依賴問題 225

10.2 LSTM網路 226

10.3 語言模型的實現 227

10.3.1 生成訓練的最小批 230

10.3.2 構建模型 232

10.3.3 訓練模型 238

10.4 總結 243



第 11章 表示學習——實現詞嵌入 244

11.1 表示學習簡介 244

11.2 Word2Vec 245

11.3 skip-gram架構的一個實際例子 248

11.4 實現skip-gram Word2Vec 250

11.4.1 資料分析與預處理 251

11.4.2 構建模型 257

11.4.3 訓練模型 259

11.5 總結 264



第 12章 神經網路在情感分析中的應用 265

12.1 常用的情感分析模型 265

12.1.1 RNN——情感分析背景 267

12.1.2 梯度爆炸與梯度消失——回顧 269

12.2 情感分析——模型實現 270

12.2.1 Keras 270

12.2.2 資料分析與預處理 271

12.2.3 構建模型 282

12.2.4 模型訓練和結果分析 284

12.3 總結 288



第 13章 自動編碼器——特徵提取和降噪 289

13.1 自動編碼器簡介 289

13.2 自動編碼器的示例 290

13.3 自動編碼器架構 291

13.4 壓縮MNIST資料集 292

13.4.1 MNIST資料集 292

13.4.2 構建模型 293

13.4.3 訓練模型 295

13.5 卷積自動編碼器 297

13.5.1 資料集 297

13.5.2 構建模型 299

13.5.3 訓練模型 301

13.6 降噪自動編碼器 304

13.6.1 構建模型 305

13.6.2 訓練模型 307

13.7 自動編碼器的應用 310

13.7.1 圖像著色 310

13.7.2 更多的應用 311

13.8 總結 311

第 14章 生成對抗網路 312

14.1 直觀介紹 312

14.2 GAN的簡單實現 313

14.2.1 模型輸入 315

14.2.2 變數作用域 316

14.2.3 Leaky ReLU 316

14.2.4 生成器 317

14.2.5 判別器 318

14.2.6 構建GAN網路 319

14.2.7 訓練模型 322

14.2.8 從生成器中採樣 327

14.3 總結 328



第 15章 面部生成與標籤缺失處理 329

15.1 面部生成 329

15.1.1 獲取資料 330

15.1.2 探討資料集 331

15.1.3 構建模型 332

15.2 用生成對抗網路進行半監督學習 340

15.2.1 直觀解釋 340

15.2.2 資料分析與預處理 341

15.2.3 構建模型 345

15.3 總結 359



附錄A 實現魚類識別 360

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。