相關商品
商品簡介
目次
商品簡介
本書採用由簡入繁的原則撰寫而成。我們希望本書能成為一名能帶領讀者領略PaddlePaddle精妙的精神導遊。從較為簡單的線性回歸、邏輯回歸到較為複雜的RNN數字識別、個性化推薦、雲上部署等，本書結合若干實例，系統地介紹了PaddlePaddle的使用特點。教會讀者如何使用框架就像教會了讀者一套外功拳法。然而本書不僅關注框架本身的細節用法，還非常注重基礎知識和理論，目的是教會讀者內功心法。書中既詳細描述了神經網絡的各個細節，也深入講解了算法性能優化的思路和技巧，旨在幫助讀者深入理解深度學習的精髓。本書共分為10章，每一章都包含理論介紹和對應的代碼實現。
目次
CONTENTS
目 錄
序
前言
致謝
第1章 數學基礎與Python庫 1
1.1 Python是進行人工智能編程的
主要語言 1
1.2 數學基礎 4
1.2.1 線性代數基礎 4
1.2.2 微積分基礎 8
1.3 Python庫的操作 17
1.3.1 numpy操作 17
1.3.2 matplotlib操作 23
本章小結 27
第2章 深度學習概論與PaddlePaddle入門 28
2.1 人工智能、機器學習與深度學習 29
2.1.1 人工智能 30
2.1.2 機器學習 30
2.1.3 深度學習 31
2.2 深度學習的發展歷程 32
2.2.1 神經網絡的第一次高潮 32
2.2.2 神經網絡的第一次寒冬 33
2.2.3 神經網絡的第二次高潮 34
2.2.4 神經網絡的第二次寒冬 35
2.2.5 深度學習的來臨 35
2.2.6 深度學習崛起的時代背景 36
2.3 深度學習的應用場景 36
2.3.1 圖像與視覺 37
2.3.2 語音識別 37
2.3.3 自然語言處理 38
2.3.4 個性化推薦 38
2.4 常見的深度學習網絡結構 39
2.4.1 全連接網絡結構 39
2.4.2 卷積神經網絡 40
2.4.3 循環神經網絡 41
2.5 機器學習回顧 41
2.5.1 線性回歸的基本概念 42
2.5.2 數據處理 44
2.5.3 模型概覽 45
2.5.4 效果展示 46
2.6 深度學習框架簡介 47
2.6.1 深度學習框架的作用 47
2.6.2 常見的深度學習框架 48
2.6.3 PaddlePaddle簡介 49
2.6.4 PaddlePaddle使用 49
2.7 PaddlePaddle實現 51
本章小結 60
第3章 深度學習的單層網絡 61
3.1 Logistic回歸模型 62
3.1.1 Logistic回歸概述 62
3.1.2 損失函數 64
3.1.3 Logistic回歸的梯度下降 66
3.2 實現Logistic回歸模型 71
3.2.1 Python版本 72
3.2.2 PaddlePaddle版本 81
本章小結 90
第4章 淺層神經網絡 92
4.1 神經網絡 92
4.1.1 神經網絡的定義及其結構 92
4.1.2 神經網絡的計算 94
4.2 BP算法 100
4.2.1 邏輯回歸與BP算法 101
4.2.2 單樣本雙層神經網絡的BP算法 101
4.2.3 多個樣本神經網絡BP算法 105
4.3 BP算法實踐 108
4.3.1 Python版本 109
4.3.2 PaddlePaddle版本 116
本章小結 122
第5章 深層神經網絡 123
5.1 深層網絡介紹 123
5.1.1 深度影響算法能力 124
5.1.2 網絡演化過程與常用符號 125
5.2 傳播過程 127
5.2.1 神經網絡算法核心思想 127
5.2.2 深層網絡前向傳播過程 128
5.2.3 深層網絡後向傳播過程 129
5.2.4 傳播過程總結 130
5.3 網絡的參數 132
5.4 代碼實現 133
5.4.1 Python版本 133
5.4.2 PaddlePaddle版本 136
本章小結 140
第6章 卷積神經網絡 141
6.1 圖像分類問題描述 141
6.2 卷積神經網絡介紹 142
6.2.1 卷積層 142
6.2.2 ReLU激活函數 147
6.2.3 池化層 148
6.2.4 Softmax分類層 149
6.2.5 主要特點 151
6.2.6 經典神經網絡架構 152
6.3 PaddlePaddle實現 159
6.3.1 數據介紹 159
6.3.2 模型概覽 160
6.3.3 配置說明 160
6.3.4 應用模型 168
本章小結 169
第7章 個性化推薦 170
7.1 問題描述 170
7.2 傳統推薦方法 171
