神經網絡設計與實現 Hands-On Neural Networks

Leonardo De Marchi,Laura Mitchell

  • 出版商: 機械工業
  • 出版日期: 2021-06-01
  • 定價: $534
  • 售價: 8.5$454
  • 語言: 簡體中文
  • 頁數: 256
  • 裝訂: 平裝
  • ISBN: 7111683501
  • ISBN-13: 9787111683506
  • 此書翻譯自: Hands-On Neural Networks
  • 立即出貨

買這商品的人也買了...

商品描述

本書是一本神經網絡實踐進階指南,適合對AI和深度學習感興趣並且想進一步提高技能的讀者閱讀。
本書從機器學習基礎、深度學習應用和高級機器學習這三個方面入手,
結合算法理論、代碼實現和應用場景,介紹了機器學習的新動向和新技術。
本書分為三部分:
第1部分網絡神經入門,主要介紹了人工智能歷史、機器學習概述和神經網絡基礎;
第二部分,深度學習應用,主要是基於卷積神經網絡圖像處理、
文本挖掘、循環神經網絡、利用遷移學習重用神經網絡;
第三部分,高級應用領域,主要介紹對生成對抗網絡、自動編碼器、
損失函數、深度信度網絡、強化學習基本定義等。

作者簡介

列奧納多·德·馬爾希(Leonardo De Marchi)
目前是Badoo的數據科學家主管,Badoo是世界上的大型交友網站之一,擁有超過4億名用戶。
他也是ideai.io(一家專門從事機器學習培訓的公司)的首席教練,為大型機構和有活力的初創企業提供技術和管理培訓。
他擁有人工智能專業碩士學位,曾在體育界擔任數據科學家。


勞拉·米切爾(Laura Mitchell)
目前是Badoo的首席數據科學家。
Laura在NLP、圖像分類和推薦系統等項目的交付方面具有豐富的實踐經驗,包括從最初的構思到產品化。
她熱衷於學習新技術並緊跟行業趨勢。

目錄大綱

譯者序
前言
第一部分神經網絡入門
第1章有監督學習入門2
1.1人工智能的歷史2
1.2機器學習概述4
1.2.1有監督學習4
1.2.2無監督學習4
1.2.3半監督學習5
1.2 .4強化學習5
1.3配置環境6
1.3.1了解虛擬環境7
1.3.2 Anaconda8
1.3.3 Docker9
1.4 Python有監督學習實踐9
1.5特徵工程11
1.6有監督學習算法14
1.6.1指標15
1.6.2模型評估17
1.7總結19

第2章神經網絡基礎20
2.1感知器20
2.2 Keras27
2.3前饋神經網絡29
2.3.1反向傳播介紹31
2.3.2激活函數33
2.3.3 Keras實現36
2.4從頭開始使用Python編寫FFNN40
2.4.1 FFNN的Keras實現43
2.4.2 TensorBoard45
2.4.3 XOR問題中的TensorBoard45
2.5總結48

第二部分深度學習應用
第3章基於卷積神經網絡的圖像處理50
3.1理解卷積神經網絡50
3.2卷積層52
3.2.1池化層55
3.2.2丟棄層57
3.2.3歸一化層57
3.2.4輸出層57
3.3 Keras中的捲積神經網絡58
3.3.1加載數據58
3.3.2創建模型60
3.3.3網絡配置60
3.4 Keras表情識別63
3.5優化網絡68
3.6總結70

第4章利用文本嵌入71
4.1面向NLP的機器學習71
4.2理解詞嵌入73
4.2.1詞嵌入的應用73
4.2.2 Word2vec74
4.3 GloVe80
4.3.1全局矩陣分解80
4.3.2使用GloVe模型82
4.3.3基於GloVe的文本分類85
4.4總結87

第5章循環神經網絡88
5.1理解循環神經網絡88
5.1.1循環神經網絡原理90
5.1.2循環神經網絡類型91
5.1.3損失函數94
5.2長短期記憶95
5.2.1 LSTM架構95
5.2.2 Keras長短期記憶實現98
5.3 PyTorch基礎知識102
5.4總結106

第6章利用遷移學習重用神經網絡107
6.1遷移學習理論107
6.1.1多任務學習介紹108
6.1.2重用其他網絡作為特徵提取器108
6.2實現多任務學習108
6.3特徵提取110
6.4在PyTorch中實現遷移學習110
6.5總結116

第三部分高級應用領域
第7章使用生成算法118
7.1判別算法與生成算法118
7.2理解GAN120
7.2.1訓練GAN121
7.2.2 GAN面臨的挑戰123
7.3 GAN的發展變化和時間線124
7.3.1條件GAN125
7.3.2 DCGAN125
7.3.3 Pix2Pix GAN131
7.3.4 StackGAN132
7.3.5 CycleGAN133
7.3.6 ProGAN135
7.3.7 StarGAN136
7.3.8 BigGAN138
7.3.9 StyleGAN139
7.3.10 Deepfake142
7.3.11 RadialGAN143
7.4總結144
7.5延伸閱讀144

第8章實現自編碼器146
8.1自編碼器概述146
8.2自編碼器的應用147
8.3瓶頸和損失函數147
8.4自編碼器的標準類型148
8.4.1欠完備自編碼器148
8.4.2多層自編碼器151
8.4.3卷積自編碼器152
8.4.4稀疏自編碼器155
8.4.5去噪自編碼器156
8.4.6收縮自編碼器157
8.5變分自編碼器157
8.6訓練變分自編碼器159
8.7總結164
8.8延伸閱讀164

第9章DBN165
9.1 DBN概述165
9.1.1貝葉斯置信網絡166
9.1.2受限玻爾茲曼機167
9.2 DBN架構176
9.3訓練DBN177
9.4微調179
9.5數據集和庫179
9.5.1示例—有監督的DBN分類180
9.5.2示例—有監督的DBN回歸181
9.5.3示例—無監督的DBN分類182
9.6總結183
9.7延伸閱讀183

第10章強化學習184
10.1基本定義184
10.2 Q-learning介紹187
10.2.1學習目標187
10.2.2策略優化188
10.2.3 Q-learning方法188
10.3使用OpenAI Gym188
10.4冰湖問題191
10.5總結199

第11章下一步是什麼200
11.1本書總結200
11.2機器學習的未來201
11.3通用人工智能202
11.3.1 AI倫理問題203
11.3.2可解釋性203
11.3.3自動化204
11.3.4 AI安全性204
11.3.5問責制205
11.4結語205