強者用 PyTorch:實作史上最經典 AI 範例
集智俱樂部
- 出版商: 深智數位
- 出版日期: 2020-01-20
- 定價: $690
- 售價: 8.5 折 $587
- 語言: 繁體中文
- 頁數: 496
- 裝訂: 平裝
- ISBN: 9865501120
- ISBN-13: 9789865501129
-
相關分類:
DeepLearning
已絕版
買這商品的人也買了...
-
$507貝葉斯方法:概率編程與貝葉斯推斷 (Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference)
-
$500$390 -
$420$328 -
$1,000$790 -
$650$553 -
$580$458 -
$454TensorFlow 與自然語言處理應用
-
$780$663 -
$450$351 -
$690$518 -
$750$638 -
$650$507 -
$580$452 -
$1,200$1,020 -
$580$493 -
$1,000$850 -
$540$486 -
$780$663 -
$580$458 -
$650$507 -
$500$390 -
$550$468 -
$750$593 -
$450$356 -
$1,000$790
商品描述
本書特色
►深度學習、PyTorch的入門書
►透過實際經典案例循序講解
內容簡介
還在用難用的Tensorflow嗎?還在用太簡單的Keras嗎?
2020年將是Pytorch正式超越Tensorflow、一統人工智慧框架世界的時代,如果還在頭痛怎麼用Tensorflow實作MNIST,快點投入PyTorch的懷抱吧!
本書實作最經典的人工智慧神經網路的案例,並且放入最新真實世界中的應用範例,如果有心要學習人工智慧,這本PyTorch實例書將帶你完成史上最有名的幾個經典範例,讓你功力大增之外,更一舉成為人工智慧的強者!
全書重點包括:
► 深度學習一路走來的歷史
► PyTorch的張量、自動微分及nn模組的介紹
► 預測共享單車投放數量
► 中文文章情緒分析器
► 一定要會的用CNN完成MNIST的辨識
► 大型遷移學習對動物分類進行預測
► MNIST的進一步,幫你把數字加起來
► 自己動手做PRISMA:20種藝術家風格轉到你的照片
► 假新聞有什麼稀奇,假以亂真的照片才叫厲害:GAN實作
► NLP的大神Word2Vec的實作
► 人工智慧音樂家:利用LSTM製作自動作曲機
► Google的祕密武器:神經網路翻譯系統實作
► 外掛有什麼了不起?用AI打電動,強化學習實作
專家推薦
「這本書緊接業界潮流,將人工智慧科普帶入了後AlphaGo 時代:遊戲飛鳥、自動作曲、語義星空⋯⋯涵蓋了深度學習領域的主流玩法。書中既有清晰容易的知識說明,讓你打好理論基礎,又有詳細的程式展示,一步步地教你做實際專案。這是一本揭示深度學習的秘笈!」
袁行遠,彩雲科技CEO、創始人
「本書寓教於樂,精心設計的實戰案例和循序漸進的學習方式都令人耳目一新。先從實戰專案出發,然後引用理論說明,最後深入剖析工作原理,環環相扣,引人入勝。期待看到PyTorch 之火的燎原之勢。」
高文超,微軟研究院軟體開發工程
「以2011 年AlexNet 贏得ImageNet 競賽為起始點,深度學習迅速席捲了整個人工智慧領域,但目前出版的有關深度學習的書大多偏重理論。這本書注重理論和實作的緊密結合,讀者可以在瞭解深度學
習原理之後,立刻跟隨書中的程式動手實作,加深了解。如果想要追上人工智慧的浪潮,這本書是一個不錯的開始。」
鮑捷,文因互連CEO、聯合創始人
適合讀者群:人工智慧相關軟體工程師、對人工智慧有興趣者,或作為深度學習教材用。
作者簡介
集智俱樂部(Swarma Club)
成立於2003年,是一個從事學術研究、享受科學樂趣的探索者團體。宣導以平等開放的態度、科學實證的精神,進行跨學科的研究與交流,力圖搭建一個「沒有圍牆的研究所」。
目錄大綱
前言
01 深度學習簡介
1.1 深度學習與人工智慧
1.2 深度學習的歷史淵源
1.3 深度學習的影響因素
1.4 深度學習為什麼如此成功
1.5 小結
1.6 參考文獻
02 PyTorch 簡介
2.1 PyTorch 安裝
2.2 初識PyTorch
2.3 PyTorch 實例:預測房價
2.4 小結
03 單車預測器:你的第一個神經網路
3.1 共享單車的煩惱
3.2 單車預測器1.0
3.3 單車預測器2.0
3.4 剖析神經網路Neu
3.5 小結
3.6 Q&A
04 機器也懂感情-- 中文情緒分類器
4.1 神經網路分類器
4.2 詞袋模型分類器
4.3 程式實現
4.4 執行結果6
4.5 剖析神經網路
4.6 小結
4.7 Q&A
05 手寫數字識別器-- 認識卷積神經網路
5.1 什麼是卷積神經網路
5.2 手寫數字識別器
5.3 剖析卷積神經網路
5.4 小結
5.5 Q&A
5.6 擴充閱讀
06 手寫數字加法機-- 遷移學習
6.1 什麼是遷移學習
6.2 應用案例:遷移學習如何抗擊貧困
6.3 螞蟻還是蜜蜂:遷移大型卷積神經網路
6.4 手寫數字加法機
6.5 小結
6.6 實作專案:遷移與效率
07 你自己的Prisma -- 影像風格遷移
7.1 什麼是風格遷移
7.2 風格遷移技術發展簡史
7.3 神經網路風格遷移
7.4 神經網路風格遷移實戰
7.5 小結
7.6 擴充閱讀
08 人工智慧造假術-- 影像產生與對抗學習
8.1 反卷積與影像產生
8.2 影像產生實驗1-- 最小均方誤差模型
8.3 影像產生實驗2-- 產生器—識別器模型
8.4 影像產生實驗3--GAN
8.5 小結
8.6 Q&A
8.7 擴充閱讀
09 詞彙的星空-- 神經語言模型與Word2Vec
9.1 詞向量技術介紹
9.2 NPLM:神經機率語言模型
9.3 Word2Vec
9.4 Word2Vec 的應用
9.5 小結
9.6 Q&A
10 LSTM 作曲機-- 序列產生模型
10.1 序列產生問題
10.2 RNN 與LSTM
10.3 簡單01 序列的學習問題
10.4 LSTM 作曲機
10.5 小結
10.6 Q&A
10.7 擴充閱讀
11 神經翻譯機-- 點對點機器翻譯
11.1 機器翻譯簡介
11.2 編碼—解碼模型
11.3 注意力機制
11.4 更多的改進
11.5 神經翻譯機的編碼實現
11.6 更多改進
11.7 廣義的翻譯
11.8 Q&A
12 AI 遊戲高手-- 深度強化學習
12.1 強化學習簡介
12.2 深度Q 學習演算法
12.3 DQN 玩Flappy Bird 的PyTorch 實現
12.4 小結
12.5 通用人工智慧還有多遠
12.6 Q&A
12.7 參考文獻