书馨卡帮你省薪 2024个人购书报告 2024中图网年度报告
欢迎光临中图网 请 | 注册
> >
深度学习理论与实战

深度学习理论与实战

作者:陈亦新
出版社:清华大学出版社出版时间:2021-01-01
开本: 16开 页数: 316
中 图 价:¥53.4(6.0折) 定价  ¥89.0 登录后可看到会员价
加入购物车 收藏
运费6元,满39元免运费
?新疆、西藏除外
本类五星书更多>

深度学习理论与实战 版权信息

  • ISBN:9787302568506
  • 条形码:9787302568506 ; 978-7-302-56850-6
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

深度学习理论与实战 本书特色

系统讨论人工智能原理并辅以具体实例,“讲解+代码”方式便于读者理解并学以致用。 ??讲解诙谐通俗,基础理论深入讲,前沿模型通俗说。 ??内容广泛,任何想进入人工智能领域的人都可以构建出一个相当全面的认知。

深度学习理论与实战 内容简介

本书介绍内容包括支持向量机、线性回归、决策树、遗传算法、深度神经网络(VGG、GooleLeNet、Resnet、MobileNet、EfficientNet)、循环神经网络(LSTM、GRU、Attention)、生成对抗网络(DCGAN、WGAN-GP)、自编码器、各种聚类算法、目标检测算法(YOLO、MTCNN)以及强化学习,有助于人工智能新人搭建一个全面且有用的基础框架。 ??本书包含8个实战,分别是:决策树、MNIST手写数字分类、GAN基础之手写数字生成、GAN优化、风格迁移、目标检测(YOLO)、人脸检测(MTCNN)和自然语言处理。8个实战可以让读者对PyTorch的使用达到较高水平。

