深度學習：從入門到精通 (微課版)

購買商店

深度學習：從入門到精通 (微課版)

$299.00

馬上購買

內容描述

本書全面系統地講解了深度學習相關的知識。全書共8章，內容包括深度學習簡介及TensorFlow安裝，神經網絡基礎、神經網絡的TensorFlow實現、捲積神經網絡基礎、經典捲積神經網絡（上）、經典捲積神經網絡（下）、深度學慣用於文本序列和深度學習實驗項目等內容。
本書以知識體系為基礎，以課堂案例為載體，採取理論與實踐相結合的教學模式，通過知識講解和上機實驗，使學生不僅掌握深度學習的理論基礎，而且能夠實現基本的代碼。

目錄大綱

第 1章 深度學習簡介及TensorFlow安裝 1
【學習目標】　1
【導言】　1
1.1　機器學習、深度學習與人工智能　2
1.1.1　機器學習　2
1.1.2　深度學習　3
1.1.3　機器學習與深度學習同人工智能的關系　4
1.2　深度學習與回歸分析　5
1.2.1　回歸分析理論框架　5
1.2.2　深度學習與回歸分析的聯系　6
1.3　深度學習的發展歷程　7
1.4　深度學習擅長的領域　9
1.4.1　圖像處理　9
1.4.2語音識別　12
1.4.3自然語言處理　12
1.4.4棋牌競技　13
1.4.5視頻處理　14
1.5　安裝TensorFlow　14
1.5.1　TensorFlow和Keras介紹　15
1.5.2　硬件環境準備　15
1.5.3　軟件環境準備　16
1.5.4　安裝Anaconda　17
1.5.5　安裝TensorFlow及Keras軟件包　17
1.5.6　Jupyter Notebook運行深度學習　19
課後習題　20
第　2章 神經網絡基礎　21
【學習目標】　21
【導言】　21
2.1　神經網絡模型介紹　21
2.1.1　M-P神經元模型　22
2.1.2　感知機模型　23
2.1.3　多層感知機模型　24
2.2　激活函數　25
2.2.1　sigmoid激活函數　26
2.2.2　tanh激活函數　27
2.2.3　Relu激活函數　28
2.3　神經網絡的訓練　29
2.3.1　神經網絡的訓練流程　29
2.3.2　前向傳播算法　31
2.3.3　損失函數　32
2.3.4　基於梯度下降算法的預備知識　33
2.3.5批量梯度下降算法（Mini-batch）　35
2.3.6批量梯度下降算法的改進　36
2.3.7　反向傳播算法　38
2.4　神經網絡的過擬合及處理方法　40
2.4.1　過擬合　41
2.4.2　正則化方法　42
2.4.3　Dropout方法　44
課後習題　46
第3章　神經網絡的TensorFlow實現　47
【學習目標】　47
【導言】　47
3.1　神經網絡的數據結構　47
3.1.1　張量及其分類　47
3.1.2　張量數據示例　49
3.2　圖像數據的存儲與運算　51
3.2.1圖像數據的讀入與展示　52
3.2.2　圖像數據的代數運算　54
3.3線性回歸模型的TensorFlow實現　55
3.3.1　線性回歸模型　55
3.3.2　案例：美食評分　56
3.4　邏輯回歸模型的TensorFlow實現　63
3.4.1　邏輯回歸模型　63
3.4.2　Softmax回歸模型　64
3.4.3　案例：手寫數字識別　65
課後習題　70
第4章　捲積神經網絡基礎　71
【學習目標】　71
【導言】　71
4.1　捲積神經網絡的基本結構　71
4.2　“捲積”與“池化”的通俗理解　72
4.2.1　對捲積的理解　72
4.2.2　對池化的理解　73
4.3　捲積　74
4.3.1　二維離散捲積　75
4.3.2　捲積結果的輸出尺寸　80
4.3.3　多深度的離散捲積　81
4.3.4　捲積運算的三個特性　90
4.4　池化操作　92
4.4.1　same池化　92
4.4.2　valid池化　99
課後習題　105
第5章　經典捲積神經網絡（上）　106
【學習目標】　106
【導言】　106
