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:

  • 正版新书]深度学习基础与实践 北京博海迪信息科技股份有限公
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 北京博海迪信息科技股份有限公司著 | 北京博海迪信息科技股份有限公司编 | 北京博海迪信息科技股份有限公司译 | 北京博海迪信息科技股份有限公司绘
    • 出版社: 机械工业出版社
    • 出版时间:2025-03-18
    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:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 北京博海迪信息科技股份有限公司著| 北京博海迪信息科技股份有限公司编| 北京博海迪信息科技股份有限公司译| 北京博海迪信息科技股份有限公司绘
    • 出版社:机械工业出版社
    • 出版时间:2025-03-18
    • 版次:1
    • 印次:1
    • 印刷时间:2025-03-12
    • 字数:431
    • 页数:280
    • 开本:16开
    • ISBN:9787111776000
    • 版权提供:机械工业出版社
  • 作者: 北京博海迪信息科技股份有限公司
  • 著: 北京博海迪信息科技股份有限公司 译
  • 装帧: 平装-胶订
  • 印次: 1
  • 定价: 57
  • ISBN: 9787111776000
  • 出版社: 机械工业出版社
  • 开本: 16开
  • 印刷时间: 2025-03-12
  • 语种: 暂无
  • 出版时间: 2025-03-18
  • 页数: 280
  • 外部编号: 庄村24482
  • 版次: 1
  • 成品尺寸: 暂无
  • 目 录
    前言
    单元1
    从机器学习到深度学习
    1.1 学习情境描述 001
    1.2 任务陈述 001
    1.3 知识准备 002
    1.3.1 人工智能、机器学习和深度学习的关系 002
    1.3.2 神经元和感知器 007
    1.3.3 神经网络架构 010
    1.3.4 深度学习的应用领域 014
    1.4 任务实施:深度学习体系梳理 015
    1.4.1 任务书 015
    1.4.2 任务分组 015
    1.4.3 获取信息 016
    1.4.4 工作实施 017
    1.4.5 评价与反馈 019
    1.5 拓展案例:深度学习在推荐系统中的应用 020
    1.5.1 问题描述 020
    1.5.2 基础理论 020
    1.5.3 实际应用 020
    1.5.4 案例总结 023
    1.6 单元练习 024
    单元2
    深度学习基础知识
    2.1 学习情境描述 025
    2.2 任务陈述 025
    2.3 知识准备 026
    2.3.1 模型拟合 026
    2.3.2 损失函数和代价函数 031
    2.3.3 最优化算法 035
    2.4 任务实施:常用代价函数实验 040
    2.4.1 任务书 040
    2.4.2 任务分组 040
    2.4.3 获取信息 041
    2.4.4 工作实施 041
    2.4.5 评价与反馈 045
    2.5 任务实施:梯度下降实验 046
    2.5.1 任务书 046
    2.5.2 任务分组 047
    2.5.3 获取信息 047
    2.5.4 工作实施 047
    2.5.5 评价与反馈 049
    2.6 拓展案例:PyTorch 简单模型构建 050
    2.6.1 问题描述 050
    2.6.2 基础理论 050
    2.6.3 解决步骤 051
    2.6.4 案例总结 053
    2.7 单元练习 053
    单元3
    PyTorch 深度学习框架
    3.1 学习情境描述 055
    3.2 任务陈述 055
    3.3 知识准备 056
    3.3.1 深度学习框架 056
    3.3.2 PyTorch 环境搭建 060
    3.3.3 PyTorch 的基本使用 065
    3.4 任务实施:PyTorch 环境的搭建和基本使用 068
    3.4.1 任务书 068
    3.4.2 任务分组 069
    3.4.3 获取信息 069
    3.4.4 工作实施 069
    3.4.5 评价与反馈 071
    3.5 拓展案例:张量的应用 072
    3.5.1 问题描述 072
    3.5.2 思路描述 072
    3.5.3 解决步骤 073
    3.5.4 案例总结 075
    3.6 单元练习 075
    单元4
    PyTorch 编程基础
    4.1 学习情境描述 076
    4.2 任务陈述 076
    4.3 知识准备 077
    4.3.1 张量的概念及应用 077
    4.3.2 神经网络 086
    4.4 任务实施:PyTorch 常见操作及函数的使用 094
    4.4.1 任务书 094
    4.4.2 任务分组 094
    4.4.3 获取信息 094
    4.4.4 工作实施 094
    4.4.5 评价与反馈 096
    4.5 任务实施:PyTorch 神经网络的搭建 098
    4.5.1 任务书 098
    4.5.2 任务分组 098
    4.5.3 获取信息 098
    4.5.4 工作实施 099
    4.5.5 评价与反馈 100
    4.6 拓展案例:手写数字体识别 102
    4.6.1 问题描述 102
    4.6.2 思路描述 102
    4.6.3 解决步骤 102
    4.6.4 案例总结 107
    4.7 单元练习 107
    单元5
    用PyTorch 实现深度网络
    5.1 学习情境描述 108
    5.2 任务陈述 108
    5.3 知识准备 109
    5.3.1 使用PyTorch 实现深度学习模型的基本流程 109
    5.3.2 数据集的预处理 113
    5.3.3 模型定义 116
    5.3.4 模型的优化与评估 117
