加载中...
扫一扫
下载苏宁易购APP
关注苏宁推客公众号
自购省钱·分享赚钱
下载苏宁金融APP
关注苏宁易购服务号
用户评价:----
物流时效:----
售后服务:----
实名认证领苏宁支付券立即领取 >
¥
提前抢
SUPER会员专享
由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
欢迎光临本店铺
点我可查看更多商品哦~
100%刮中券,最高50元无敌券,券有效期7天
亲,今日还有0次刮奖机会
我的云钻:0
您的云钻暂时不足,攒足云钻再来刮
恭喜获得1张券!
今天的机会已经全部用完了,请明天再来
恭喜刮出两张券,请选择一张领取
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
诺森系统与深度学习黄昕[等]编著9787302513636清华大学出版社
¥ ×1
商品
服务
物流
章什么是系统11.1 系统的概念.11.1.1 系统的基本概念11.1.2 深度学与统4第2 章深度神经网络.72.1 什么是深度学习.72.1.1 深度学习的三次兴起72.1.2 深度学习的优势92.2 神经网络基础112.2.1 神经元112.2.2 神经网络.122.. 反向传播.132.2.4 优化算法.14. 卷积网络基础17..1 卷积层17..2 池化层19.. 常见的网络结构192.4 循环网络基础212.4.1 时序反向传播算法222.4.2 长短时记忆网络242.5 生成对抗基础252.5.1 对抗博弈.262.5.2 理论推导.272.5.3 常见的生成对抗网络29iv j 系统与深度学习第3 章TensorFlow 平台313.1 什么是TensorFlow 313.2 TensorFlow 安装指南.333.2.1 Windows 环境安装.333.2.2 Linux 环境安装.343.3 TensorFlow 基础.363.3.1 数据流图.363.3.2 会话373.3.3 图可视化.373.3.4 变量373.3.5 占位符383.3.6 优化器383.3.7 一个简单的例子383.4 深度学台39第4 章系统的基础算法424.1 基于内容的算法.424.1.1 基于内容的算法基本流程424.1.2 基于内容的特征提取.454.2 基于协同的算法.474.2.1 基于物品的协同算法494.2.2 基于用户的协同算法574.. 基于用户协同和基于物品协同的区别594.2.4 基于矩阵分解的方法.614.2.5 基于稀疏自编码的方法.714.3 基于社交网络的算法804.3.1 基于用户的在社交网络中的应用814.3.2 node2vec 技术在社交网络中的应用854.4 系统的冷启动问题944.4.1 如何解决系统冷启动问题944.4.2 深度学习技术在物品冷启动上的应用101目录j v第5 章混合系统1195.1 什么是混合系统.1195.1.1 混合系统的意义1205.1.2 混合系统的算法分类.1225.2 系统特征处理方法1255.2.1 特征处理方法1265.2.2 特征选择方法1345.3 常见的预测模型1415.3.1 基于逻辑回归的模型1415.3.2 基于支持向量机的模型.1445.3.3 基于梯度提升树的模型.1485.4 排序学习1505.4.1 基于排序的指标来优化.1505.4.2 L2R 算法的三种情形.152第6 章基于深度学习的模型1566.1 基于DNN 的算法1566.2 基于DeepFM 的算法1636.3 基于矩阵分解和图像特征的算法1716.4 基于循环网络的算法.1746.5 基于生成对抗网络的算法.1766.5.1 IRGAN 的代码实现.179第7 章系统架构设计.1837.1 系统基本模型1837.2 系统常见架构1857.2.1 基于离线训练的系统架构设计1857.2.2 面向深度学习的系统架构设计1917.. 基于在线训练的系统架构设计1947.2.4 面向内容的系统架构设计1977.3 系统常用组件1997.3.1 数据上报常用组件199vi j 系统与深度学习7.3.2 离线存储常用组件2007.3.3 离线计算常用组件2007.3.4 在线存储常用组件2017.3.5 模型服务常用组件2017.3.6 实时计算常用组件2017.4 系统常见问题2017.4.1 实时2017.4.2 多样2027.4.3 曝光打击和不良内容过滤.2027.4.4 评估测试.202后记.203图1.1 猜你喜欢栏目2图1.2 百度指数.4图1.3 歌曲词嵌入模型空间向量.6图2.1 神经网络的三次兴起8图2.2 不同层数的神经网络拟合分界面的能力.10图. 不同层数的神经网络表示能力10图2.4 神经网络的基本结构11图2.5 感知器算法12图2.6 三层全连接神经网络13图2.7 动量对比.16图2.8 卷积运算.18图2.9 池化层19图2.10 LeNet 卷积结构.20图2.11 Alex-Net 卷积结构20图2.12 RNN 21图2.13 LSTM 在t 时刻的内部结构24图2.14 GAN 网络25图3.1 TensorFlow 安装截图34图3.2 TensorBoard 计算37图4.1 腾讯视频APP 页面.44图4.2 截取自网.49图4.3 截取自 音AP.49图4.4 用户购买物品记录50图4.5 同时被购买次数矩阵C 51图4.6 相似度计算结果1 52图4.7 相似度计算结果2 54viii j 系统与深度学习图4.8 相似度计算结果3 55图4.9 截取自网.57图4.10 物品的倒排索引57图4.11 用户评分矩阵.63图4.12 Sigma 值64图4.13 NewData 值65图4.14 Mydata 值65图4.15 自编码神经网络模型72图4.16 稀疏自编码个网络.73图4.17 稀疏自编码第二个网络.74图4.18 稀疏自编码第三个网络.75图4.19 将三个网络组合起来75图4.20 社交网络关系图示例81图4.21 融入用户关系和物品关系82图4.22 社交网络关系图示例86图4. 