91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
深度學(xué)習(xí)基礎(chǔ)（第二版）
深度學(xué)習(xí)基礎(chǔ)（第二版）
Nithin Buduma, Nikhil Buduma, Joe Papa 著
杜春曉 譯
出版時(shí)間：2024年06月
頁數(shù)：374
“這本書提供了一個(gè)開始深入學(xué)習(xí)的好方法,有大量的例子和對概念的完美詮釋。對于對該領(lǐng)域感興趣的任何讀者來說,都是一本完美的書。”
——Vishwesh Ravi Shrimali
ADAS工程師

我們身處AI研究大爆炸的中心。深度學(xué)習(xí)解鎖超人感知力，不僅推動(dòng)自動(dòng)駕駛車輛的研發(fā)，而且在圍棋等多種高難度游戲中擊敗人類專家對手，甚至還可以生成驚人般流暢的文章。但揭秘這些突破往往需要具有機(jī)器學(xué)習(xí)和數(shù)學(xué)博士學(xué)位。
本書作為更新后的第二版，繼續(xù)介紹這些創(chuàng)新背后的基礎(chǔ)知識。行文盡量少用行話，并力求簡潔。熟悉Python的程序員、軟件工程專業(yè)人士和計(jì)算機(jī)科學(xué)專業(yè)的學(xué)生讀了本書，有望自己實(shí)現(xiàn)這些突破，并對其進(jìn)行推理和論證，其研究深度不亞于該領(lǐng)域的些頂尖開發(fā)者。
● 了解機(jī)器學(xué)習(xí)術(shù)語背后的數(shù)學(xué)知識。
● 探究機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。
● 管理網(wǎng)絡(luò)加深過程出現(xiàn)的問題。
● 搭建神經(jīng)網(wǎng)絡(luò)，分析復(fù)雜圖像。
● 用自編碼器高效降維。
● 深入序列分析，用其研究語言。
● 探討復(fù)雜機(jī)器學(xué)習(xí)模型的解釋方法。
● 收獲生成建模的理論和實(shí)用知識。
● 理解強(qiáng)化學(xué)習(xí)的基礎(chǔ)。
  1. 前言
  2. 第1章 深度學(xué)習(xí)線性代數(shù)入門
  3. 1.1 數(shù)據(jù)結(jié)構(gòu)和運(yùn)算
  4. 1.1.1 矩陣運(yùn)算
  5. 1.1.2 向量運(yùn)算
  6. 1.1.3 矩陣—向量乘法
  7. 1.2 基本空間
  8. 1.2.1 列空間
  9. 1.2.2 零空間
  10. 1.3 特征向量和特征值
  11. 1.4 小結(jié)
  12. 第2章 概率論基礎(chǔ)
  13. 2.1 事件和概率
  14. 2.2 條件概率
  15. 2.3 隨機(jī)變量
  16. 2.4 期望
  17. 2.5 方差
  18. 2.6 貝葉斯定理
  19. 2.7 熵、交叉熵和KL散度
  20. 2.8 連續(xù)概率分布
  21. 2.9 小結(jié)
  22. 第3章 神經(jīng)網(wǎng)絡(luò)
  23. 3.1 構(gòu)建智能體
  24. 3.2 傳統(tǒng)計(jì)算機(jī)程序的局限
  25. 3.3 機(jī)器學(xué)習(xí)原理
  26. 3.4 神經(jīng)元
  27. 3.5 用神經(jīng)元表示線性感知器
  28. 3.6 前饋神經(jīng)網(wǎng)絡(luò)
  29. 3.7 線性神經(jīng)元及其限制
  30. 3.8 sigmoid、Tanh和ReLU神經(jīng)元
  31. 3.9 softmax輸出層
  32. 3.10 小結(jié)
  33. 第4章 訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)
  34. 4.1 快餐問題
  35. 4.2 梯度下降
  36. 4.3 Delta法則和學(xué)習(xí)率
  37. 4.4 sigmoid神經(jīng)元的梯度下降
  38. 4.5 反向傳播算法
  39. 4.6 隨機(jī)和小批量梯度下降
  40. 4.7 測試集、驗(yàn)證集和過擬合
  41. 4.8 深度神經(jīng)網(wǎng)絡(luò)防過擬合
  42. 4.9 小結(jié)
  43. 第5章 用PyTorch實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
  44. 5.1 PyTorch簡介
  45. 5.2 安裝PyTorch
  46. 5.3 PyTorch張量
  47. 5.3.1 張量初始化
  48. 5.3.2 張量的屬性
  49. 5.3.3 張量運(yùn)算
  50. 5.4 PyTorch中的梯度
  51. 5.5 PyTorch nn模塊
