深度學習工程師認證初級教程

潘海俠,呂科,楊晴虹,白浩傑,檀彥豪著

  • 出版商: 北京航空航天大學
  • 出版日期: 2020-04-01
  • 定價: $354
  • 售價: 7.9$280
  • 語言: 簡體中文
  • 頁數: 215
  • 裝訂: 平裝
  • ISBN: 7512432798
  • ISBN-13: 9787512432796
  • 相關分類: DeepLearning
  • 立即出貨

買這商品的人也買了...

商品描述

本書作為深度學習工程師初級認證官方教材,將深度學習理論基礎與平台操作有機結合,
從算法到實戰,共分6章,
第1~4章主要介紹專業知識,包括數學基礎、Python基礎、機器學習和深度學習等基礎知識;
第5章面向工程實戰能力的訓練,介紹深度學習開發平台,特別是飛槳開發平台的實戰案例;
第6章面向業務理解與實踐能力的提升,介紹深度學習在各個行業的應用案例。

本書適合人工智能領域的工程師、研發人員,在校大學生、研究生,
跨領域轉AI從業者,以及對深度學習人工智能感興趣的讀者使用。

本書提供配套教學內容,詳情請訪問:https://aistudio.baidu.com/。

作者簡介

潘海俠

北京航空航天大學教授,參與過多個機器智能、ERP系統、物流系統、CRM系統的設計與開發;
主要研究方向包括:人工智能、模式識別、計算機視覺與圖像處理、軟件工程、項目管理。

楊晴虹

北京航空航天大學教授,博士,碩士生導師。
主要研究領域,知識挖掘,大數據分析,項目管理,科研管理;
 北航軟件學院軟件工程碩士;美國卡耐基梅隆大學項目管理學院IT項目管理碩士;
北航經濟管理學院管理科學與工程專業博士;美國南康涅狄格州立大學圖書信息科學訪問學者;
美國耶魯大學兒童研究中心數據分析專家。

目錄大綱

第1章數學基礎/1
1.1 微積分基礎/2
1.1.1 極限與積分/2
1.1.2 導數和二階導數/4
1.1.3 方嚮導數和梯度/5
1.1.4 凸函數和極值/7
1.1.5 最優化方法/8
1.2 概率與統計基礎/11
1.2.1 古典概率/11
1.2.2 常用概率分佈/12
1.2.3 貝葉斯公式/14
1.2.4 假設檢驗/14
1.3 線性代數基礎/17
1.3.1 矩陣和向量/17
1.3.2 矩陣乘法/18
1.3.3 矩陣的特徵值和特徵向量/19
習題/20

第2章Python基礎/21
2.1 Python概論/22
2.1.1 Python簡介/22
2.1.2 Python入門/23
2.2 NumPy函數庫基礎/25
2.2.1 NumPy簡介/25
2.2.2 NumPy入門/26
2.3 Matplotlib函數庫基礎/35
2.3.1 Matplotlib簡介/35
2.3.2 Matplotlib入門/35
2.4 Pandas函數庫基礎/38
2.4.1 Pandas簡介/38
2.4.2 Pandas入門/38
2.5 Sklearn函數庫基礎/40
2.5.1 Sklearn簡介/40
2.5.2 Sklearn入門/40
習題/44

第3章機器學習/45
3.1 機器學習概論/46
3.1.1 監督學習概述/46
3.1.2 無監督學習概述/47
3.1.3 強化學習概述/49
3.2 監督學習/50
3.2.1 回歸與分類/50
3.2.2 決策樹/56
3.2.3 神經網絡/60
3.2.4 樸素貝葉斯/63
3.2.5 支持向量機/66
3.3 無監督學習/71
3.3.1 K Means算法/71
3.3.2 降維/72
習題/75

第4章深度學習/78
4.1 深度學習概論/79
4.1.1 深度學習發展歷程/79
4.1.2 深度學習的應用/82
4.1.3 深度學習框架介紹/83
4.2 深度學習網絡結構/84
4.2.1 單層神經網絡/84
4.2.2 淺層神經網絡/88
4.2.3 深層神經網絡/92
4.3 卷積網絡/96
4.3.1 卷積神經網絡簡介/96
4.3.2 卷積神經網絡結構/97
4.3.3 經典卷積網絡模型/104
4.4 循環和遞歸網絡/112
4.4.1 循環神經網絡/112
4.4.2 編碼器與解碼器/116
4.4.3 遞歸神經網絡/118
4.4.4 長短期記憶/120
深度學習工程師認證初級教程
4.5 深度生成模型/122
4.5.1 玻耳茲曼機/122
4.5.2 深度信念網絡/125
4.5.3 有向生成網絡/126
4.5.4 生成隨機網絡/132
習題/133

第5章深度學習平台實戰/135
5.1 深度學習平台介紹及環境搭建/136
5.1.1 飛槳介紹/136
5.1.2 飛槳環境搭建/136
5.2 飛槳入門/137
5.2.1 數據預處理的常規方法/137
5.2.2 模型概覽/138
5.2.3 訓練模型/138
5.2.4 應用模型/142
5.3 飛槳典型案例/144
5.3.1 手寫數字識別/144
5.3.2 圖像分類/152
5.3.3 詞向量/162
5.3.4 情感分析/171
5.3.5 語義角色標註/180
習題/190

第6章深度學習行業應用案例介紹/192
6.1 深度學習在計算機視覺中的應用/193
6.1.1 概述及現狀/193
6.1.2 圖像分類/193
6.1.3 目標檢測/195
6.1.4 圖像分割/198
6.2 深度學習在自然語言處理中的應用/200
6.2.1 概述及現狀/200
6.2.2 機器翻譯/200
6.2.3 問答系統/202
6.2.4 文本情感分析/203
6.3 深度學習在推薦系統中的應用/204
6.3.1 概述及現狀/204
6.3.2 視頻推薦/205
6.3.3 CTR預估/206
6.4 深度學習在語音技術中的應用/209
6.4.1 概述及現狀/209
6.4.2 語音識別/209
6.4.3 語音合成/211
習題/212
參考文獻/213