社交网络关系图示例86图4.24 CBOW 和Skip-Gram 示例.88图4.25 Skip-Gram 网络结构89图4.26 CBOW 网络结构91图4.27 word analogy 示例93图4.28 某登录页面95图4.29 互联开放注册平台1 96图4.30 互联开放注册平台2 97图4.31 互联应用管理页面1 97图4.32 互联应用管理页面2 97图4.33 互联 登录功能获取97图4.34 音AP 中的偏好选择98图4.35 (a) 为每部电影被打分的分布,(b) 为每个用户打分的分布100图4.36 (a) 为每部电影平均分分布,(b) 为每个用户平均分分布.100图4.37 基于专家数据的CF 与基于用户数据CF 比较.101图目录j ix图4.38 音乐频谱示例102图4.3个流派的频谱图示例103图4.40 CNN 音频分类结构.103图4.41 CNN LSTM 组合音频分类模型.104图4.42 分类预测结果的混淆矩阵104图4.43 模型倒数第二层128 维向量降维可视化104图4.44 微软how-old.net 107图4.45 SCUT-FBP 数据集示例图108图4.46 脸部截取后的数据集示例图.108图4.47 CNN 层数过多,误差反而较大113图4.48 残差网络的基本结构113图4.49 残差网络完整结构.114图5.1 NetFlix 的实时系统的架构图120图5.2 整体式混合系统125图5.3 并行式混合系统125图5.4 流水线式混合系统.125图5.5 MDLP 特征离散化130图5.6 ChiMerge 特征离散化.131图5.7 层次化时间按序列特征.133图5.8 Learn to rank 的局限153图6.1 Wide & Deep 模型结构157图6.2 系统的召回和排序两个阶段158图6.3 召回模型结构.159图6.4 序列信息160图6.5 排序模型结构.161图6.6 不同NN 的效果162图6.7 DeepFM 模型结构(网络左边为FM 层,右边为DNN 层).164图6.8 FM 一阶部分165图6.9 FM 二阶部分166图6.10 FM/DNN/DeepFM 的比较171x j 系统与深度学习图6.11 电影静止帧图片举例172图6.12 Alex-Net 卷积网络.173图6.13 左图:时间无关的系统。右图:时间相关的系统174图6.14 基于循环神经网络的系统175图6.15 判别器177图6.16 生成器178图6.17 IRGAN 说明179图7.1 监督学习基本模型.184图7.2 基于离线训练的系统架构设计186图7.3 数据上报模块.187图7.4 离线训练模块.187图7.5 系统中的存储分层.188图7.6 在线预测的几个阶段189图7.7 系统通用设计190图7.8 面向深度学习的系统架构设计191图7.9 利用深度学习进行特征提取192图7.10 参数服务器架构193图7.11 基于在线训练的系统架构设计195图7.12 在线学习之实时特征处理196图7.13 面向内容的系统架构设计198图7.14 用于的内容池.198图7.15 Apache Kafka 逻辑架构.200表4.1 用户A 和B 的评分矩阵.43表4.2 电影内容特征二进制表示45表4.3 人脸魅力值打分不同模型的MAE 比较112表4.4 人脸魅力值打分不同模型的MAE 比较117表4.5 Keras 预训练好的图像分类模型118
黄昕,现任腾讯音乐集团不错,先后负责音乐、全民K歌等App算法开发及系统架构设计工作。
本书的几位作者都在大型互联网公司从事与系统相关的实践与研究,通过这本书,把系统工作经验予以总结,以帮想从事系统的工作者或系统爱好者。本书的内容设置由浅入深,从传统的算法过渡到近年兴起的深度学习技术。不管是初学者,还是有一定经验的从业人员,相信都能从本书的不同章节中有所收获。 区别于算法书籍,本书引入了已被实践明效果较好的深度学习技术,包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用,并给出了相关的实践代码;除了在算法层面讲解系统的实现,还从工程层面详细阐述系统如何搭建。
本书的五位作者均曾就职于腾讯,分别在不同的部门从事与系统相关的工作。算法具有多的应用场景和巨大的商业价值。算法种类很多,目前应用*广泛的应该是基于协同过滤的算法。在2016年,随着阿尔法围棋(AlphaGo)大放异彩,新的一波深度学习浪潮已至。在图像、音频处理等领域,深度学习技术已成为当之无愧的;但在领域,深度学习还处于发展阶段。同时,我们在平时工作学习中,发现市面上并没有关于两者相结合的书籍,只能在国外中发现相关的方法与应用。所以,我们决定以比较简单的表达方式,通过总结过往的算法经验,将深度学习相关的应用介绍给更多的读者。
抢购价:¥ 38.00
易购价:¥ 38.00
注:参加抢购将不再享受其他优惠活动
亲,很抱歉,您购买的宝贝销售异常火爆,让小苏措手不及,请稍后再试~
验证码错误
看不清楚?换一张
确定关闭
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
查看我的收藏夹
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
继续等待
0小时0分
立即开通
SUPER会员