  52. 5.6 PyTorch數(shù)據(jù)集和數(shù)據(jù)加載器
  53. 5.7 用PyTorch構(gòu)建MNIST分類器
  54. 5.8 小結(jié)
  55. 第6章 超越梯度下降
  56. 6.1 梯度下降的挑戰(zhàn)
  57. 6.2 深度網(wǎng)絡(luò)誤差曲面的局部最小值
  58. 6.3 模型的可識別性
  59. 6.4 深度網(wǎng)絡(luò)虛假局部最小值有多討厭？
  60. 6.5 誤差曲面的平緩區(qū)域
  61. 6.6 當(dāng)梯度指錯(cuò)方向
  62. 6.7 基于動(dòng)量的優(yōu)化
  63. 6.8 二階方法簡述
  64. 6.9 學(xué)習(xí)率自適應(yīng)
  65. 6.9.1 AdaGrad算法——累積歷史梯度
  66. 6.9.2 RMSProp算法——梯度的指數(shù)加權(quán)移動(dòng)平均
  67. 6.9.3 Adam算法——整合動(dòng)量和RMSProp算法
  68. 6.10 關(guān)于優(yōu)化器選擇的思考
  69. 6.11 小結(jié)
  70. 第7章 卷積神經(jīng)網(wǎng)絡(luò)
  71. 7.1 人類視覺神經(jīng)元
  72. 7.2 特征選擇的不足
  73. 7.3 原始深度神經(jīng)網(wǎng)絡(luò)無法擴(kuò)展
  74. 7.4 濾波器和特征圖
  75. 7.5 卷積層的完整描述
  76. 7.6 最大匯聚
  77. 7.7 卷積網(wǎng)絡(luò)全架構(gòu)
  78. 7.8 用卷積網(wǎng)絡(luò)完成MNIST示例
  79. 7.9 圖像預(yù)處理流水線讓模型更健壯
  80. 7.10 用批量歸一化加速訓(xùn)練
  81. 7.11 組歸一化適用于內(nèi)存受限的學(xué)習(xí)任務(wù)
  82. 7.12 為CIFAR-10構(gòu)建卷積網(wǎng)絡(luò)
  83. 7.13 可視化卷積網(wǎng)絡(luò)中的學(xué)習(xí)
  84. 7.14 極深網(wǎng)絡(luò)的殘差學(xué)習(xí)和跳躍連接
  85. 7.15 構(gòu)造具有超人視覺的殘差網(wǎng)絡(luò)
  86. 7.16 利用卷積濾波器復(fù)制藝術(shù)風(fēng)格
  87. 7.17 用卷積濾波器解決其他領(lǐng)域的問題
  88. 7.18 小結(jié)
  89. 第8章 嵌入和表示學(xué)習(xí)
  90. 8.1 學(xué)習(xí)低維表示
  91. 8.2 主成分分析
  92. 8.3 自編碼器架構(gòu)的動(dòng)機(jī)
  93. 8.4 用PyTorch實(shí)現(xiàn)自編碼器
  94. 8.5 去噪讓表示更健壯
  95. 8.6 自編碼器中的稀疏性問題
  96. 8.7 上下文比輸入向量包含更多信息
  97. 8.8 Word2Vec框架
  98. 8.9 實(shí)現(xiàn)Skip-Gram架構(gòu)
  99. 8.10 小結(jié)
  100. 第9章 序列分析模型
  101. 9.1 分析不定長輸入
  102. 9.2 用神經(jīng)N-Grams處理seq2seq問題
  103. 9.3 實(shí)現(xiàn)詞性標(biāo)注器
  104. 9.4 依存分析和SyntaxNet框架
  105. 9.5 束搜索和全局標(biāo)準(zhǔn)化
  106. 9.6 有狀態(tài)深度學(xué)習(xí)模型示例
  107. 9.7 循環(huán)神經(jīng)網(wǎng)絡(luò)
  108. 9.8 梯度消失難題
  109. 9.9 長短期記憶單元
  110. 9.10 PyTorch庫的RNN模型基礎(chǔ)版
  111. 9.11 實(shí)現(xiàn)情感分析模型
  112. 9.12 用循環(huán)神經(jīng)網(wǎng)絡(luò)解決seq2seq任務(wù)
  113. 9.13 用注意力增強(qiáng)循環(huán)網(wǎng)絡(luò)
  114. 9.14 神經(jīng)翻譯網(wǎng)絡(luò)剖析
  115. 9.15 自注意力機(jī)制和transformer模型
  116. 9.16 小結(jié)
  117. 第10章 生成模型
  118. 10.1 生成對抗網(wǎng)絡(luò)
  119. 10.2 變分自編碼器
  120. 10.3 實(shí)現(xiàn)VAE
  121. 10.4 基于分值的生成模型
  122. 10.5 去噪自編碼器和分值匹配
  123. 10.6 小結(jié)
  124. 第11章 模型解釋方法
  125. 11.1 概覽
