滿額折
商品簡介
名人/編輯推薦
目次
相關商品
商品簡介
內容簡介
本書由百度官方出品，百度公司CTO王海峰博士作序，張鈸院士、李未院士、百度集團副總裁吳甜聯袂推薦。
本書遵循“內容全面、由淺入深、注重實踐”的原則，基於飛槳PaddlePaddle深度學習平臺，較為全面地覆蓋了學習深度學習技術所必須具備的基礎知識以及深度學習主要核心技術，包括相關的數學基礎、Python編程基礎、機器學習基礎以及正向/反向傳播算法、卷積神經網絡、循環神經網絡等，儘量做到讀懂一本書即可達到“零基礎”到“全精通”。
在章節安排上，考慮讀者的特點和認知規律，在知識架構和案例穿插的設計上確保循序漸進、由淺入深。同時，本書提供了大量的深度學習實戰案例，覆蓋了當前計算機視覺、自然語言處理、個性化推薦等領域主流應用典型的算法，每章都單獨配以飛槳代碼實現，詳細解析實操過程，手把手引導讀者開展實踐練習、深入掌握相關知識。
本書提供配套代碼合集，詳情請訪問https://aistudio.baidu.com/aistudio/projectdetail/518424。
本書由百度官方出品，百度公司CTO王海峰博士作序，張鈸院士、李未院士、百度集團副總裁吳甜聯袂推薦。
本書遵循“內容全面、由淺入深、注重實踐”的原則，基於飛槳PaddlePaddle深度學習平臺，較為全面地覆蓋了學習深度學習技術所必須具備的基礎知識以及深度學習主要核心技術，包括相關的數學基礎、Python編程基礎、機器學習基礎以及正向/反向傳播算法、卷積神經網絡、循環神經網絡等，儘量做到讀懂一本書即可達到“零基礎”到“全精通”。
在章節安排上，考慮讀者的特點和認知規律，在知識架構和案例穿插的設計上確保循序漸進、由淺入深。同時，本書提供了大量的深度學習實戰案例，覆蓋了當前計算機視覺、自然語言處理、個性化推薦等領域主流應用典型的算法，每章都單獨配以飛槳代碼實現，詳細解析實操過程，手把手引導讀者開展實踐練習、深入掌握相關知識。
本書提供配套代碼合集，詳情請訪問https://aistudio.baidu.com/aistudio/projectdetail/518424。
名人/編輯推薦
百度官方出品，百度公司CTO王海峰博士作序，張鈸院士、李未院士、百度集團副總裁吳甜聯袂推薦
目次
序
前言
第一部分 數學與編程基礎篇
第1章 數學基礎與Python庫2
1.1 Python是進行人工智能編程的主要語言2
1.2 數學基礎3
1.2.1 線性代數基礎3
1.2.2 微積分基礎7
1.3 Python庫的操作14
1.3.1 NumPy操作14
1.3.2 Matplotlib操作19
1.4 本章小結23
第2章 深度學習概論與飛槳入門24
2.1 人工智能、機器學習和深度學習25
2.1.1 人工智能25
2.1.2 機器學習26
2.1.3 深度學習26
2.2 深度學習的發展歷程27
2.2.1 神經網絡的第一次高潮27
2.2.2 神經網絡的第一次寒冬28
2.2.3 神經網絡的第二次高潮30
2.2.4 神經網絡的第二次寒冬30
2.2.5 深度學習的來臨31
2.2.6 深度學習崛起的時代背景31
2.3 深度學習的應用場景31
2.3.1 圖像與視覺32
2.3.2 語音識別32
2.3.3 自然語言處理33
2.3.4 個性化推薦33
2.4 常見的深度學習網絡結構34
2.4.1 全連接網絡結構34
2.4.2 卷積神經網絡34
2.4.3 循環神經網絡35
2.5 機器學習回顧35
2.5.1 線性回歸的基本概念36
2.5.2 數據處理37
2.5.3 模型概覽38
2.5.4 效果展示39
2.6 深度學習框架簡介40
2.6.1 深度學習框架的優勢40
2.6.2 常見的深度學習框架41
2.6.3 飛槳簡介42
2.6.4 飛槳安裝42
2.6.5 AI Studio43
2.7 飛槳實現44
2.8 飛槳服務平臺和工具組件51
2.8.1 PaddleHub51
2.8.2 X2Paddle54
2.8.3 PARL56
2.8.4 EasyDL61
2.9 本章小結62
第二部分 深度學習基礎篇
第3章 深度學習的單層網絡64
3.1 Logistic回歸模型64
3.1.1 Logistic回歸概述64
3.1.2 損失函數66
3.1.3 Logistic回歸的梯度下降68
3.2 實現Logistic回歸模型72
3.2.1 NumPy版本73
3.2.2 飛槳版本80
3.3 本章小結88
第4章 淺層神經網絡89
4.1 神經網絡89
4.1.1 神經網絡的定義及其結構89
4.1.2 神經網絡的計算91
4.2 BP算法96
4.2.1 邏輯回歸與BP算法96
4.2.2 單樣本雙層神經網絡的BP算法97
4.2.3 多樣本神經網絡的BP算法100
4.3 BP算法實踐103
4.3.1 NumPy版本103
4.3.2 飛槳版本110
4.4 本章小結114
第5章 深層神經網絡116
5.1 深層網絡介紹116
5.1.1 深度影響算法能力116
5.1.2 網絡演化過程與常用符號118
5.2 傳播過程120
