3779次浏览
近年来，深度学习可谓是机器学习方向的明星概念，不同的深度学习模型分别在图像处理与自然语言处理等任务中取得了前所未有的好成绩。在许多场合都有这样的需求“如何对感兴趣的领域快速理解和使用深度学习技术?”答案涉及复杂的数学、编程语言(如C、C++和Java)。但随着R的兴起,现在使用深度学习技术比以往更容易。因为R易学易用，不要求很扎实的编程基础，它被广泛地应用于机器学习实践和教学中。即使对R语言不是很了解的用户也可以通过一些包来搭建深度学习网络。全书11章，分为原理篇（第1~8章）和应用篇（第9~11章）。原理篇按照深度学习的发展过程，主要讨论了浅层神经网络、深度神经网络、卷积神经网络、递归神经网络、自编码网络、受限玻耳兹曼机和深度置信网。应用篇讨论R环境部署深度学习环境的一些策略，包括：MXNetR、H2O和其他深度学习R包以及一些典型的应用。本书可用作本科高年级机器学习课程参考书或数据科学课程教材，也可供对人工智能、机器学习感兴趣的读者参考阅读。前言 第1章引言 1.1关于深度学习 1.1.1深度学习兴起的渊源 1.1.2深度学习总体框架 1.1.3深度学习本质 1.1.4深度学习应用
![面向机器智能的TensorFlow实践 [美] 山姆·亚伯拉罕（Sam Abrahams）著 段菲译 PDF下载](/upload/image/20200131/1580459061742.jpeg)
2985次浏览
本书是一本*佳的TensorFlow入门指南。几位作者都来自研发一线，他们用自己的宝贵经验，结合众多高质量的代码，生动讲解TensorFlow的底层原理，并从实践角度介绍如何将两种常见模型——深度卷积网络、循环神经网络应用到图像理解和自然语言处理的典型任务中。此外，还介绍了在模型部署和编程中可用的诸多实用技巧。全书分为四部分，共9章。第一部分（第1~2章）讨论TensorFlow的设计模式以及选择TensorFlow作为深度学习库的优势和面临的挑战，并给出详细的安装指南。第二部分（第3~4章）深入介绍TensorFlow API的基础知识和机器学习基础。第三部分（第5~6章）探讨如何用TensorFlow实现高级深度模型，涉及卷积神经网络（或CNN）模型和循环神经网络（或RNN）模型。第四部分（第7~8章）探讨TensorFlow API中*新推出的特性，包括如何准备用于部署的模型、一些有用的编程模式等。第9章给出一些进一步了解TensorFlow的学习资源。译者序 前言 第一部分 开启TensorFlow之旅 第1章 引言2 1.1 无处不在的数据2 1.2 深度学习2 1.3 Te
3581次浏览
《大数据架构详解：从数据获取到深度学习》从架构、业务、技术三个维度深入浅出地介绍了大数据处理领域端到端的知识。主要内容包括三部分：第一部分从数据的产生、采集、计算、存储、消费端到端的角度介绍大数据技术的起源、发展、关键技术点和未来趋势，结合生动的业界最新产品，以及学术界最新的研究方向和成果，让深奥的技术浅显易懂；第二部分从业务和技术角度介绍实际案例，让读者理解大数据的用途及技术的本质；第三部分介绍大数据技术不是孤立的，讲解如何与前沿的云技术、深度学习、机器学习等相结合。《大数据架构详解：从数据获取到深度学习》内容深入浅出，技术结合实践，从实践中理解架构和技术的本质，适合大数据技术领域的从业人员如架构师、工程师、产品经理等，以及准备学习相关领域知识的学生和老师阅读。第一部分 大数据的本质 第1章 大数据是什么 2 1.1 大数据导论 2 1.1.1 大数据简史 2 1.1.2 大数据现状 3 1.1.3 大数据与BI 3 1.2 企业数据资产 4 1.3 大数据挑战 5 1.3.1 成本挑战 6 1.3.2 实时性挑战 6 1.3.3 安全挑战 6 1.4 小结 6 第2章 运营商大数据
4845次浏览
本书的内容设置由浅入深，从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者，还是有一定经验的从业人员，相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍，本书引入了已被实践证明效果较好的深度学习推荐技术，包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用，并给出了相关的实践代码；除了在算法层面讲解推荐系统的实现，还从工程层面详细阐述推荐系统如何搭建.第1 章什么是推荐系统1 1.1 推荐系统的概念.1 1.1.1 推荐系统的基本概念1 1.1.2 深度学习与推荐系统4 第2 章深度神经网络.7 2.1 什么是深度学习.7 2.1.1 深度学习的三次兴起7 2.1.2 深度学习的优势9 2.2 神经网络基础11 2.2.1 神经元11 2.2.2 神经网络.12 2.2.3 反向传播.13 2.2.4 优化算法.14 2.3 卷积网络基础17 2.3.1 卷积层17 2.3.2 池化层19 2.3.3 常见的网络结构19 2.4 循环网络基础21 2.4.1 时序反向传播算法22 2.4.2 长短时记忆网络24 2.5 生成对抗基础25 2.
