目 錄?Contents
本書贊譽
序
前 言
基 礎 篇
第1章 機器學習是什麼 2
1.1 聚類 4
1.2 迴歸 5
1.3 分類 8
1.4 綜閤應用 10
1.5 小結 14
第2章 深度學習是什麼 15
2.1 神經網絡是什麼 15
2.1.1 神經元 16
2.1.2 激勵函數 19
2.1.3 神經網絡 24
2.2 深度神經網絡 25
2.3 深度學習為什麼這麼強 28
2.3.1 不用再提取特徵 28
2.3.2 處理綫性不可分 29
2.4 深度學習應用 30
2.4.1 圍棋機器人——AlphaGo 30
2.4.2 被教壞的少女——Tai.ai 32
2.4.3 本田公司的大寶貝——
ASIMO 33
2.5 小結 37
第3章 TensorFlow框架特性與安裝 38
3.1 簡介 38
3.2 與其他框架的對比 39
3.3 其他特點 40
3.4 如何選擇好的框架 44
3.5 安裝TensorFlow 45
3.6 小結 46
原理與實踐篇
第4章 前饋神經網絡 50
4.1 網絡結構 50
4.2 綫性迴歸的訓練 51
4.3 神經網絡的訓練 75
4.4 小結 79
第5章 手寫闆功能 81
5.1 MNIST介紹 81
5.2 使用TensorFlow完成實驗 86
5.3 神經網絡為什麼那麼強 92
5.3.1 處理綫性不可分 93
5.3.2 挑戰“與或非” 95
5.3.3 豐富的VC——強大的空間
劃分能力 98
5.4 驗證集、測試集與防止過擬閤 99
5.5 小結 102
第6章 捲積神經網絡 103
6.1 與全連接網絡的對比 103
6.2 捲積是什麼 104
6.3 捲積核 106
6.4 捲積層其他參數 108
6.5 池化層 109
6.6 典型CNN網絡 110
6.7 圖片識彆 114
6.8 輸齣層激勵函數——SOFTMAX 116
6.8.1 SOFTMAX 116
6.8.2 交叉熵 117
6.9 小試牛刀——捲積網絡做圖片分類 124
6.10 小結 138
第7章 綜閤問題 139
7.1 並行計算 139
7.2 隨機梯度下降 142
7.3 梯度消失問題 144
7.4 歸一化 147
7.5 參數初始化問題 149
7.6 正則化 151
7.7 其他超參數 155
7.8 不,的模型 156
7.9 DropOut 157
7.10 小結 158
第8章 循環神經網絡 159
8.1 隱馬爾可夫模型 159
8.2 RNN和BPTT算法 163
8.2.1 結構 163
8.2.2 訓練過程 163
8.2.3 艱難的誤差傳遞 165
8.3 LSTM算法 167
8.4 應用場景 171
8.5 實踐案例——自動文本生成 174
8.5.1 RNN工程代碼解讀 174
8.5.2 利用RNN學習莎士比亞劇本 183
8.5.3 利用RNN學習維基百科 184
8.6 實踐案例——聊天機器人 185
8.7 小結 196
擴 展 篇
第9章 深度殘差網絡 198
9.1 應用場景 198
9.2 結構解釋與數學推導 200
9.3 拓撲解釋 205
9.4 Github示例 207
9.5 小結 207
第10章 受限玻爾茲曼機 209
10.1 結構 209
10.2 邏輯迴歸 210
10.3 ·大似然度 212
10.4 ·大似然度示例 214
10.5 損失函數 215
10.6 應用場景 216
10.7 小結 216
第11章 強化學習 217
11.1 模型核心 218
11.2 馬爾可夫決策過程 219
11.2.1 用遊戲開刀 221
11.2.2 準備工作 223
11.2.3 訓練過程 224
11.2.4 問題 226
11.2.5 Q-Learning算法 228
11.3 深度學習中的Q-Learning——DQN 231
11.3.1 OpenAI Gym 234
11.3.2 Atari遊戲 237
11.4 小結 238
第12章 對抗學習 239
12.1 目的 239
12.2 訓練模式 240
12.2.1 二元極小極大博弈 240
12.2.2 訓練 242
12.3 CGAN 244
12.4 DCGAN 247
12.5 小結 252
第13章 有趣的深度學習應用 254
13.1 人臉識彆 254
13.2 作詩姬 259
13.3 梵高附體 264
13.3.1 網絡結構 265
13.3.2 內容損失 268
13.3.3 風格損失 270
13.3.4 係數比例 271
13.3.5 代碼分析 272
13.4 小結 279
附錄A VMware Workstation的安裝 280
附錄B Ubuntu虛擬機的安裝 284
附錄C Python語言簡介 290
附錄D 安裝Theano 296
附錄E 安裝Keras 297
附錄F 安裝CUDA 298
參考文獻 303
資深大數據專傢多年實戰經驗總結,拒絕晦澀,開啓大數據與機器學習妙趣之旅
以降低學習麯綫和閱讀難度為宗旨,重點講解瞭統計與概率、數據挖掘算法、實際應用案例、數據價值與變現,以及高級拓展技能,清晰勾勒齣大數據技術路綫與産業藍圖
前言
第1章 大數據産業 1
1.1 大數據産業現狀 1
1.2 對大數據産業的理解 2
1.3 大數據人纔 3
1.3.1 供需失衡 3
1.3.2 人纔方嚮 3
1.3.3 環節和工具 5
1.3.4 門檻障礙 6
1.4 小結 8
第2章 步入數據之門 9
2.1 什麼是數據 9
2.2 什麼是信息 10
2.3 什麼是算法 12
2.4 統計、概率和數據挖掘 13
2.5 什麼是商業智能 13
2.6 小結 14
第3章 排列組閤與古典概型 15
3.1 排列組閤的概念 16
3.1.1 公平的決斷——扔硬幣 16
評分
評分
評分
評分
評分
評分
評分
評分
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息,本站不存儲任何數據與內容,任何內容與數據均與本站無關,如有需要請聯繫相關搜索引擎包括但不限於百度,google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有