  126. 11.2 決策樹和基于樹的算法
  127. 11.3 線性回歸
  128. 11.4 評估特征重要性的方法
  129. 11.4.1 特征重要性排列
  130. 11.4.2 部分依賴圖
  131. 11.5 根由萃取
  132. 11.6 LIME方法
  133. 11.7 SHAP方法
  134. 11.8 小結(jié)
  135. 第12章 記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)
  136. 12.1 神經(jīng)圖靈機(jī)
  137. 12.2 基于注意力的存儲訪問
  138. 12.3 NTM存儲尋址機(jī)制
  139. 12.4 可微分神經(jīng)計(jì)算機(jī)
  140. 12.5 DNC免沖突寫入機(jī)制
  141. 12.6 DNC存儲重用
  142. 12.7 DNC寫入的臨時(shí)連接
  143. 12.8 理解DNC讀取頭
  144. 12.9 DNC控制器網(wǎng)絡(luò)
  145. 12.10 DNC可視化實(shí)踐
  146. 12.11 用PyTorch實(shí)現(xiàn)DNC
  147. 12.12 教DNC閱讀和理解
  148. 12.13 小結(jié)
  149. 第13章 深度強(qiáng)化學(xué)習(xí)
  150. 13.1 深度強(qiáng)化學(xué)習(xí)掌握Atari游戲玩法
  151. 13.2 強(qiáng)化學(xué)習(xí)是什么？
  152. 13.3 馬爾科夫決策過程
  153. 13.3.1 策略
  154. 13.3.2 未來獎(jiǎng)賞
  155. 13.3.3 折扣未來獎(jiǎng)賞
  156. 13.4 探討還是利用
  157. 13.4.1 -貪婪
  158. 13.4.2 退火-貪婪
  159. 13.5 策略和價(jià)值學(xué)習(xí)
  160. 13.6 用策略梯度解決倒立擺平衡問題
  161. 13.6.1 OpenAI Gym工具集
  162. 13.6.2 創(chuàng)建智能體
  163. 13.6.3 構(gòu)建模型和優(yōu)化器
  164. 13.6.4 采樣行動(dòng)
  165. 13.6.5 跟蹤歷史
  166. 13.6.6 策略梯度主函數(shù)
  167. 13.6.7 PGAgent解決倒立擺平衡任務(wù)的性能
  168. 13.7 信賴域策略優(yōu)化
  169. 13.8 近端策略優(yōu)化
  170. 13.9 Q-學(xué)習(xí)和深度Q網(wǎng)絡(luò)
  171. 13.9.1 Bellman等式
  172. 13.9.2 價(jià)值迭代問題
  173. 13.9.3 近似Q函數(shù)
  174. 13.9.4 Deep Q-Network
  175. 13.9.5 訓(xùn)練DQN
  176. 13.9.6 學(xué)習(xí)穩(wěn)定性
  177. 13.9.7 目標(biāo)Q網(wǎng)絡(luò)
  178. 13.9.8 經(jīng)驗(yàn)回放
  179. 13.9.9 從Q函數(shù)到策略
  180. 13.9.10 DQN和馬爾科夫假設(shè)
  181. 13.9.11 馬爾科夫假設(shè)的DQN解決方案
  182. 13.9.12 用DQN玩Breakout游戲
  183. 13.9.13 構(gòu)建架構(gòu)
  184. 13.9.14 堆疊幀
  185. 13.9.15 搭建訓(xùn)練操作流水線
  186. 13.9.16 更新目標(biāo)Q網(wǎng)絡(luò)
  187. 13.9.17 實(shí)現(xiàn)經(jīng)驗(yàn)回放
  188. 13.9.18 DQN主循環(huán)
  189. 13.9.19 用DQNAgent玩Breakout游戲的結(jié)果分析
  190. 13.10 改進(jìn)并超越DQN
  191. 13.10.1 深度循環(huán)Q網(wǎng)絡(luò)
  192. 13.10.2 異步優(yōu)勢演員—評論員智能體
  193. 13.10.3 無監(jiān)督強(qiáng)化學(xué)習(xí)和輔助學(xué)習(xí)
  194. 13.11 小結(jié)
書名：深度學(xué)習(xí)基礎(chǔ)（第二版）
譯者：杜春曉 譯
國內(nèi)出版社：中國電力出版社
出版時(shí)間：2024年06月
頁數(shù)：374
書號：978-7-5198-8774-2
原版書書名：Fundamentals of Deep Learning, Second Edition
原版書出版商：O'Reilly Media
Nithin Buduma
 
