TensorFlow深度学习：数学原理与Python实战进阶 编程实战 TensorFlow 深度学习 Python 机器学习 人工智能 数学原理 实战
举报
9787111645849
-
作者:
桑塔努·帕塔纳雅克
-
出版社:
机械工业出版社
-
ISBN:
9787111645849
-
ISBN:
9787111645849
-
出版时间:
2020-01
上书时间2023-12-04
卖家超过10天未登录
-
-
商品描述：
-
基本信息
商品名称：TensorFlow深度学习：数学原理与Python实战进阶
作 者：[印]桑塔努·帕塔纳雅克（Santanu Pattanayak）
市 场 价：99.00元
ISBN 号：9787111645849
出版日期：2020-04
页 数：308
字 数：457千字
出 版 社：机械工业出版社
目录
原书前言
第1章 数学基础//1
1.1 线性代数//2
1.1.1 向量//2
1.1.2 标量//2
1.1.3 矩阵//3
1.1.4 张量//3
1.1.5 矩阵的运算和操作//4
1.1.6 向量的线性独立//6
1.1.7 矩阵的秩//8
1.1.8 单位矩阵或恒等运算符//8
1.1.9 矩阵的行列式//9
1.1.10 逆矩阵//10
1.1.11 向量的范数（模）//11
1.1.12 伪逆矩阵//12
1.1.13 以特定向量为方向的单位向量//12
1.1.14 一个向量在另一个向量方向上的投影（或射影）//12
1.1.15 特征向量//12
1.2 微积分//17
1.2.1 微分//17
1.2.2 函数的梯度//17
1.2.3 连续偏导数//18
1.2.4 海森矩阵//18
1.2.5 函数的极大值和极小值//18
1.2.6 局部极小值和全局最小值//20
1.2.7 半正定以及正定矩阵//21
1.2.8 凸集//21
1.2.9 凸函数//22
1.2.10 非凸函数//22
1.2.11 多变量凸函数以及非凸函数范例//23
1.2.12 泰勒级数//24
1.3 概率//24
1.3.1 并集、交集和条件概率//25
1.3.2 事件交集概率的链式法则//26
1.3.3 互斥事件//26
1.3.4 事件独立性//27
1.3.5 事件条件独立性//27
1.3.6 贝叶斯定理（公式）//27
1.3.7 概率质量函数//28
1.3.8 概率密度函数//28
1.3.9 随机变量的数学期望//28
1.3.10 随机变量的方差//28
1.3.11 偏度和峰度//29
1.3.12 协方差//30
1.3.13 相关性系数//31
1.3.14 一些常见的概率分布//31
1.3.15 似然函数//34
1.3.16 最大似然估计//35
1.3.17 假设检验和p值//36
1.4 机器学习算法的制定与优化算法//38
1.4.1 监督学习//38
1.4.2 无监督学习//45
1.4.3 机器学习的优化算法//45
1.4.4 约束优化问题//53
1.5 机器学习中的几个重要主题//54
1.5.1 降维方法//54
1.5.2 正则化//5
1.5.3 约束优化问题中的正则化//59
1.6 总结//60
第2章 深度学习概念和TensorFlow介绍//61
2.1 深度学习及其发展//61
2.2 感知机和感知机学习算法//63
2.2.1 感知机学习的几何解释//65
2.2.2 感知机学习的局限性//66
2.2.3 非线性需求//68
2.2.4 隐藏层感知机的非线性激活函数//69
2.2.5 神经元或感知机的不同激活函数//70
2.2.6 多层感知机网络的学习规则//74
2.2.7 梯度计算的反向传播//75
2.2.8 反向传播方法推广到梯度计算//76
2.3 TensorFlow //82
2.3.1 常见的深度学习包//82
2.3.2 TensorFlow的安装//83
2.3.3 TensorFlow的开发基础//83
2.3.4 深度学习视角下的梯度下降优化方法//86
2.3.5 随机梯度下降的小批量方法中的学习率//90
2.3.6 TensorFlow中的优化器//90
2.3.7 TensorFlow实现XOR//96
2.3.8 TensorFlow中的线性回归//100
2.3.9 使用全批量梯度下降的SoftMax函数多分类//103
2.3.10 使用随机梯度下降的SoftMax函数多分类//105
2.4 GPU //107
2.5 总结//108
第3章 卷积神经网络//109
3.1 卷积操作//109
3.1.1 线性时不变和线性移不变系统//109
3.1.2 一维信号的卷积//111
3.2 模拟信号和数字信号//112
3.2.1 二维和三维信号//113
3.3 二维卷积//114
3.3.1 二维单位阶跃函数//114
3.3.2 LSI系统中单位阶跃响应信号的二维卷积//115
3.3.3 不同的LSI系统中图像的二维卷积//117
3.4 常见的图像处理滤波器//120
3.4.1 均值滤波器//120
3.4.2 中值滤波器//122
3.4.3 高斯滤波器//122
3.4.4 梯度滤波器//123
3.4.5 Sobel边缘检测滤波器//125
3.4.6 恒等变换//127
3.5 卷积神经网络//128
3.6 卷积神经网络的组成部分//128
3.6.1 输入层//129
3.6.2 卷积层//129