    5.4 任务实施:手势识别 122
    5.4.1 任务书 122
    5.4.2 任务分组 122
    5.4.3 获取信息 122
    5.4.4 工作实施 122
    5.4.5 评价与反馈 127
    5.5 拓展案例:书法字体识别 128
    5.5.1 问题描述 128
    5.5.2 实际应用 129
    5.5.3 解决步骤 129
    5.5.4 案例总结 133
    5.6 单元练习 133
    单元6
    基于CNN 的服装图像分类
    6.1 学习情境描述 134
    6.2 任务陈述 134
    6.3 知识准备 135
    6.3.1 CNN 概述 135
    6.3.2 基于CNN 的图像分类 140
    6.4 任务实施:CNN 的Fashion?MINIST 分类实战 145
    6.4.1 任务书 145
    6.4.2 任务分组 145
    6.4.3 获取信息 145
    6.4.4 工作实施 145
    6.4.5 评价与反馈 149
    6.5 拓展案例:基于卷积神经网络的面部表情识别 150
    6.5.1 问题描述 150
    6.5.2 基础理论 150
    6.5.3 解决步骤 151
    6.5.4 案例总结 158
    6.6 单元练习 158
    单元7
    图像数据处理
    7.1 学习情境描述 159
    7.2 任务陈述 159
    7.3 知识准备 160
    7.3.1 数字图像的概念和图像处理方法 160
    7.3.2 图像编/ 解码、标准化处理和添加标注框 169
    7.4 任务实施:图像数据处理 175
    7.4.1 任务书 175
    7.4.2 任务分组 175
    7.4.3 获取信息 175
    7.4.4 工作实施 176
    7.4.5 评价与反馈 179
    7.5 拓展案例:基于神经网络的图像风格迁移 180
    7.5.1 问题描述 180
    7.5.2 基础理论 180
    7.5.3 解决步骤 183
    7.5.4 案例总结 187
    7.6 单元练习 187
    单元8
    基于LSTM 的数据预测
    8.1 学习情境描述 188
    8.2 任务陈述 188
    8.3 知识准备 189
    8.3.1 数据预测概述 189
    8.3.2 时间序列预测方法 190
    8.3.3 LSTM 神经网络 193
    8.4 任务实施:国际航空乘客预测 198
    8.4.1 任务书 198
    8.4.2 任务分组 198
    8.4.3 获取信息 198
    8.4.4 工作实施 199
    8.4.5 评价与反馈 202
    8.5 拓展案例:使用PyTorch 进行LSTM 时间序列预测 203
    8.5.1 问题描述 203
    8.5.2 思路描述 203
    8.5.3 解决步骤 204
    8.5.4 案例总结 208
    8.6 单元练习 209
    单元9
    基于AlexNet 的图像分类
    9.1 学习情境描述 210
    9.2 任务陈述 210
    9.3 知识准备 211
    9.3.1 AlexNet 神经网络 211
    9.3.2 基于AlexNet 的图像分类概述 215
    9.4 任务实施:基于AlexNet 的CIFAR - 100 分类实战 223
    9.4.1 任务书 223
    9.4.2 任务分组 223
    9.4.3 获取信息 223
    9.4.4 工作实施 224
    9.4.5 评价与反馈 227
    9.5 拓展案例:基于深度学习和迁移学习的遥感
    图像场景分类实战 228
    9.5.1 问题描述 228
    9.5.2 思路描述 228
    9.5.3 解决步骤 228
    9.5.4 案例总结 231
    9.6 单元练习 231
    单元10
    基于ResNet 的行人重识别
    10.1 学习情境描述 233
    10.2 任务陈述 233
    10.3 知识准备 234
    10.3.1 ResNet 概述 234
    10.3.2 行人重识别 244
    10.4 任务实施:基于ResNet 的行人重识别实战 255
    10.4.1 任务书 255
    10.4.2 任务分组 255
    10.4.3 获取信息 255
    10.4.4 工作实施 256
    10.4.5 评价与反馈 261
    10.5 拓展案例:基于骨架提取和人体关键点
    估计的行为识别 262
    10.5.1 问题描述 262
    10.5.2 思路描述 262
    10.5.3 解决步骤 262
    10.5.4 案例总结 264
    10.6 单元练习 264
    参考文献 265

    职业院校教师

    本书可销往职业院校相关专业,也可作为相关技术人员参考用书


    本书基于开源深度学习框架PyTorch 编写, 既有深度学习的理论知识, 又有深度学习所需的实践项
    目, 利于编程基础能力的培养。本书内容包括深度学习的基本原理和常用算法、深度学习框架PyTorch 的环
    境搭建及基础编程方法、使用PyTorch 实现手势识别、CNN 图像分类、数据处理、国际航空乘客预测等项
    目, 以及张量的应用、手写数字体识别、面部表情识别等拓展案例。本书每个单元都配备知识点微课, “任
    务实施” 结合实践应用有序排列学习任务, 符合人才成长的特点和教学规律, 突出培养学生的专业数字化素
    养, 实现理论与实践的统一。
    本书通俗易懂、理论结合实践, 适合作为高职院校计算机类专业的理论与实践一体化教材, 也可作为人
    工智能技术人才的岗前培训教材。
    为方便教学, 本书配有电子课件等教学资源。凡选用本书作为授课教材的教师均可登录机械工业出版社
    教育服务网(www.cmpedu.com) 注册后免费下载。如有问题请致信cmpgaozhi@ sina.com, 或致电010 -
    88379375 联系营销人员。

    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