7.2.1 基於內容的推薦 172
7.2.2 協同過濾推薦 173
7.2.3 混合推薦 175
7.3 深度學習推薦方法 176
7.3.1 YouTube的深度神經網絡推薦系統 176
7.3.2 融合推薦系統 178
7.4 個性化推薦系統在PaddlePaddle上的實現 180
7.4.1 數據準備 180
7.4.2 模型配置 182
7.4.3 模型訓練 184
7.4.4 模型測試 188
本章小結 188
第8章 個性化推薦的分布式實現 190
8.1 PaddlePaddle Cloud介紹 190
8.2 PaddlePaddle Cloud使用 192
8.2.1 創建集群 192
8.2.2 配置集群 192
8.2.3 配置客戶端 193
8.3 個性化推薦在PaddlePaddle Cloud上的實現 194
8.3.1 提交單節點任務 194
8.3.2 個性化推薦在PaddlePaddle Cloud上的實現 196
本章小結 199
第9章 廣告CTR預估 200
9.1 CTR預估簡介 200
9.1.1 CTR定義 201
9.1.2 CTR與推薦算法的異同 202
9.1.3 CTR預估的評價指標 202
9.2 CTR預估的基本過程 205
9.2.1 CTR預估的三個階段 206
9.2.2 CTR預估中的特徵預處理 206
9.3 CTR預估的常見模型 208
9.3.1 LR模型 208
9.3.2 GBDT模型 210
9.3.3 GBDT+LR模型 212
9.3.4 FM+DNN模型 214
9.3.5 MLR模型 215
9.4 CTR預估在工業上的實現 217
9.5 CTR預估在PaddlePaddle上的實現 218
9.5.1 數據集 218
9.5.2 預測模型選擇和構建 219
9.5.3 PaddlePaddle完整實現 222
本章小結 226
第10章 算法優化 227
10.1 基礎知識 227
10.1.1 訓練、驗證和測試集 227
10.1.2 偏差和方差 228
10.2 評估 229
10.2.1 選定評估目標 229
10.2.2 迭代過程 230
10.2.3 欠擬合和過擬合 230
10.3 調優策略 231
10.3.1 降低偏差 231
10.3.2 降低方差 236
10.4 超參數調優 242
10.4.1 隨機搜索和網格搜索 242
10.4.2 超參數範圍 243
10.4.3 分階段搜索 243
10.4.4 例子：對學習率的調整 244
本章小結 245
目 錄
序
前言
致謝
第1章 數學基礎與Python庫 1
1.1 Python是進行人工智能編程的
主要語言 1
1.2 數學基礎 4
1.2.1 線性代數基礎 4
1.2.2 微積分基礎 8
1.3 Python庫的操作 17
1.3.1 numpy操作 17
1.3.2 matplotlib操作 23
本章小結 27
第2章 深度學習概論與PaddlePaddle入門 28
2.1 人工智能、機器學習與深度學習 29
2.1.1 人工智能 30
2.1.2 機器學習 30
2.1.3 深度學習 31
2.2 深度學習的發展歷程 32
2.2.1 神經網絡的第一次高潮 32
2.2.2 神經網絡的第一次寒冬 33
2.2.3 神經網絡的第二次高潮 34
2.2.4 神經網絡的第二次寒冬 35
2.2.5 深度學習的來臨 35
2.2.6 深度學習崛起的時代背景 36
2.3 深度學習的應用場景 36
2.3.1 圖像與視覺 37
2.3.2 語音識別 37
2.3.3 自然語言處理 38
2.3.4 個性化推薦 38
2.4 常見的深度學習網絡結構 39
2.4.1 全連接網絡結構 39
2.4.2 卷積神經網絡 40
2.4.3 循環神經網絡 41
2.5 機器學習回顧 41
2.5.1 線性回歸的基本概念 42
2.5.2 數據處理 44
2.5.3 模型概覽 45
2.5.4 效果展示 46
2.6 深度學習框架簡介 47
2.6.1 深度學習框架的作用 47
2.6.2 常見的深度學習框架 48
2.6.3 PaddlePaddle簡介 49
2.6.4 PaddlePaddle使用 49
2.7 PaddlePaddle實現 51
本章小結 60
第3章 深度學習的單層網絡 61
3.1 Logistic回歸模型 62
3.1.1 Logistic回歸概述 62
3.1.2 損失函數 64
3.1.3 Logistic回歸的梯度下降 66
