TensorFlow深度學習：數學原理與Python實戰進階

購買商店

TensorFlow深度學習：數學原理與Python實戰進階

$505.00

馬上購買

內容描述

本書重點在幫你掌握深度學習所要求的數學原理和編程實戰經驗，
使你能快速使用TensorFlow輕鬆部署產品中的深度學習解決方案，
並形成開發深度學習架構和解決方案時所需的數學理解和直覺。
本書提供了豐富的理論和實戰動手經驗，使你可以從零開始掌握深度學習，並能快速部署有價值的深度學習解決方案。
本書重點講解了與多個行業相關的深度學習實踐方面的專業知識。
通過這些實戰經驗，你將能夠使用原型來構建新的深度學習應用程序。
本書適合誰
正在研究深度學習解決方案以解決複雜業務問題的數據科學家和機器學習專業人員。
通過TensorFlow開發深度學習解決方案的軟件開發人員。
渴望不斷學習的師生和人工智能愛好者。

目錄大綱

原書前言
□□章數學基礎//1
　1.1 線性代數//2
　1.1.1 向量//2
    1.1.2 標量//2
　1.1.3 矩陣//3
　1.1.4 張量//3
　1.1.5 矩陣的運算和操作//4
　1.1.6 向量的線性獨立//6
　1.1.7 矩陣的秩//8
    1.1.8 單位矩陣或恆等運算符//8
　1.1.9 矩陣的行列式//9
　1.1.10 逆矩陣//10
　1.1.11 向量的範數（模）//11
　1.1.12 偽逆矩陣//12
　1.1.13 以特定向量為方向的單位向量//12
　1.1.14 一個向量在另一個向量方向上的投影（或射影）//12
　1.1.15 特徵向量//12
　1.2 微積分//17
　1.2.1 微分//17
　1.2.2 函數的梯度//17
　1.2.3 連續偏導數//18
　1.2.4 海森矩陣//18
　1.2.5 函數的極大值和極小值//18
　1.2.6 局部極小值和全局□小值//20
　1.2.7 半正定以及正定矩陣//21
　1.2.8 凸集//21
　1.2.9 凸函數//22
　1.2.10 非凸函數//22
    1.2.11 多變量凸函數以及非凸函數範例//23
    1.2.12 泰勒級數//24
　1.3 概率//24
　1.3.1 並集、交集和條件概率//25
　1.3.2 事件交集概率的鍊式法則//26
　1.3.3 互斥事件//26
　1.3.4 事件獨立性//27
　1.3.5 事件條件獨立性//27
　1.3.6 貝葉斯定理（公式）//27
　1.3.7 概率質量函數//28
　1.3.8 概率密度函數//28
　1.3.9 隨機變量的數學期望//28
　1.3.10 隨機變量的方差//28
　1.3.11 偏度和峰度//29
　1.3.12 協方差//30
　1.3.13 相關性係數//31
　1.3.14 一些常見的概率分佈//31
　1.3.15 似然函數//34
　1.3.16 □大似然估計//35
　1.3.17 假設檢驗和p值//36
　1.4 機器學習算法的製定與優化算法//38
　1.4.1 監督學習//38
　1.4.2 無監督學習//45
　1.4.3 機器學習的優化算法//45
　1.4.4 約束優化問題//53
　1.5 機器學習中的幾個重要主題//54
　1.5.1 降維方法//54
　1.5.2 正則化//5
　1.5.3 約束優化問題中的正則化//59
　1.6 總結//60
第2章深度學習概念和TensorFlow介紹//61
　2.1 深度學習及其發展//61
　2.2 感知機和感知機學習算法//63
　2.2.1 感知機學習的幾何解釋//65
　2.2.2 感知機學習的局限性//66
　2.2.3 非線性需求//68
　2.2.4 隱藏層感知機的非線性激活函數//69
　2.2.5 神經元或感知機的不同激活函數//70
　2.2.6 多層感知機網絡的學習規則//74
　2.2.7 梯度計算的反向傳播//75
　2.2.8 反向傳播方法推廣到梯度計算//76
　2.3 TensorFlow //82
　2.3.1 常見的深度學習包//82
　2.3.2 TensorFlow的安裝//83
　2.3.3 TensorFlow的開發基礎//83
　2.3.4 深度學習視角下的梯度下降優化方法//86
　2.3.5 隨機梯度下降的小批量方法中的學習率//90
　2.3.6 TensorFlow中的優化器//90
　2.3.7 TensorFlow實現XOR//96
　2.3.8 TensorFlow中的線性回歸//100
　2.3.9 使用全批量梯度下降的SoftMax函數多分類//103
　2.3.10 使用隨機梯度下降的SoftMax函數多分類//105
　2.4 GPU //107
　2.5 總結//108
第3章卷積神經網絡//109
　3.1 卷積操作//109
　3.1.1 線性時不變和線性移不變系統//109
　3.1.2 一維信號的捲積//111
　3.2 模擬信號和數字信號//112
　　3.2.1 二維和三維信號//113
　3.3 二維卷積//114
　3.3.1 二維單位階躍函數//114
　3.3.2 LSI系統中單位階躍響應信號的二維卷積//115
　3.3.3 不同的LSI系統中圖像的二維卷積//117
　3.4 常見的圖像處理濾波器//120
　3.4.1 均值濾波器//120
　3.4.2 中值濾波器//122
　3.4.3 高斯濾波器//122
　3.4.4 梯度濾波器//123
　3.4.5 Sobel邊緣檢測濾波器//125
　3.4.6 恆等變換//127
