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:

  • Python深度学习与项目实战 周北 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 周北著
    • 出版社: 人民邮电出版社
    • 出版时间:2021-02-01 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: 周北著
    • 出版社:人民邮电出版社
    • 出版时间:2021-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2021-02-01
    • 页数:235
    • 开本:16开
    • 装帧:平装
    • ISBN:9787115550835
    • 国别/地区:中国
    • 版权提供:人民邮电出版社

    Python深度学习与项目实战

    作  者:周北 著
    定  价:79
    出 版 社:人民邮电出版社
    出版日期:2021年02月01日
    页  数:248
    装  帧:平装
    ISBN:9787115550835
    主编推荐

    1.全方位解读深度学习五大主流与前沿技术; 2.理论与实战紧密结合,通过足够多的实际项目帮助读者; 3.知识全面,详解深度学习模型在计算机视觉、自然语言处理、金融、强化学习等众多领域的新进展和应用; 4.悉尼大学Basem Suleiman和Johan Alibasa以及伦敦大学玛丽女王学院Soren Riis等多位世界名校教师联袂推荐。

    内容简介

    本书基于Python以及两个深度学习框架Keras与TensorFlow,讲述深度学习在实际项目中的应用。本书共10章,首先介绍线性回归模型、逻辑回归模型、Softmax多分类器,然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络,最后讨论自编码模型、生成对抗网络、深度强化学习。本书结合计算机视觉、自然语言处理、金融领域等方面的项目,系统讲述深度学习技术,可操作性强。本书适合人工智能方面的专业人士阅读。

    作者简介

    周北,重庆韬翔网络科技有限公司总裁,悉尼大学研究生,人工智能领域资深技术专家,自2018年被任命为韬翔科技董事长以来,主要负责公司亚太地区与欧洲事业群的管理,曾任职于悉尼大学并担任计算机科学学院科研助理的工作。他具有信息技术和信息技术管理专业的双学位,是上海企觉有限公司首席技术顾问,擅长机器学习、深度学习、Python、Java等技术。