5.2.1 神經網絡算法核心思想120
5.2.2 深層網絡正向傳播過程120
5.2.3 深層網絡反向傳播過程121
5.2.4 傳播過程總結122
5.3 網絡的參數124
5.4 代碼實現125
5.4.1 NumPy版本125
5.4.2 飛槳版本128
5.5 本章小結130
第6章 卷積神經網絡131
6.1 圖像分類問題描述131
6.2 卷積神經網絡介紹132
6.2.1 卷積層132
6.2.2 ReLU激活函數136
6.2.3 池化層137
6.2.4 Softmax分類層138
6.2.5 主要特點139
6.2.6 經典神經網絡架構140
6.3 飛槳實現145
6.3.1 數據介紹145
6.3.2 模型概覽146
6.3.3 配置說明146
6.4 本章小結153
第7章 循環神經網絡154
7.1 任務描述154
7.2 循環神經網絡介紹155
7.2.1 長短期記憶網絡156
7.2.2 門控循環單元157
7.2.3 雙向循環神經網絡158
7.2.4 卷積循環神經網絡159
7.3 利用飛槳實現機器翻譯159
7.3.1 數據準備159
7.3.2 柱搜索 163
7.3.3 模型配置167
7.3.4 模型訓練168
7.3.5 加載訓練模型進行預測169
7.4 本章小結170
第8章 注意力機制171
8.1 任務描述171
8.2 注意力機制介紹172
8.2.1 Transformer172
8.2.2 Non-local神經網絡175
8.2.3 Attention Cluster神經網絡176
8.3 利用飛槳實現視頻分類177
8.3.1 Non-local神經網絡177
8.3.2 Attention Cluster183
8.4 本章小結195
第9章 算法優化196
9.1 基礎知識196
9.1.1 訓練、驗證和測試集196
9.1.2 偏差和方差197
9.2 評估198
9.2.1 選定評估目標198
9.2.2 迭代過程199
9.2.3 欠擬合和過擬合199
9.3 調優策略199
9.3.1 降低偏差199
9.3.2 降低方差204
9.4 超參數調優209
9.4.1 隨機搜索和網格搜索209
9.4.2 超參數範圍209
9.4.3 分階段搜索210
9.4.4 例子：對學習率的調整210
9.5 本章小結212
第三部分 飛槳實踐篇
第10章 目標檢測214
10.1 任務描述214
10.2 常見模型解析217
10.2.1 R-CNN系列217
10.2.2 YOLO223
10.2.3 SSD228
10.3 PaddleDetection應用實踐231
10.3.1 Faster-R-CNN231
10.3.2 YOLOv3234
10.4 本章小結237
第11章 圖像生成238
11.1 任務描述238
11.1.1 圖像生成238
11.1.2 圖像–圖像轉換239
11.1.3 文本–圖像轉換239
11.2 模型概覽240
11.2.1 圖像生成240
11.2.2 圖像–圖像241
11.2.3 文本–圖像246
11.3 PaddleGAN應用實踐248
11.3.1 數據準備248
11.3.2 參數設置248
11.3.3 網絡結構定義249
11.3.4 模型訓練253
11.3.5 模型測試 256
11.4 本章小結257
第12章 情感分析258
12.1 任務描述258
12.2 算法原理解析259
12.2.1 BOW259
12.2.2 DB-LSTM259
12.3 情感分析應用實踐261
12.3.1 數據集下載261
12.3.2 配置模
前言
第一部分 數學與編程基礎篇
第1章 數學基礎與Python庫2
1.1 Python是進行人工智能編程的主要語言2
1.2 數學基礎3
1.2.1 線性代數基礎3
1.2.2 微積分基礎7
1.3 Python庫的操作14
1.3.1 NumPy操作14
1.3.2 Matplotlib操作19
1.4 本章小結23
第2章 深度學習概論與飛槳入門24
2.1 人工智能、機器學習和深度學習25
2.1.1 人工智能25
2.1.2 機器學習26
2.1.3 深度學習26
2.2 深度學習的發展歷程27
2.2.1 神經網絡的第一次高潮27
2.2.2 神經網絡的第一次寒冬28
2.2.3 神經網絡的第二次高潮30
2.2.4 神經網絡的第二次寒冬30
2.2.5 深度學習的來臨31
2.2.6 深度學習崛起的時代背景31
2.3 深度學習的應用場景31
2.3.1 圖像與視覺32
2.3.2 語音識別32
2.3.3 自然語言處理33
2.3.4 個性化推薦33
2.4 常見的深度學習網絡結構34
2.4.1 全連接網絡結構34
2.4.2 卷積神經網絡34
2.4.3 循環神經網絡35
2.5 機器學習回顧35
2.5.1 線性回歸的基本概念36
2.5.2 數據處理37
2.5.3 模型概覽38
2.5.4 效果展示39
2.6 深度學習框架簡介40
2.6.1 深度學習框架的優勢40
2.6.2 常見的深度學習框架41
2.6.3 飛槳簡介42