5.1　LeNet-5介紹　107
5.1.1　LeNet-5網絡結構　107
5.1.2　案例：LeNet-5手寫數字識別　108
5.2　AlexNet介紹　113
5.2.1　AlexNet網絡結構　113
5.2.2　AlexNet創新點　114
5.2.3　案例：中文字體識別——隸書和行楷　115
5.3　VGG介紹　119
5.3.1　VGG網絡結構　119
5.3.2　案例：加利福尼亞理工學院鳥類數據庫分類　121
5.4　Batch Normalization技巧　127
5.4.1　Batch Normalization核心思想　127
5.4.2　帶有BN的邏輯回歸　128
5.4.3　帶有BN的寬度模型　131
5.4.4　帶有BN的深度模型　133
5.5　Data Augmentation技巧　135
5.5.1　Data Augmentation核心思想　135
5.5.2　數據增強實例：貓狗分類　136
課後習題　140
第6章　經典捲積神經網絡（下）　141
【學習目標】　141
【導言】　141
6.1　Inception模型介紹　141
6.1.1　Inception網絡結構　142
6.1.2　案例：Flower分類　147
6.2　ResNet模型介紹　150
6.2.1　ResNet網絡結構　150
6.2.2　案例：花的三分類問題　154
6.3　DenseNet模型介紹　158
6.3.1　DenseNet網絡結構　158
6.3.2案例：性別區分　163
6.4　MobileNet模型介紹　167
6.4.1　MobileNet網絡結構　167
6.4.2　案例：狗的分類　172
6.5　遷移學習　176
6.5.1　深度學習的現實困難　176
6.5.2　遷移學習原理　177
6.5.3　Keras中的遷移學習模型　178
課後習題　182
第7章　深度學慣用於文本序列　183
【學習目標】　183
【導言】　183
7.1詞嵌入　184
7.1.1　詞嵌入前期知識　184
7.1.2　詞嵌入的理論原理　187
7.1.3詞嵌入的程序實現　189
7.2機器“作詩”初級：邏輯回歸　192
7.2.1　機器“作詩”原理　192
7.2.2原理實現：數據處理　195
7.2.3原理實現：邏輯回歸　200
7.3機器“作詩”進階（1）：RNN　205
7.3.1　RNN前期知識　206
7.3.2　RNN模型介紹　208
7.3.3原理實現：數據處理　209
7.3.4原理實現：RNN作詩　213
7.4　機器“作詩”進階（2）：LSTM　216
7.4.1　LSTM前期知識　216
7.4.2　LSTM模型介紹　219
7.4.3　原理實現：數據準備　224
7.4.4原理實現：LSTM代碼實現　225
7.5　文本序列應用實例：機器翻譯　228
7.5.1機器翻譯原理　228
7.5.2　案例：中英文翻譯　234
課後習題　242
第8章　深度學習實驗項目　243
【學習目標】　243
【導言】　243
8.1實驗一：LeNet模型　244
8.2實驗二：AlexNet模型　244
8.3　實驗三：VGG 16模型　244
8.4　實驗四：Inception V3模型　245
8.5　實驗五：ResNet模型　245
8.6　實驗六：DenseNet模型　246
8.7　實驗七：MobileNet模型　246
8.8　實驗八：邏輯回歸作詩　247
8.9　實驗九：RNN模型作詩　247
8.10　實驗十：LSTM模型作詩　248

作者介紹

北京大学光华管理学院商务统计与经济计量系，嘉茂荣聘教授，博导，系主任。在理论研究方面，关注高维数据分析。在业界实践方面，王汉生教授是国内最早从统计数据分析角度关注并研究搜索引擎营销，社交网络数据，以及位置轨迹数据分析的学者。曾与百度合作完成百度分析师高级培训，并担任百度认证专家委员会委员。在推进统计应用在电子商务以及移动互联网应用方面建树颇多。