　3.5 卷積神經網絡//128
　3.6 卷積神經網絡的組成部分//128
　3.6.1 輸入層//129
　3.6.2 卷積層//129
　3.6.3 池化層//131
　3.7 卷積層中的反向傳播//131
　3.8 池化層中的反向傳播//134
　3.9 卷積中的權值共享及其優點//136
　3.10 平移同變性//136
　3.11 池化的平移不變性//137
　3.12 捨棄層和正則化//138
　3.13 MNIST數據集上進行手寫數字識別的捲積神經網絡//140
　3.14 用來解決現實問題的捲積神經網絡//144
　3.15 批規範化//151
　3.16 卷積神經網絡中的幾種不同的網絡架構//153
　3.16.1 LeNet//153
　3.16.2 AlexNet//154
　3.16.3 VGG16//155
　3.16.4 ResNet//156
　3.17 遷移學習//157
　3.17.1 遷移學習的使用指導//158
　3.17.2 使用谷歌InceptionV3網絡進行遷移學習//159
　3.17.3 使用預訓練的VGG16網絡遷移學習//162
    3.18 總結//166
第4章基於循環神經網絡的自然語言處理//167
　4.1 向量空間模型//167
　4.2 單詞的向量表示//170
　4.3 Word2Vec//170
　4.3.1 CBOW //171
　4.3.2 CBOW 在TensorFlow中的實現//173
　4.3.3 詞向量嵌入的Skip-gram模型//176
　4.3.4 Skip-gram在TensorFlow中的實現//178
　4.3.5 基於全局共現方法的詞向量//181
　4.3.6 GloVe//186
　4.3.7 詞向量類比法//188
　4.4 循環神經網絡的介紹//191
　4.4.1 語言建模//193
　4.4.2 用循環神經網絡與傳統方法預測句子中的下一個詞的對比//193
　4.4.3 基於時間的反向傳播//194
　4.4.4 循環神經網絡中的梯度消失與爆炸問題//196
　4.4.5 循環神經網絡中的梯度消失與爆炸問題的解決方法//198
　4.4.6 LSTM//199
　4.4.7 LSTM在減少梯度爆炸和梯度消失問題中的應用//200
　4.4.8 在TensorFlow中使用循環神經網絡進行MNIST數字識別//201
　4.4.9 門控循環單元//210
　4.4.10 雙向循環神經網絡//211
　4.5 總結//212
第5章用受限玻爾茲曼機和自編碼器進行無監督學習//214
　5.1 玻爾茲曼分佈//214
　5.2 貝葉斯推斷：似然、先驗和後驗概率分佈//215
　5.3 MCMC採樣方法//219
　5.3.11 Metropolis算法//222
　5.4 受限玻爾茲曼機//226
　5.4.1 訓練受限玻爾茲曼機//229
　5.4.2 吉布斯採樣//233
　5.4.3 塊吉布斯採樣//234
　5.4.4 Burn-in階段和吉布斯採樣中的樣本生成//235
　5.4.5 基於吉布斯採樣的受限玻爾茲曼機//235
　5.4.6 對比散度//236
　5.4.7 受限玻爾茲曼機的TensorFlow實現//237
　5.4.8 基於受限玻爾茲曼機的協同過濾//239
　5.4.9 深度置信網絡//244
　5.5 自編碼器//248
　5.5.1 基於自編碼器的監督式特徵學習//250
　5.5.2 KL散度//251
　5.5.3 稀疏自編碼器//251
　5.5.4 稀疏自編碼器的TensorFlow實現//253
　5.5.5 去噪自編碼器//255
　5.5.6 去噪自編碼器的TensorFlow實現//256
　5.6 PCA和ZCA白化//262
　5.7 總結//264
第6章高級神經網絡//265
　6.1 圖像分割//265
　6.1.1 基於像素強度直方圖的二元閾值分割方法//265
　6.1.2 大津法//266
　6.1.3 用於圖像分割的分水嶺算法//268
　6.1.4 使用K-means聚類進行圖像分割//272
　6.1.5 語義分割//274
　6.1.6 滑動窗口方法//274
　6.1.7 全卷積網絡//275
　6.1.8 全卷積網絡的下採樣和上採樣//277
　6.1.9 U-Net//281
　6.1.10 在TensorFlow中使用全卷積神經網絡進行語義分割//283
　6.2 圖像分類和定位網絡//290
　6.3 物體檢測//292
　6.3.1 R-CNN//293
　6.3.2 Fast和Faster-CNN//294
　6.4 生成式對抗網絡//295
　6.4.1 極大極小和極小極大問題//295
　6.4.2 零和博弈//297
　6.4.3 極小極大和鞍點//298
　6.4.4 生成式對抗網絡的損失函數和訓練//300
　6.4.5 生成器的梯度消弭//302
　6.4.6 生成式對抗網絡的TensorFlow實現//302
　6.5 生成環境下的TensorFlow模型應用//305
　6.6 總結//308

作者介紹

Santanu Pattanayak
目前在GE數字集團（GE Digital）擔任高級數據科學家。
Santanu具有10年的總體工作經驗，6年以上的數據分析/數據科學領域的經驗，同時還具有研發和數據庫技術的背景。
在加入GE之前，Santanu曾在RBS、Capgemini和IBM等公司工作。
他還是一名狂熱的數學愛好者，在數據科學黑客馬拉松和Kaggle競賽等的全球500強排名中名列前茅。