5571次浏览
深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神经网络。《解析深度学习：卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍，也可供没有机器学习背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。第一部分绪论1 0.1 引言 . 2 0.2 什么是
3538次浏览
本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络，该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面，受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。本书的最大特色是对卷积神经网络进行由浅入深的分类描述，依次包括：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的，既方便读者入门学习，又有助于读者深入钻研。第1章 概述1.1 深度学习的起源和发展1.2 卷积神经网络的形成和演变1.3 卷积神经网络的应用和影响1.4 卷积神经网络的缺陷和视图1.5 卷积神经网络的GPU实现和cuDNN库1.6 卷积神经网络的平台和工具1.7 本书的内容结构和案例数据1.7.1 内容结构1.7.2 案例数据第2章 预备知识2.1 激活函数2.2 矩阵运算2.3 导数公式2.4 梯度下降算法2.5 反向传播算法2.5.1 通用反向传播算法2.5.2 逐层反向传播算法2.6 通用逼近定理2.7 内外卷积运算2.8 膨胀卷积运算
3149次浏览
AlphaGo与李世石的围棋大战激发了人们对人工智能是非的诸多争论。人工智能背后的工作原理深度学习跳入大众的视野。AlphaGo的大获全胜一定程度展示了深度学习在应用领域的成功，而语音识别正是深度学习取得显著成功的应用领域之一。本书是首次以深度学习为主线介绍语音识别应用的书籍，对读者了解语音识别技术及其发展历程有重要的参考价值。本书作者俞栋、邓力均是该领域的著名专家，他们是深度学习在应用领域取得突破性进展的推动者与实践者，他们在书中分享的研究成果一定程度上代表了本领域最新的研究进展；译者俞凯、钱彦旻也是本领域的资深专家，并有众多实践成果。对于从事此领域研究的读者来说，本书无疑有重要的参考价值。《解析深度学习：语音识别实践》是首部介绍语音识别中深度学习技术细节的专著。全书首先概要介绍了传统语音识别理论和经典的深度神经网络核心算法。接着全面而深入地介绍了深度学习在语音识别中的应用，包括"深度神经网络-隐马尔可夫混合模型"的训练和优化，特征表示学习、模型融合、自适应，以及以循环神经网络为代表的若干先进深度学习技术。《解析深度学习：语音识别实践》适合有一定机器学习或语音识别基础的学生、研究者或
3530次浏览
深度卷积网络（DCNN）是目前十分流行的深度神经网络架构，它的构造清晰直观，效果引人入胜，在图像、视频、语音、语言领域都有广泛应用。本书以AI领域新的技术研究和和实践为基础，从技术理论、工作原理、实践方法、架构技巧、训练方法、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。以实战为导向，深入分析AlphaGo和GAN的实现过程、技术原理、训练方法和应用细节，为读者依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱，让读者了解AI的“思考过程”，以及与人类思维的相同和不同之处。本书在逻辑上分为3个部分：第一部分 综述篇（第1、6、9章）这3章不需要读者具备编程和数学基础，对深度学习和神经网络的基础知识、AlphaGo的架构设计和工作原理，以及深度学习和人工智能未来的技术发展趋势进行了宏观介绍。第二部分 深度卷积网络篇（第2、3、4、5章）结合作者的实际工作经验和案例代码，对深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练方法做了系统而深入的讲解。第三部分 实战篇（第7、8章）详细分析了AlphaGo和GAN的技术原理、训练方法和应用细节，包括详细的代码分析和大量G
2773次浏览
深度强化学习（Deep Reinforcement Learning，DRL）是深度学习算法和强化学习算法的巧妙结合，它是一种新兴的通用人工智能算法技术，也是机器学习的前沿技术，DRL 算法潜力无限，AlphaGo 是目前该算法*成功的使用案例。DRL 算法以马尔科夫决策过程为基础，是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。深度强化学习算法主要包括基于动态规划（DP）的算法以及基于策略优化的算法，本书的目的就是要把这两种主要的算法（及设计技巧）讲解清楚，使算法研究人员能够熟练地掌握。《揭秘深度强化学习人工智能机器学习技术丛书》共10 章，首先以AlphaGo 在围棋大战的伟大事迹开始，引起对人工智能发展和现状的介绍，进而介绍深度强化学习的基本知识。然后分别介绍了强化学习（重点介绍蒙特卡洛算法和时序差分算法）和深度学习的基础知识、功能神经网络层、卷积神经网络（CNN）、循环神经网络（RNN），以及深度强化学习的理论基础和当前主流的算法框架。*后介绍了深度强化学习在不同领域的几个应用实例。引例、基础知识和实例相结合，方便读者理解和学习。《揭秘深度强化学习 人工智能机器学习