2.6.4 飛槳安裝42
2.6.5 AI Studio43
2.7 飛槳實現44
2.8 飛槳服務平臺和工具組件51
2.8.1 PaddleHub51
2.8.2 X2Paddle54
2.8.3 PARL56
2.8.4 EasyDL61
2.9 本章小結62
第二部分 深度學習基礎篇
第3章 深度學習的單層網絡64
3.1 Logistic回歸模型64
3.1.1 Logistic回歸概述64
3.1.2 損失函數66
3.1.3 Logistic回歸的梯度下降68
3.2 實現Logistic回歸模型72
3.2.1 NumPy版本73
3.2.2 飛槳版本80
3.3 本章小結88
第4章 淺層神經網絡89
4.1 神經網絡89
4.1.1 神經網絡的定義及其結構89
4.1.2 神經網絡的計算91
4.2 BP算法96
4.2.1 邏輯回歸與BP算法96
4.2.2 單樣本雙層神經網絡的BP算法97
4.2.3 多樣本神經網絡的BP算法100
4.3 BP算法實踐103
4.3.1 NumPy版本103
4.3.2 飛槳版本110
4.4 本章小結114
第5章 深層神經網絡116
5.1 深層網絡介紹116
5.1.1 深度影響算法能力116
5.1.2 網絡演化過程與常用符號118
5.2 傳播過程120
5.2.1 神經網絡算法核心思想120
5.2.2 深層網絡正向傳播過程120
5.2.3 深層網絡反向傳播過程121
5.2.4 傳播過程總結122
5.3 網絡的參數124
5.4 代碼實現125
5.4.1 NumPy版本125
5.4.2 飛槳版本128
5.5 本章小結130
第6章 卷積神經網絡131
6.1 圖像分類問題描述131
6.2 卷積神經網絡介紹132
6.2.1 卷積層132
6.2.2 ReLU激活函數136
6.2.3 池化層137
6.2.4 Softmax分類層138
6.2.5 主要特點139
6.2.6 經典神經網絡架構140
6.3 飛槳實現145
6.3.1 數據介紹145
6.3.2 模型概覽146
6.3.3 配置說明146
6.4 本章小結153
第7章 循環神經網絡154
7.1 任務描述154
7.2 循環神經網絡介紹155
7.2.1 長短期記憶網絡156
7.2.2 門控循環單元157
7.2.3 雙向循環神經網絡158
7.2.4 卷積循環神經網絡159
7.3 利用飛槳實現機器翻譯159
7.3.1 數據準備159
7.3.2 柱搜索 163
7.3.3 模型配置167
7.3.4 模型訓練168
7.3.5 加載訓練模型進行預測169
7.4 本章小結170
第8章 注意力機制171
8.1 任務描述171
8.2 注意力機制介紹172
8.2.1 Transformer172
8.2.2 Non-local神經網絡175
8.2.3 Attention Cluster神經網絡176
8.3 利用飛槳實現視頻分類177
8.3.1 Non-local神經網絡177
8.3.2 Attention Cluster183
8.4 本章小結195
第9章 算法優化196
9.1 基礎知識196
9.1.1 訓練、驗證和測試集196
9.1.2 偏差和方差197
9.2 評估198
9.2.1 選定評估目標198
9.2.2 迭代過程199
9.2.3 欠擬合和過擬合199
9.3 調優策略199
9.3.1 降低偏差199
9.3.2 降低方差204
9.4 超參數調優209
9.4.1 隨機搜索和網格搜索209
9.4.2 超參數範圍209
9.4.3 分階段搜索210
9.4.4 例子：對學習率的調整210
9.5 本章小結212
第三部分 飛槳實踐篇
第10章 目標檢測214
10.1 任務描述214
10.2 常見模型解析217
10.2.1 R-CNN系列217
10.2.2 YOLO223
10.2.3 SSD228
10.3 PaddleDetection應用實踐231
10.3.1 Faster-R-CNN231
10.3.2 YOLOv3234
10.4 本章小結237
第11章 圖像生成238
11.1 任務描述238
11.1.1 圖像生成238
11.1.2 圖像–圖像轉換239
11.1.3 文本–圖像轉換239
11.2 模型概覽240
11.2.1 圖像生成240
11.2.2 圖像–圖像241
11.2.3 文本–圖像246
11.3 PaddleGAN應用實踐248
11.3.1 數據準備248
11.3.2 參數設置248
11.3.3 網絡結構定義249
11.3.4 模型訓練253
11.3.5 模型測試 256
11.4 本章小結257
第12章 情感分析258
12.1 任務描述258
12.2 算法原理解析259
12.2.1 BOW259
12.2.2 DB-LSTM259
12.3 情感分析應用實踐261
12.3.1 數據集下載261
12.3.2 配置模
今日66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。