3.6.3 池化层//131
3.7 卷积层中的反向传播//131
3.8 池化层中的反向传播//134
3.9 卷积中的权值共享及其优点//136
3.10 平移同变性//136
3.11 池化的平移不变性//137
3.12 舍弃层和正则化//138
3.13 MNIST数据集上进行手写数字识别的卷积神经网络//140
3.14 用来解决现实问题的卷积神经网络//144
3.15 批规范化//151
3.16 卷积神经网络中的几种不同的网络架构//153
3.16.1 LeNet//153
3.16.2 AlexNet//154
3.16.3 VGG16//155
3.16.4 ResNet//156
3.17 迁移学习//157
3.17.1 迁移学习的使用指导//158
3.17.2 使用谷歌InceptionV3网络进行迁移学习//159
3.17.3 使用预训练的VGG16网络迁移学习//162
3.18 总结//166
第4章 基于循环神经网络的自然语言处理//167
4.1 向量空间模型//167
4.2 单词的向量表示//170
4.3 Word2Vec//170
4.3.1 CBOW //171
4.3.2 CBOW 在TensorFlow中的实现//173
4.3.3 词向量嵌入的Skip-gram模型//176
4.3.4 Skip-gram在TensorFlow中的实现//178
4.3.5 基于全局共现方法的词向量//181
4.3.6 GloVe//186
4.3.7 词向量类比法//188
4.4 循环神经网络的介绍//191
4.4.1 语言建模//193
4.4.2 用循环神经网络与传统方法预测句子中的下一个词的对比//193
4.4.3 基于时间的反向传播//194
4.4.4 循环神经网络中的梯度消失与爆炸问题//196
4.4.5 循环神经网络中的梯度消失与爆炸问题的解决方法//198
4.4.6 LSTM//199
4.4.7 LSTM在减少梯度爆炸和梯度消失问题中的应用//200
4.4.8 在TensorFlow中使用循环神经网络进行MNIST数字识别//201
4.4.9 门控循环单元//210
4.4.10 双向循环神经网络//211
4.5 总结//212
第5章 用受限玻尔兹曼机和自编码器进行无监督学习//214
5.1 玻尔兹曼分布//214
5.2 贝叶斯推断：似然、先验和后验概率分布//215
5.3 MCMC采样方法//219
5.3.11 Metropolis算法//222
5.4 受限玻尔兹曼机//226
5.4.1 训练受限玻尔兹曼机//229
5.4.2 吉布斯采样//233
5.4.3 块吉布斯采样//234
5.4.4 Burn-in阶段和吉布斯采样中的样本生成//235
5.4.5 基于吉布斯采样的受限玻尔兹曼机//235
5.4.6 对比散度//236
5.4.7 受限玻尔兹曼机的TensorFlow实现//237
5.4.8 基于受限玻尔兹曼机的协同过滤//239
5.4.9 深度置信网络//244
5.5 自编码器//248
5.5.1 基于自编码器的监督式特征学习//250
5.5.2 KL散度//251
5.5.3 稀疏自编码器//251
5.5.4 稀疏自编码器的TensorFlow实现//253
5.5.5 去噪自编码器//255
5.5.6 去噪自编码器的TensorFlow实现//256
5.6 PCA和ZCA白化//262
5.7 总结//264
第6章 高级神经网络//265
6.1 图像分割//265
6.1.1 基于像素强度直方图的二元阈值分割方法//265
6.1.2 大津法//266
6.1.3 用于图像分割的分水岭算法//268
6.1.4 使用K-means聚类进行图像分割//272
6.1.5 语义分割//274
6.1.6 滑动窗口方法//274
6.1.7 全卷积网络//275
6.1.8 全卷积网络的下采样和上采样//277
6.1.9 U-Net//281
6.1.10 在TensorFlow中使用全卷积神经网络进行语义分割//283
6.2 图像分类和定位网络//290
6.3 物体检测//292
6.3.1 R-CNN//293
6.3.2 Fast和Faster-CNN//294
6.4 生成式对抗网络//295
6.4.1 极大极小和极小极大问题//295
6.4.2 零和博弈//297
6.4.3 极小极大和鞍点//298
6.4.4 生成式对抗网络的损失函数和训练//300
6.4.5 生成器的梯度消弭//302
6.4.6 生成式对抗网络的TensorFlow实现//302
6.5 生成环境下的TensorFlow模型应用//305
6.6 总结//308
内容简介
本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验，使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案，并形成开发深度学习架构和解决方案时所需的数学理解和直觉。
本书提供了丰富的理论和实战动手经验，使你可以从零开始掌握深度学习，并能快速部署有价值的深度学习解决方案。本书重点讲解了与多个行业相关的深度学习实践方面的专业知识。通过这些实战经验，你将能够使用原型来构建新的深度学习应用程序。
'
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