4694次浏览
本书基本独立成册，适用于零基础的初学者。基础篇（第1～3章），讲解了机器学习、深度学习与实践的上下文知识，如基本的机器学习与深度学习算法，TensorFlow框架的安全与配置，简单的深度学习实践。该篇是阅读和实践的基石。原理与实践篇（第4～8章），介绍“老牌”的深度学习网络的数学原理和工程实现原理，尤其是第4章，如果能基本读懂，后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用，以及一些常见的综合性问题。该篇是学习深度学习的重点和难点，作者通过大量示例、推理与实现，帮读者*大化降低学习曲线。扩展篇（第9～13章），介绍一些网络的变种和一些较新的网络特性，涵盖深度残差网络、受限玻尔兹曼机、强化学习、对抗学习，这是读者进一步学习与实践思路的钥匙。最后给出了一些有趣的深度学习应用：人脸识别、作诗姬、大师风图像处理，有趣又有用。第1章 机器学习是什么 2第2章 深度学习是什么 15第3章 TensorFlow框架特性与安装 38第4章 前馈神经网络 50第5章 手写板功能 81第6章 卷积神经网络 103第7章 综合问题 139第8章 循环神经网络
3083次浏览
《深入浅出深度学习：原理剖析与Python实践》介绍了深度学习相关的原理与应用，全书共分为三大部分，第一部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和最优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。《深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的最后都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。最后，理论与实践相结合，《深入浅出深度学习：原理剖析与Python实践》针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看《深入浅出深度学习：原理剖析与Python实践》的代码（https://github.com/innovation-cat/DeepLearningBook）。第1
2774次浏览
《深度学习轻松学：核心算法与视觉实践》介绍了深度学习基本算法和视觉领域的应用实例。书中以轻松直白的语言，生动详细地介绍了深层模型相关的基础知识，并深入剖析了算法的原理与本质。同时，书中还配有大量案例与源码，帮助读者切实体会深度学习的核心思想和精妙之处。除此之外，书中还介绍了深度学习在视觉领域的应用，从原理层面揭示其思路思想，帮助读者在此领域中夯实技术基础。《深度学习轻松学：核心算法与视觉实践》十分适合对深度学习感兴趣，希望对深层模型有较深入了解的读者阅读。1 机器学习与深度学习的概念1 1.1 什么是机器学习 1 1.1.1 机器学习的形式. 2 1.1.2 机器学习的几个组成部分. 8 1.2 深度学习的逆袭 9 1.3 深层模型在视觉领域的应用. 13 1.4 本书的主要内容 15 1.5 总结. 17 2 数学与机器学习基础18 2.1 线性代数基础. 18 2.2 对称矩阵的性质 22 2.2.1 特征值与特征向量 22 2.2.2 对称矩阵的特征值和特征向量 23 2.2.3 对称矩阵的对角化 24 2.3 概率论. 25 2.3.1 概率与分布. 25 2.3.2 最大似然
2972次浏览
《深度学习：21天实战Caffe》是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例，由浅入深，从 Caffe 的配置、部署、使用开始学习，通过阅读 Caffe 源码理解其精髓，加强对深度学习理论的理解，最终达到熟练运用 Caffe 解决实际问题的目的。和国外机器学习、深度学习大部头著作相比，《深度学习：21天实战Caffe》偏重动手实践，将难以捉摸的枯燥理论用浅显易懂的形式表达，透过代码揭开其神秘面纱，更多地贴近实际应用。上篇 初见 第1天 什么是深度学习 2 1.1 星星之火，可以燎原 3 1.2 师夷长技 4 1.2.1 谷歌与微软 4 1.2.2 Facebook、亚马逊与NVIDIA 5 1.3 中国崛起 6 1.3.1 BAT在路上 6 1.3.2 星光闪耀 7 1.3.3 企业热是风向标 8 1.4 练习题 9 第2天 深度学习的过往 10 2.1 传统机器学习的局限性 10 2.2 从表示学习到深度学习 11 2.3 监督学习 12 2.4 反向传播算法 13 2.5 卷积神经网络 15 2.6 深度学习反思 17 2.7 练习题 18 2.
