Keras深度學習與神經網絡

肖睿 程鳴萱

Keras深度學習與神經網絡 預覽內頁
  • 出版商: 人民郵電
  • 出版日期: 2023-01-01
  • 定價: $359
  • 售價: 8.5 折 $305
  • 語言: 簡體中文
  • 頁數: 196
  • ISBN: 7115564787
  • ISBN-13: 9787115564788
  • 相關分類: DeepLearning

    • 立即出貨 (庫存 < 3)

  • Keras深度學習與神經網絡-preview-1
  • Keras深度學習與神經網絡-preview-2
Keras深度學習與神經網絡-preview-1

簡體書拿來曬2本75折 詳見活動內容 »

商品描述

本書從人工智能導論入手，闡述人工智能的發展及現狀，重點介紹了機器學習和神經網絡基礎、反向傳播原理、捲積神經網絡和循環神經網絡等內容。本書內容由淺入深，循序漸進，從神經元和感知機入手，逐步講解深度學習中神經網絡基礎、反向傳播以及更深層次的捲積神經網絡、循環神經網絡。本書知識體系完整，內容覆蓋面廣，介紹了深度學習中常用的模型和算法，助力讀者多方位掌握深度學習的相關知識。

本書可作為高等院校電腦等相關專業的教材，也可供人工智能領域的技術人員學習使用，還可以作為人工智能研究人員的參考用書。

作者簡介

肖睿，課工場創始人，北京大學教育學博士，北京大學軟件學院特約講師，北京大學學習科學實驗室特約顧問。作為北大青鳥 Aptech 的聯合創始人，歷任學術總監、研究院院長、公司副總裁等核心崗位，擁有20多年的IT職業教育產品管理和企業管理經驗。於2015年創辦課工場，兼任總經理，旨在為大學生提供更可靠的 IT 就業教育及服務。

目錄大綱

目錄 第１章 人工智能導論

任務　1.1：瞭解人工智能發展歷程

人工智能的發展歷程

任務　1.2：理解人工智能、機器學習、深度學習.

1.2.1　人工智能，機器學習和深度學習

1.2.2　深度學習的發展

任務　1.3：瞭解深度學習的應用情況

1.3.1　深度學習的應用情況

本章小結

本章習題

第　2 章 深度學習流程

任務　2.1：什麼是機器學習

2.1.1　機器學習

2.1.2　機器如何學習

任務　2.2：理解回歸與分類

2.2.1　回歸

2.2.2　分類

任務　2.3：瞭解深度學習工作過程

深度學習工作過程

本章小結

本章習題

第　3 章 神經網絡基礎

任務　3.1：什麼是人工神經元

3.1.1　生物神經元

3.1.2　人工神經元

任務　3.2：理解激活函數的意義

3.2.1　激活函數的意義

3.2.2　激活函數種類

任務　3.3：掌握基礎的神經網絡結構

3.3.1　感知機模型

3.3.2　全連接神經網絡

任務　3.4：瞭解什麼是損失函數

3.4.1　損失函數的意義

3.4.2　損失函數的種類

本章小結

本章習題

第　4 章 反向傳播原理.

任務　4.1：計算神經網絡的輸出

前向傳播計算

任務　4.2：掌握反向傳播算法

4.2.1　反向傳播算法的意義

4.2.2　反向傳播算法的計算

任務　4.3：掌握梯度下降算法

4.3.1　梯度下降概述

4.3.2　梯度下降的形式

4.3.3　學習率的作用

任務　4.4：使用 Python 實現反向傳播算法

反向傳播的　Python 實現

本章小結

本章習題

第　5 章 Keras 與環境配置

任務　5.1：深度學習開發環境的配置

5.1.1　Python 開發環境搭建

5.1.2　Keras 與 TensorFlow 安裝

任務　5.2：快速開始 Keras

5.2.1　為什麼選擇 Keras

5.2.2　快速開始 Keras

任務　5.3：掌握順序模型 Sequential API

5.3.1　Sequential API

任務　5.4：認識函數式模型 Funtional API

Funtional　API

本章小結

本章習題

第　6 章 深度神經網絡手寫體識別

任務　6.1：理解 Softmax 回歸模型

6.1.1　Softmax 回歸模型

6.1.2　交叉熵損失函數

任務　6.2：使用手寫體識別數據集 MNIST

圖像分類數據集-MNIST

任務　6.3：深度神經網絡解決圖像分類問題

多層感知機結合　Softmax 完成手寫體識別

任務　6.4：模型評估

6.4.1　選擇一個可靠的模型

6.4.2　欠擬合和過擬合

本章小結

本章習題

第　7 章 神經網絡優化

任務　7.1：範數正則化避免過擬合

範數正則化

任務　7.2：丟棄法正則化避免過擬合

丟棄法

任務　7.3：掌握改進的優化算法

7.3.1　深度學習與優化

7.3.2　小批量隨機梯度下降算法改進

本章小結

本章習題

第　8 章 捲積神經網絡

任務　8.1：初識捲積神經網絡

8.1.1　捲積概述

8.1.2　與全連接網絡對比

任務　8.2：捲積運算

8.2.1　捲積核

8.2.2　填充和步幅

8.2.3　多通道捲積

8.2.4　池化層

任務　8.3：LeNet 實現物體分類

8.3.1　LeNet-開山之作

8.3.2　LeNet 進行物體分類

本章小結

本章習題

第　9 章 捲積神經網絡經典結構

任務　9.1：訓練深度捲積神經網絡

9.1.1　AlexNet

9.1.2　圖像增廣

9.1.3　實現 AlexNet

任務　9.2：進一步增加網絡的深度

9.2.1　VGG 系列

9.2.2　應用 VGG16 提取特徵

任務　9.3：認識並行結構的捲積網絡

9.3.1　GoogLeNet

9.3.2　Inception 結構塊

9.3.3　1×1 捲積核

9.3.4　GoogLeNet 結構

任務　9.4：把網絡深度提升至上百層

9.4.1　深度殘差網絡

9.4.2　稠密連接網絡

本章小結

本章習題

第　10 章 循環神經網絡

任務　10.1：對時序數據建模

10.1.1　時序數據

10.1.2　循環神經網絡

任務　10.2：增加循環神經網絡的記憶

10.2.1　長短期記憶網絡原理

10.2.2　Keras 實現 LSTM

任務　10.3：優化長短期記憶網絡

10.3.1　重置門與更新門

本章小結

本章習題

 

 

類似商品