返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 深度学习 魏贞原 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 魏贞原 著著
    • 出版社: 电子工业出版社
    • 出版时间:2018-05-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 魏贞原 著著
    • 出版社:电子工业出版社
    • 出版时间:2018-05-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-05-01
    • 字数:268.4千字
    • 页数:230
    • 开本:16开
    • 装帧:平装
    • ISBN:9787121341472
    • 国别/地区:中国
    • 版权提供:电子工业出版社

    深度学习

    作  者:魏贞原 著
    定  价:59
    出 版 社:电子工业出版社
    出版日期:2018年05月01日
    页  数:230
    装  帧:平装
    ISBN:9787121341472
    主编推荐

    内容简介

    本书系统的讲解了深度的基本知识,以及使用机器学习解决实际问题,详细的介绍了如何构建及优化模型,并针对不同的问题给出了不同的解决方案,通过不同的例子展示了具体的项目中的应用和实践经验,是一本很好好的深度学习的入门和实践的书籍。本书以实践为导向,使用 Keras作为编程框架,强调简单,快速的上手建立模型,解决实际项目问题。读者可以根据本书的理解,迅速上手实践深度学习,并利用深度学习解决实际的问题。本书很好适合于项目经理,有意从事机器学习开发的程序员,以及高校在读相关专业的学生。

    作者简介

    魏贞原,IBM不错项目经理,主要负责银行客户的复杂系统开发。同时是IBMCIC量子计算COE团队的Python领域专家(Subject Matter Expert),负责量子计算应用的探索工作,对机器学习和深度学习有深入的研究,精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号,定期分享Python在机器学习和深度学习中的实践知识。

    精彩内容

    目录
    第一部分初识
    1初识深度学习/2
    1.1Python的深度学习/2
    1.2软件环境和基本要求/3
    1.2.1Python和SciPy/3
    1.2.2机器学习/3
    1.2.3深度学习/4
    1.3阅读本书的收获/4
    1.4本书说明/4
    1.5本书中的代码/5
    2深度学习生态圈/6
    2.1CNTK/6
    2.1.1安装CNTK/7
    2.1.2CNTK的简单例子/8
    2.2TensorFlow/8
    2.2.1TensorFlow介绍/8
    2.2.2安装TensorFlow/9
    2.2.3TensorFlow的简单例子/9
    2.3Keras/10
    2.3.1Keras简介/11
    2.3.2Keras安装/11
    2.3.3配置Keras的后端/11
    2.3.4使用Keras构建深度学习模型/12
    2.4云端GPUs计算/13
    第二部分多层感知器
    3个多层感知器实例:印第安人糖尿病诊断/16
    3.1概述/16
    3.2PimaIndians数据集/17
    3.3导入数据/18
    3.4定义模型/19
    3.5编译模型/20
    3.6训练模型/21
    3.7评估模型/21
    3.8汇总代码/22
    4多层感知器速成/24
    4.1多层感知器/24
    4.2神经元/25
    4.2.1神经元权重/25
    4.2.2激活函数/26
    4.3神经网络/27
    4.3.1输入层(可视层)/28
    4.3.2隐藏层/28
    4.3.3输出层/28
    4.4训练神经网络/29
    4.4.1准备数据/29
    4.4.2随机梯度下降算法/30
    4.4.3权重更新/30
    4.4.4预测新数据/31
    5评估深度学习模型/33
    5.1深度学习模型和评估/33
    5.2自动评估/34
    5.3手动评估/36
    5.3.1手动分离数据集并评估/36
    5.3.2k折交叉验证/37
    6在Keras中使用Scikit-Learn/40
    6.1使用交叉验证评估模型/41
    6.2深度学习模型调参/42
    7多分类实例:鸢尾花分类/49
    7.1问题分析/49
    7.2导入数据/50
    7.3定义神经网络模型/50
    7.4评估模型/52
    7.5汇总代码/52
    8回归问题实例:波士顿房价预测/54
    8.1问题描述/54
    8.2构建基准模型/55
    8.3数据预处理/57
    8.4调参隐藏层和神经元/58
    9二分类实例:银行营销分类/61
    9.1问题描述/61
    9.2数据导入与预处理/62
    9.3构建基准模型/64
    9.4数据格式化/66
    9.5调参网络拓扑图/66
    10多层感知器进阶/68
    10.1JSON序列化模型/68
    10.2YAML序列化模型/74
    10.3模型增量更新/78
    10.4神经网络的检查点/81
    10.4.1检查点跟踪神经网络模型/82
    10.4.2自动保存很优模型/84
    10.4.3从检查点导入模型/86
    10.5模型训练过程可视化/87
    11Dropout与学习率衰减92
    11.1神经网络中的Dropout/92
    11.2在Keras中使用Dropout/93
    11.2.1输入层使用Dropout/94
    11.2.2在隐藏层使用Dropout/95
    11.2.3Dropout的使用技巧/97
    11.3学习率衰减/97
    11.3.1学习率线性衰减/98
    11.3.2学习率指数衰减/100
    11.3.3学习率衰减的使用技巧/103
    第三部分卷积神经网络
    12卷积神经网络速成/106
    12.1卷积层/108
    12.1.1滤波器/108
    12.1.2特征图/109
    12.2池化层/109
    12.3全连接层/109
    12.4卷积神经网络案例/110
    13手写数字识别/112
    13.1问题描述/112
    13.2导入数据/113
    13.3多层感知器模型/114
    13.4简单卷积神经网络/117
    13.5复杂卷积神经网络/120
    14Keras中的图像增强/124
    14.1Keras中的图像增强API/124
    14.2增强前的图像/125
    14.3特征标准化/126
    14.4ZCA白化/128
    14.5随机旋转、移动、剪切和反转图像/129
    14.6保存增强后的图像/132
    15图像识别实例:CIFAR-10分类/134
    15.1问题描述/134
    15.2导入数据/135
    15.3简单卷积神经网络/136
    15.4大型卷积神经网络/140
    15.5改进模型/145
    16情感分析实例:IMDB影评情感分析/152
    16.1问题描述/152
    16.2导入数据/153
    16.3词嵌入/154
    16.4多层感知器模型/155
    16.5卷积神经网络/157
    第四部分循环神经网络
    17循环神经网络速成/162
    17.1处理序列问题的神经网络/163
    17.2循环神经网络/164
    17.3长短期记忆网络/165
    18多层感知器的时间序列预测:靠前旅行人数预测/167
    18.1问题描述/167
    18.2导入数据/168
    18.3多层感知器/169
    18.4使用窗口方法的多层感知器/172
    19LSTM时间序列问题预测:靠前旅行人数预测177
    19.1LSTM处理回归问题/177
    19.2使用窗口方法的LSTM回归/181
    19.3使用时间步长的LSTM回归/185
    19.4LSTM的批次间记忆/188
    19.5堆叠LSTM的批次间记忆/192
    20序列分类:IMDB影评分类/197
    20.1问题描述/197
    20.2简单LSTM/197
    20.3使用Dropout改进过拟合/199
    20.4混合使用LSTM和CNN/201
    21多变量时间序列预测:PM2.5预报/203
    21.1问题描述/203
    21.2数据导入与准备/204
    21.3构建数据集/206
    21.4简单LSTM/207
    22文本生成实例:爱丽丝梦游仙境/211
    22.1问题描述/211
    22.2导入数据/212
    22.3分词与向量化/212
    22.4词云/213
    22.5简单LSTM/215
    22.6生成文本/219
    附录A深度学习的基本概念/223
    A.1神经网络基础/223
    A.2卷积神经网络/227
    A.3循环神经网络/229

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购