4543次浏览
《深度学习框架PyTorch：入门与实践》从多维数组Tensor开始，循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小项目，包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch：入门与实践》没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识，希望读者对PyTorch有一个完整的认识。《深度学习框架PyTorch：入门与实践》内容由浅入深，无论是深度学习的初学者，还是第一次接触PyTorch的研究人员，都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户，也能够从本书中获得对PyTorch不一样的理解。1 PyTorch简介 1.1 PyTorch的诞生 1.2 常见的深度学习框架简介 1.2.1 Theano 1.2.2 TensorFlow 1.2.3 Keras 1.2.4 Caffe/Caffe2 1.2.5 MXNet 1.2.6 CNTK 1.2.7 其他框架 1.3 属于动态图的未来 1.4 为什么选
4878次浏览
这是一本面向人工智能，特别是深度学习初学者的书，适合于大学三年级左右的理工科本科生和研究生，以及其它对人工智能算法感兴趣的人，本书一共15章，大体分为以下4个部分：第 1~3 章为第 1 部分，主要介绍人工智能的初步认知，并引出相关问题第 4~5 章为第 2 部分，主要介绍 TensorFlow 相关基础，为后续算法实现铺垫；第 6~9 章为第 3 部分，主要介绍神经网络的核心理论和共性知识，让读者理解深度学习的本质第 10~15 章为模型算法应用部分，主要介绍常见的算法与模型，让读者能够学有所用。
3383次浏览
《深度学习框架PyTorch：入门与实践》从多维数组Tensor开始，循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小项目，包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch：入门与实践》没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识，希望读者对PyTorch有一个完整的认识。《深度学习框架PyTorch：入门与实践》内容由浅入深，无论是深度学习的初学者，还是第一次接触PyTorch的研究人员，都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户，也能够从本书中获得对PyTorch不一样的理解。1 PyTorch简介 1.1 PyTorch的诞生 1.2 常见的深度学习框架简介 1.2.1 Theano 1.2.2 TensorFlow 1.2.3 Keras 1.2.4 Caffe/Caffe2 1.2.5 MXNet 1.2.6 CNTK 1.2.7 其他框架 1.3 属于动态图的未来 1.4 为什么选
3944次浏览
计算机视觉、自然语言处理和语音识别是目前深度学习领域很热门的三大应用方向，《深度学习之PyTorch实战计算机视觉》旨在帮助零基础或基础较为薄弱的读者入门深度学习，达到能够独立使用深度学习知识处理计算机视觉问题的水平。通过阅读本书，读者将学到人工智能的基础概念及Python 编程技能，掌握PyTorch 的使用方法，学到深度学习相关的理论知识，比如卷积神经网络、循环神经网络、自动编码器，等等。在掌握深度学习理论和编程技能之后，读者还会学到如何基于PyTorch 深度学习框架实战计算机视觉。《深度学习之PyTorch实战计算机视觉》中的大量实例可让读者在循序渐进地学习的同时，不断地获得成就感。《深度学习之PyTorch实战计算机视觉》面向对深度学习技术感兴趣、但是相关基础知识较为薄弱或者零基础的读者。第1章 浅谈人工智能、神经网络和计算机视觉 1 1.1 人工还是智能 1 1.2 人工智能的三起两落 2 1.2.1 两起两落 2 1.2.2 卷土重来 3 1.3 神经网络简史 5 1.3.1 生物神经网络和人工神经网络 5 1.3.2 M-P模型 6 1.3.3 感知机的诞生 9 1.3
3283次浏览
本书重点介绍了神经网络模型在自然语言处理中的应用。首先介绍有监督的机器学习和前馈神经网络的基本知识，如何将机器学习方法应用在自然语言处理中，以及词向量表示（而不是符号表示）的应用。然后介绍更多专门的神经网络结构，包括一维卷积神经网络、循环神经网络、条件生成模型和基于注意力的模型。后，讨论树形网络、结构化预测以及多任务学习的前景。目录 前言 致谢 第1章引言 1.1自然语言处理的挑战 1.2神经网络和深度学习 1.3自然语言处理中的深度学习 1.4本书的覆盖面和组织结构 1.5本书未覆盖的内容 1.6术语 1.7数学符号 注释 部分有监督分类与前馈神经网络 第2章学习基础与线性模型 2.1有监督学习和参数化函数 2.2训练集、测试集和验证集 2.3线性模型 2.3.1二分类 2.3.2对数线性二分类 2.3.3多分类 2.4表示 2.5独热和稠密向量表示 2.6对数线性多分类 2.7训练和优化 2.7.1损失函数 2.7.2正则化 2.8基于梯度的优化 2.8.1随机梯度下降 2.8.2实例 2.8.3其他训练方法 第3章从线性模型到多层感知器 3.1线性模型的局限性：异或问题 3.2非