3.2 實現Logistic回歸模型 71
3.2.1 Python版本 72
3.2.2 PaddlePaddle版本 81
本章小結 90
第4章 淺層神經網絡 92
4.1 神經網絡 92
4.1.1 神經網絡的定義及其結構 92
4.1.2 神經網絡的計算 94
4.2 BP算法 100
4.2.1 邏輯回歸與BP算法 101
4.2.2 單樣本雙層神經網絡的BP算法 101
4.2.3 多個樣本神經網絡BP算法 105
4.3 BP算法實踐 108
4.3.1 Python版本 109
4.3.2 PaddlePaddle版本 116
本章小結 122
第5章 深層神經網絡 123
5.1 深層網絡介紹 123
5.1.1 深度影響算法能力 124
5.1.2 網絡演化過程與常用符號 125
5.2 傳播過程 127
5.2.1 神經網絡算法核心思想 127
5.2.2 深層網絡前向傳播過程 128
5.2.3 深層網絡後向傳播過程 129
5.2.4 傳播過程總結 130
5.3 網絡的參數 132
5.4 代碼實現 133
5.4.1 Python版本 133
5.4.2 PaddlePaddle版本 136
本章小結 140
第6章 卷積神經網絡 141
6.1 圖像分類問題描述 141
6.2 卷積神經網絡介紹 142
6.2.1 卷積層 142
6.2.2 ReLU激活函數 147
6.2.3 池化層 148
6.2.4 Softmax分類層 149
6.2.5 主要特點 151
6.2.6 經典神經網絡架構 152
6.3 PaddlePaddle實現 159
6.3.1 數據介紹 159
6.3.2 模型概覽 160
6.3.3 配置說明 160
6.3.4 應用模型 168
本章小結 169
第7章 個性化推薦 170
7.1 問題描述 170
7.2 傳統推薦方法 171
7.2.1 基於內容的推薦 172
7.2.2 協同過濾推薦 173
7.2.3 混合推薦 175
7.3 深度學習推薦方法 176
7.3.1 YouTube的深度神經網絡推薦系統 176
7.3.2 融合推薦系統 178
7.4 個性化推薦系統在PaddlePaddle上的實現 180
7.4.1 數據準備 180
7.4.2 模型配置 182
7.4.3 模型訓練 184
7.4.4 模型測試 188
本章小結 188
第8章 個性化推薦的分布式實現 190
8.1 PaddlePaddle Cloud介紹 190
8.2 PaddlePaddle Cloud使用 192
8.2.1 創建集群 192
8.2.2 配置集群 192
8.2.3 配置客戶端 193
8.3 個性化推薦在PaddlePaddle Cloud上的實現 194
8.3.1 提交單節點任務 194
8.3.2 個性化推薦在PaddlePaddle Cloud上的實現 196
本章小結 199
第9章 廣告CTR預估 200
9.1 CTR預估簡介 200
9.1.1 CTR定義 201
9.1.2 CTR與推薦算法的異同 202
9.1.3 CTR預估的評價指標 202
9.2 CTR預估的基本過程 205
9.2.1 CTR預估的三個階段 206
9.2.2 CTR預估中的特徵預處理 206
9.3 CTR預估的常見模型 208
9.3.1 LR模型 208
9.3.2 GBDT模型 210
9.3.3 GBDT+LR模型 212
9.3.4 FM+DNN模型 214
9.3.5 MLR模型 215
9.4 CTR預估在工業上的實現 217
9.5 CTR預估在PaddlePaddle上的實現 218
9.5.1 數據集 218
9.5.2 預測模型選擇和構建 219
9.5.3 PaddlePaddle完整實現 222
本章小結 226
第10章 算法優化 227
10.1 基礎知識 227
10.1.1 訓練、驗證和測試集 227
10.1.2 偏差和方差 228
10.2 評估 229
10.2.1 選定評估目標 229
10.2.2 迭代過程 230
10.2.3 欠擬合和過擬合 230
10.3 調優策略 231
10.3.1 降低偏差 231
10.3.2 降低方差 236
10.4 超參數調優 242
10.4.1 隨機搜索和網格搜索 242
10.4.2 超參數範圍 243
10.4.3 分階段搜索 243
10.4.4 例子：對學習率的調整 244
本章小結 245
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。