Nithin Buduma是Cresta公司的機(jī)器學(xué)習(xí)科學(xué)家。該公司是客服中心智能這一領(lǐng)域的引領(lǐng)者。
 
 
Nikhil Buduma
 
Nikhil Buduma是日金山Ambience Healthcare公司的合伙人和首席科學(xué)家。該公司為醫(yī)療保健服務(wù)開發(fā)自主技術(shù)。
 
 
Joe Papa
 
Joe Papa在研究和開發(fā)領(lǐng)域有超過25年的經(jīng)驗(yàn)，他是TeachMe.AI的創(chuàng)始人。他擁有電機(jī)工程碩士學(xué)位，并在Booz Allen Hamilton和Perspecta Labs領(lǐng)導(dǎo)使用PyTorch的AI研究團(tuán)隊(duì)。Joe指導(dǎo)過成百上千的數(shù)據(jù)科學(xué)家，并在Udemy教過全世界超過6000名學(xué)生。
 
 
本書封面的動(dòng)物是一種北太平洋冠帶魚（學(xué)名：Lophotus capellei），別名獨(dú)角魚。它是冠帶魚科（Lophotidae）家族的一員，生活在大西洋和太平洋的深水區(qū)。因研究者難以接觸到這種魚類，目前對其所知甚少。然而，人們曾捕獲的一些長達(dá)6英尺。
購買選項(xiàng)
定價(jià)：128.00元
書號：978-7-5198-8774-2
出版社：中國電力出版社