    精彩内容

    目录
    第一部分 基础知识
    第1章 线性回归模型3
    1.1线性回归详解3
    1.1.1数据集的构建3
    1.1.2线性回归模型的构建4
    1.1.3损失函数详解4
    1.2梯度下降算法5
    1.3求损失函数的最小值8
    1.4线性回归代码实战9
    1.4.1线性回归模型的构建与训练9
    1.4.2复杂线性回归模型的构建14
    1.4.3使用正则项防止过拟合16
    1.5线性回归项目实战18
    1.5.1波士顿房价数据集简介18
    1.5.2数据集特征值的标准化18
    1.5.3线性回归模型的构建与训练20
    1.6本章小结21
    第2章 逻辑回归模型22
    2.1逻辑回归详解22
    2.1.1Sigmoid函数22
    2.1.2逻辑回归模型的工作原理24
    2.1.3损失函数的构建25
    2.1.4二元交叉熵函数的代码实战27
    2.1.5求模型的很优参数27
    2.2逻辑回归项目实战29
    2.2.1泰坦尼克数据集简介29
    2.2.2数据集的加载30
    2.2.3模型的构建与训练30
    2.2.4模型的评估32
    2.2.5使用矩阵的方式加速模型的训练33
    2.3逻辑回归模型与神经网络的联系35
    2.4本章小结36
    第3章Softmax多分类器37
    3.1Softmax函数详解37
    3.2Softmax多分类器详解39
    3.2.1独热编码详解39
    3.2.2Softmax多分类器工作原理40
    3.2.3多元交叉熵函数详解41
    3.2.4多元交叉熵函数的代码实战42
    3.3数据集的预处理43
    3.3.1MNIST数据集详解43
    3.3.2数据集特征值的归一化44
    3.3.3图片的扁平化45
    3.3.4标签值的独热编码处理46
    3.4Softmax多分类器实战47
    3.4.1MNIST数据集的加载与预处理47
    3.4.2Softmax多分类器模型的构建48
    3.4.3Softmax多分类器模型的训练49
    3.5本章小结50
    第二部分进阶技术
    第4章全连接神经网络53
    4.1深度学习与神经网络简介53
    4.2全连接神经网络54
    4.3激活函数56
    4.3.1Sigmoid函数56
    4.3.2tanh函数56
    4.3.3ReLU函数57
    4.3.4Softmax函数58
    4.4模型参数的初始化58
    4.4.1初始化为常数58
    4.4.2随机初始化模型参数58
    4.4.3模型参数初始化实战59
    4.5模型的训练与损失函数60
    4.5.1模型的训练过程60
    4.5.2损失函数的定义61
    4.6梯度下降算法63
    4.6.1反向传播算法64
    4.6.23种梯度下降算法的计算方式65
    4.6.3梯度下降优化算法66
    4.7MNIST手写数字识别实战——分类项目67
    4.7.1深度学习项目中数据集的划分67
    4.7.2MNIST手写数字识别项目68
    4.8房价数据回归分析——回归分析项目70
    4.9本章小结73
    第5章神经网络模型的优化74
    5.1防止过拟合的方法74
    5.1.1L1/L2正则化74
    5.1.2增加训练集样本个数78
    5.1.3Dropout的应用80
    5.1.4早停法82
    5.2批量标准化85
    5.3CIFAR-10数据集分类项目实战87
    5.3.1CIFAR-10数据集简介87
    5.3.2模型的构建与训练87
    5.4模型的使用、保存与加载90
    5.4.1使用模型进行预测90
    5.4.2保存训练好的模型91
    5.4.3加载模型91
    5.5Keras 中的函数式API92
    5.6本章小结93
    第6章卷积神经网络94
    6.1卷积神经网络结构95
    6.2应用CNN模型对MNIST数据集分类95
    6.2.1图片的表示形式95
    6.2.2MNIST数据集的分类96
    6.3卷积层99
    6.3.1卷积层的工作原理99
    6.3.2实现卷积层的代码102
    6.3.3补零105
    6.4池化层107
    6.4.1池化层的工作原理108
    6.4.2池化层对图片的作用109
    6.5应用CNN模型对CIFAR-10数据集图片分类112
    6.6猫与狗数据集分类项目实战114
    6.6.1猫与狗数据集简介114
    6.6.2数据集的预处理115
    6.6.3模型的构建与训练116
    6.7经典的CNN模型119
    6.7.1VGG网络模型119
    6.7.2ResNet模型120
    6.7.3Inception网络模型122
    6.8迁移学习125
    6.8.1迁移学习的原理125
    6.8.2迁移学习项目实战126
    6.9本章小结129
    第7章循环神经网络130
    7.1时间序列数据详解131
    7.2自然语言数据的处理131
    7.2.1词的向量化表示131
    7.2.2词汇标记化133
    7.2.3序列填充135
    7.2.4嵌入层的原理与应用136
    7.3情感分析项目139
    7.3.1情感分析项目简介139
    7.3.2数据集的处理139
    7.4简单RNN141
    7.4.1简单RNN的原理141
    7.4.2简单RNN的应用143
    7.4.3简单RNN项目实战145
    7.5长短期记忆神经网络147
    7.5.1长短期记忆神经网络的原理147
    7.5.2长短期记忆神经网络的应用148
    7.6门控循环神经网络150
    7.6.1门控循环神经网络的原理150
    7.6.2门控循环神经网络的应用151
    7.7RNN进阶152
    7.7.1RNN中防止过拟合的方式152
    7.7.2叠加长短期记忆神经网络152
    7.7.3双向长短期记忆神经网络154
    7.7.4注意力模型156
    7.8文本生成项目159
    7.9某公司股票价格预测项目162
    7.9.1数据集的预处理163
    7.9.2模型的构建与训练164
    7.9.3可视化预测的股票开盘价格与实际的股票开盘价格165
    7.10自然语言处理技术新进展166
    7.10.1迁移学习在自然语言处理中的应用167
    7.10.2ELMo模型介绍与实战应用167
    7.10.3BERT模型介绍与实战应用171
    7.10.4GPT-2模型介绍174
    7.11本章小结175
    第三部分高级技术
    第8章自编码模型179
    8.1自编码模型的原理详解179
    8.2应用自编码模型对数据降维180
    8.3应用自编码模型进行异常检测183
    8.3.1异常检测的原理183
    8.3.2检测信用卡异常交易184
    8.4应用自编码模型对图片去噪188
    8.4.1项目介绍188
    8.4.2反卷积的原理与应用188
    8.4.3上采样的原理与应用190
    8.4.4实现图片去噪项目191
    8.5本章小结194
    第9章生成对抗网络195
    9.1生成对抗网络的原理195
    9.1.1生成对抗网络的工作原理简介195
    9.1.2生成器与判别器的工作原理197
    9.1.3生成对抗网络模型的训练197
    9.2生成对抗网络模型的训练技巧198
    9.2.1梯度值剪裁199
    9.2.2批量标准化中的动量199
    9.3项目实战200
    9.3.1数据集介绍与加载200
    9.3.2判别器模型的构建201
    9.3.3生成器模型的构建203
    9.3.4生成对抗网络模型的构建206
    9.3.5生成对抗网络模型的训练206
    9.4本章小结209
    第10章 深度强化学习211
    10.1深度强化学习简介212
    10.2深度强化学习详解213
    10.3Deep Q-Learning算法215
    10.3.1Q-Learning算法详解215
    10.3.2Deep Q-Learning算法详解217
    10.3.3Deep Q-Learning算法的应用219
    10.4策略梯度算法224
    10.4.1策略梯度算法原理详解225
    10.4.2策略梯度算法项目实战227
    10.5演员-评判家算法231
    10.5.1演员-评判家算法原理详解231
    10.5.2演员-评判家项目实战232
    10.6本章小结235

    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