中图网

>

程序设计

基于Python的数据分析丛书深度学习入门——基于Python的实现(基于Python的数据分析丛书)

作者：吴喜之张敏

出版社：中国人民大学出版社出版时间：2021-03-01

开本：其他页数： 244

本类榜单：计算机/网络销量榜

中图价:¥32.4(7.2折) 定价 ~~¥45.0~~ 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>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥32.4 加入购物车

版权信息
内容简介
目录
节选
作者简介

基于Python的数据分析丛书深度学习入门——基于Python的实现(基于Python的数据分析丛书) 版权信息

ISBN：9787300290782
条形码：9787300290782 ; 978-7-300-29078-2
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
程序设计

基于Python的数据分析丛书深度学习入门——基于Python的实现(基于Python的数据分析丛书) 内容简介

深度学习是一种人工智能, 模仿人脑处理数据和创建用于决策的模式方面的工作, 处理用于检测对象、识别语音、翻译语言和进行决策的数据. 本书是深度学习入门级教材，有以下特点：
1. 由浅入深, 对于很基本的单层神经网络到多层神经网络的前向及后向传播理论, 从公式到代码缓慢进阶, 做了透彻的解释, 易于理解及上手。
2. 在基本模块介绍之后, 对于各种更复杂的模型并不拘泥于细节, 而是着重介绍其含义, 让读者着眼于整体框架及未来发展。
3. 尽量跟随新发展, 书中近期新的模型来自2020年.

基于Python的数据分析丛书深度学习入门——基于Python的实现(基于Python的数据分析丛书) 目录

**部分 Python 基础
第 1 章 Python 基础
1．1引言
1．2 安装
1．3 基本模块的编程
1．4 NumPy 模块
1．5 Pandas 模块
1．6 Matplotlib 模块
1．7 Python 的类——面向对象编程简介
1．8 习题
第二部分神经网络基础及逐步深化
第 2 章从*简单的神经网络说起
2．1 纪元和批次
2．2 神经网络回归
2．3 神经网络分类
第 3 章有隐藏层的神经网络
3．1 一个隐藏层的神经网络
3．2 多个隐藏层的神经网络
3．3 通过 PyTorch 实现神经网络初等计算
第三部分深度学习的 PyTorch 实现
第 4 章神经网络的 PyTorch 逐步深化
4．1 简单的人造数据回归
4．2 MNIST 手写数字数据神经网络案例
4．3 卷积神经网络
4．4 MNIST 手写数字数据 ( 续)： CNN
4．5 CIFAR10 数据图像 CNN 案例·
第 5 章递归神经网络
5．1 递归神经网络简介
5．2 长短期记忆网络 (LSTM)
5．3 LSTM 预测句子的例子
5．4 门控递归网络 (GRU)
5．5 数据 MNIST 手写数字数据的GRU 分类例子
5．6 GRU 处理时间序列的例子
第 6 章 PyTorch 文本数据分析
6．1 一个简单的文本分类例子
6．2 序列到序列模型 (seq2seq)
6．3 剖析一个著名 seq2seq 案例
第 7 章用于自然语言处理的变换器
7．1 变换器的原理
7．2 预训练模块Transformers·
7．3 seq2seq 变换器示范代码
第 8 章现代 Hopfifield 网络
8．1 概论
8．2 传统的 Hopfifield 网络
8．3 现代 Hopfifield 网络
8．4 现代 Hopfifield 网络例子
第四部分深度学习的 TensorFlow 实现
第 9 章通过例子进入 TensorFlow
9．1 分类例子：皮肤病
9．2 回归例子
9．3 不平衡数据分类例子
第 10 章 TensorFlow 案例
10．1 102 种花卉 CNN 分类例子
10．2 通过 RNN 生成文本例子
10．3 IMDB 数据文本情感分析案例
10．4 IMDB 数据的变换器示范代码
10．5 图像分割案例

展开全部

基于Python的数据分析丛书深度学习入门——基于Python的实现(基于Python的数据分析丛书) 节选

深度学习是机器学习的一个子领域. 它利用层次化的人工神经网络来实现机器学习的过程. 人工神经网络类似于人的大脑, 其神经元节点像网络一样连接在一起. 深度学习系统的分层功能使机器可以使用非线性方法处理数据. 它主要用于有监督学习, 也能够从非结构化或未标记的数据中不受监督地学习网络. 由于深度学习主要使用神经网络, 也称为深度神经学习或深度神经网络. 数字时代引起了来自世界各地的各种形式的数据爆炸式增长. 这些数据 (简称为大数据) 来自社交媒体、互联网搜索引擎和电子商务平台等多种资源. 有大量数据易于访问, 并且可以通过云计算等金融科技应用程序共享. 但是, 通常只有非结构化的数据如此庞大, 以至于基于传统方法可能需要数十年才能理解并提取相关信息. 人们意识到, 挖掘这些丰富的信息可能会带来令人难以置信的潜力, 因此, 越来越多地采用诸如深度学习这样的人工智能系统进行自动化支持.