3713次浏览
《图解深度学习与神经网络：从张量到TensorFlow实现》是以TensorFlow 为工具介绍神经网络和深度学习的入门书，内容循序渐进，以简单示例和图例的形式，展示神经网络和深度学习背后的数学基础原理，帮助读者更好地理解复杂抽象的公式。同时，采用手动计算和程序代码这两种方式讲解示例，可以更好地帮助读者理解TensorFlow 的常用函数接口，为读者掌握利用TensorFlow 搭建人工智能项目打下良好的基础。《图解深度学习与神经网络：从张量到TensorFlow实现》适合神经网络、深度学习、TensorFlow 的入门者阅读。1 深度学习及TensorFlow 简介1 1.1 深度学习 1 1.2 TensorFlow 简介及安装 2 2 基本的数据结构及运算6 2.1 张量 6 2.1.1 张量的定义 6 2.1.2 Tensor 与Numpy 的ndarray 转换 9 2.1.3 张量的尺寸 10 2.1.4 图像转换为张量 13 2.2 随机数 14 2.2.1 均匀（平均）分布随机数 14 2.2.2 正态（高斯）分布随机数 15 2.3 单个张量的运算 17 2.3.1
5267次浏览
本书首先介绍了一些机器学习算法的基础，随后带领你进入一个引人入胜的机器智能世界，你将领略到各种神经网络的魅力及挑战。本书将使用基于DL4J的Java库，带你一起攻克图像处理、语音识别和自然语言处理等领域中的各种问题。同时，你也会接触到当今最重要的其他开发平台，如Theano、TensorFlow和Caffe。通过本书的学习，你将具备用Java攻克深度学习问题的能力，并为这个领域贡献自己的力量。译者序前言第1章深度学习概述1.1人工智能的变迁1.1.1人工智能的定义1.1.2人工智能曾经的辉煌1.1.3机器学习的演化1.1.4机器学习的局限性1.2人与机器的区分因素1.3人工智能与深度学习1.4小结第2章机器学习算法——为深度学习做准备2.1入门2.2机器学习中的训练需求2.3监督学习和无监督学习2.3.1支持向量机2.3.2隐马尔可夫模型2.3.3神经网络2.3.4逻辑回归2.3.5增强学习2.4机器学习应用流程2.5神经网络的理论和算法2.5.1单层感知器2.5.2逻辑回归2.5.3多类逻辑回归2.5.4多层感知器2.6小结第3章深度信念网络与栈式去噪自编码器3.1神经网络的没落3.
5427次浏览
《深度学习 核心技术与实践》主要介绍深度学习的核心算法，以及在计算机视觉、语音识别、自然语言处理中的相关应用。《深度学习 核心技术与实践》的作者们都是业界一线的深度学习从业者，所以书中所写内容和业界联系紧密，所涵盖的深度学习相关知识点比较全面。《深度学习 核心技术与实践》主要讲解原理，较少贴代码。《深度学习 核心技术与实践》适合深度学习从业人士或者相关研究生作为参考资料，也可以作为入门教程来大致了解深度学习的相关前沿技术。第1 部分深度学习基础篇11 概述21.1 人工智能 31.1.1 人工智能的分类 31.1.2 人工智能发展史 31.2 机器学习 71.2.1 机器学习的由来 71.2.2 机器学习发展史 91.2.3 机器学习方法分类 101.2.4 机器学习中的基本概念 111.3 神经网络 121.3.1 神经网络发展史 13参考文献 162 神经网络172.1 在神经科学中对生物神经元的研究 172.1.1 神经元激活机制 172.1.2 神经元的特点 182.2 神经元模型 192.2.1 线性神经元 192.2.2 线性阈值神经元 192.2.3 Sigmoid 神经
6404次浏览
TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。《TensorFlow：实战Google深度学习框架（第2版）》为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。第2版将书中所有示例代码从TensorFlow 0.9.0升级到了TensorFlow 1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。《TensorFlow：实战Google深度学习框架（第2版）》适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习的大数据平台工程师，对人工智能、深度学习感兴趣的计算机相关从业人员及在校学生等。目录第1章 深度学习简介1.1 人工智能