深度学习理论与实战 目录


目录





第1章支持向量机


1.1SVM的原理


1.2SVM求解


1.3核函数


1.4软间隔


1.5小结


第2章线性回归与非线性回归


2.1线性回归


2.1.1线性回归问题的一般形式


2.1.2线性回归中的*优化问题


2.1.3问题的求解


2.2非线性回归分析


2.3初见梯度下降


2.4Python图解梯度下降


2.5小结


第3章基于规则的决策树模型


3.1决策树发展史


3.2决策树算法


3.2.1ID3算法


3.2.2C4.5


3.2.3CART


3.2.4随机森林


3.3Boosting家族


3.3.1XGBoost


3.3.2LightGBM


3.3.3CatBoost


3.4小结


第4章遗传算法家族


4.1遗传算法


4.1.1编码


4.1.2初始化种群


4.1.3自然选择


4.1.4交叉重组


4.1.5基因突变


4.1.6收敛


4.1.7遗传算法总结


4.2蚁群算法


4.2.1蚂蚁系统


4.2.2精英蚂蚁系统


4.2.3*大*小蚂蚁系统


4.2.4小结


第5章神经网络


5.1基本组成


5.1.1神经元


5.1.2层


5.2反向传播


5.2.1复习


5.2.2铺垫


5.2.3公式推导


5.3反向传播神经网络


5.4卷积神经网络


5.4.1卷积运算


5.4.2卷积层


5.4.3池化层


5.5循环神经网络


5.5.1RNN用途


5.5.2RNN结构


5.5.3RNN的反向传播——BPTT


5.6小结


第6章深度神经网络


6.1概述


6.2VGG网络


6.3GoogLeNet


6.3.1Inception v1


6.3.2Inception v2/v3


6.3.3Inception v4


6.3.4InceptionResnet


6.3.5GoogLeNet小结


6.4Resnet


6.5MobileNet


6.5.1CNN计算量如何计算


6.5.2深度可分离卷积


6.5.3ReLU6


6.5.4倒残差


6.6EfficientNet


6.6.1模型的数学表达


6.6.2复合缩放


6.7风格迁移


6.7.1内容损失函数


6.7.2风格损失函数


6.7.3风格迁移的梯度下降


第7章循环神经网络


7.1长短期记忆网络


7.1.1LSTM结构


7.1.2LSTM出现原因


7.2GRU


7.3注意力机制


7.3.1编码解码框架


7.3.2Attention结构


第8章无监督学习


8.1什么是无监督学习


8.2聚类算法


8.2.1Kmeans算法


8.2.2分级聚类


8.2.3具有噪声的基于密度的聚类方法


8.3生成对抗网络


8.3.1通俗易懂的解释


8.3.2原理推导


8.3.3损失函数的问题


8.3.4条件生成对抗网络


8.4自编码器


8.4.1自编码器概述


8.4.2去噪自编码器


8.4.3变分自编码器


第9章目标检测


9.1目标检测概述


9.1.1通俗理解


9.1.2铺垫知识点


9.1.3发展史


9.2YOLO v1


9.2.1输出


9.2.2网络


9.2.3输入


9.2.4损失函数


9.2.5小结


9.3YOLO v2


9.3.1mAP


9.3.2改进


9.3.3整体流程


9.3.4小结


9.4YOLO v3


第10章强化学习


10.1铺垫知识


10.1.1什么是RL


10.1.2马尔可夫决策过程


10.1.3回报Return


10.1.4价值函数


10.1.5贝尔曼方程


10.2DQN


10.2.1DQN损失函数


10.2.2DQN训练技巧


10.2.3DDQN


10.2.4基于优先级的记忆回放


10.2.5Dueling DQN


10.3全面讲解基础知识


10.3.1策略梯度


10.3.2ActorCritic行动者评论家算法


10.3.3A2C与优势函数


10.3.4Offpolicy


10.3.5连续动作空间


第11章GAN进阶与变种


11.1基础GAN存在的问题


11.2DCGAN


11.2.1反卷积(转置卷积+微步卷积)


11.2.2空洞卷积


11.3WGAN


11.3.1GAN问题的再探讨


11.3.2解决方案


11.4WGANGP


11.4.1WGAN的问题


11.4.2梯度惩罚


11.5VAEGAN


11.6CVAEGAN



第12章实战1: 决策树与随机森林


12.1数据集介绍


12.1.1乳腺癌数据简介


12.1.2任务介绍


12.2解决思路


12.2.1Pandas库与Sklearn介绍


12.2.2探索数据


12.2.3决策树模型


12.2.4随机森林模型


12.3小结


第13章实战2: MNIST手写数字分类


13.1数据集介绍


13.1.1MNIST简介


13.1.2任务介绍


13.2解决思路


13.2.1图像处理


13.2.2构建模型的三要素


13.2.3训练模型


13.2.4评估模型


13.3进一步改进finetune


13.4小结


第14章实战3: GAN基础之手写数字对抗生成


14.1GAN任务描述


14.2GAN解决过程及讲解


14.2.1数据准备


14.2.2模型搭建


14.2.3训练过程(核心)


14.3GAN进化——CGAN


14.4小结


14.5问题发现


第15章实战4: GAN进阶与优化


15.1前情提要


15.2WGAN(2017)


15.3WGANGP(2017)


15.4DCGAN(2016)


15.5CVAEGAN


第16章实战5: 风格迁移


16.1任务介绍


16.2解决思路


16.2.1加载模型


16.2.2加载图片


16.2.3获取特征图和Gram矩阵


16.2.4AI作画


16.3小结


第17章实战6: 目标检测(YOLO)


17.1Darknet.py


17.1.1__init__(self)


17.1.2forward(self,x)


17.1.3小结


17.2Detect.py


第18章实战7: 人脸检测


18.1什么是MTCNN


18.2MTCNN流程


18.2.1图像金字塔


18.2.2PNet


18.2.3RNet


18.2.4ONet


18.3训练过程


第19章实战8: 自然语言处理


19.1正则表达式


19.2快速上手textblob


19.2.1极性分析和词性标注


19.2.2词干提取和拼写校正


19.2.3单词字典


19.3基本概念


19.3.1朴素贝叶斯


19.3.2Ngram模型


19.3.3混淆矩阵


19.4基于朴素贝叶斯的垃圾邮件分类


19.5基于随机森林的垃圾邮件分类


第20章Python与PyTorch相关


20.1PyTorch模型类


20.2PyTorch的data类


20.3激活函数


20.4损失函数


20.4.1均方误差


20.4.2交叉熵


20.5model.train()与model.eval()


20.6Python的命令行库argparse


第21章机器学习相关


21.1训练集、测试集、验证集


21.2epoch、batch、minibatch等


21.3规范化


21.3.1内部协变量偏移


21.3.2批规范化


21.3.3BN vs LN


21.4SGD与MBGD


21.5适应性矩估计


21.5.1Momentum


21.5.2AdaGrad


21.5.3RMSProp


21.5.4Adam算法小结


21.6正则化与范式


21.7标签平滑正则化


21.8RBM与DBN


21.9图片的RGB和HSV


21.10网中网结构


21.11K近邻算法


21.12模拟退火算法


21.13流形学习


21.14端侧神经网络GhostNet(2019)


21.14.1Ghost Module


21.14.2分组卷积


21.14.3SE Module


参考文献


展开全部

深度学习理论与实战 作者简介

陈亦新 硕士,技术作家,涉及人工智能、图像处理和医学等多个领域,是一名热爱AI算法、立志AI落地造福社会的普通人。他因心思细腻、擅长换位思考、为人热情,常常被评价为一名优秀的知识传播者。他撰写的技术公众号“机器学习炼丹术”在短短2个月内收获上万粉丝,被粉丝称为炼丹兄

商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服