相關商品
商品簡介
作者簡介
名人/編輯推薦
目次
商品簡介
隨著AI技術的普及，如何快速理解、掌握並應用AI技術，成為絕大多數程序員亟需解決的問題。本書基於Keras框架並以代碼實現為核心，詳細解答程序員學習AI算法時的常見問題，對機器學習、深度神經網絡等概念在實際項目中的應用建立清晰的邏輯體系。本書分為上下兩篇，上篇（第1～4章）可幫助讀者理解並獨立開發較簡單的機器學習應用，下篇（第5～9章）則聚焦於AI技術的三大熱點領域：推薦系統、自然語言處理（NLP）及圖像處理。其中，第1章通過具體實例對Keras的機器學習實現進行快速介紹並給出整體概念；第2章從簡單的神經元開始，以實際問題和代碼實現為引導，逐步過渡到多層神經網絡的具體實現上，從代碼層面講解神經網絡的工作模式；第3章講解Keras的核心概念和使用方法，幫助讀者快速入門Keras；第4章講解機器學習中的常見概念、定義及算法；第5章介紹推薦系統的常見方案，包括協同過濾的不同實現及Wide＆Deep模型等；第6章講解循環神經網絡（RNN）的原理及Seq2Seq、Attention等技術在自然語言處理中的應用；第7～8章針對圖像處理的分類及目標識別進行深度討論，從代碼層面分析Faster RCNN及YOLO v3這兩種典型識別算法；第9章針對AI模型的工程部署問題，引入TensorFlow Serving並進行介紹。本書主要面向希望學習AI開發或者轉型算法的程序員，也可以作為Keras教材，幫助讀者學習Keras在不同領域的具體應用。
作者簡介
張力柯，騰訊某AI實驗室負責人、AI系統設計專家。在操作系統內核、網絡安全、搜索引擎、推薦系統、大規模分布式系統、圖像處理、數據分析等領域具有豐富的實踐經驗。
於美國德克薩斯大學聖安東尼奧分校獲得計算機科學博士學位，曾先後在美國微軟、BCG、Uber及矽谷其他創業公司擔任研發工程師及項目負責人等。
潘暉，阿裡巴巴某算法中心小組負責人。在推薦系統、自然語言處理、圖像處理、數據分析等領域具有豐富的實踐經驗。
于美國佛羅里達理工大學獲得計算機科學博士學位，曾先後在中國微軟、美團、騰訊從事算法研發和管理工作。發表過多篇論文，擁有多項專利，曾獲得2018年騰訊互動娛樂事業群技術突破獎等獎項。
於美國德克薩斯大學聖安東尼奧分校獲得計算機科學博士學位，曾先後在美國微軟、BCG、Uber及矽谷其他創業公司擔任研發工程師及項目負責人等。
潘暉，阿裡巴巴某算法中心小組負責人。在推薦系統、自然語言處理、圖像處理、數據分析等領域具有豐富的實踐經驗。
于美國佛羅里達理工大學獲得計算機科學博士學位，曾先後在中國微軟、美團、騰訊從事算法研發和管理工作。發表過多篇論文，擁有多項專利，曾獲得2018年騰訊互動娛樂事業群技術突破獎等獎項。
名人/編輯推薦
以代碼實現為重，撇去數學公式，快速掌握並應用AI，Pinterest、Google、Broadcom、Walmart、華為、微軟“重”咖力贊以代碼實現為重，撇去數學公式，快速掌握並應用AI，Pinterest、Google、Broadcom、Walmart、華為、微軟“重”咖力贊這本書和市面上的大多數機器學習書不一樣。
(1)它們從數學角度切入；本書從代碼角度切入，不存在天書符號。
(2)它們先堆各種新鮮概念；本書通過代碼展示問題，再引出知識。
(3)它們重在抽象理論；本書讓初學者即刻體驗和實踐算法，為應用打下基礎。
另外，作者資深且用心寫作，在書中介紹AI概念、動手寫代碼及測試代碼時下了一番苦功。
(1)作者在美國微軟、BCG、Uber、騰訊等工作多年，經驗老道，深深理解程序員學習機器學習的痛點。
(2)在闡述算法的背景和內容時既有深度又直觀形象。
(3)對數學公式的引用對於有程序員背景的讀者來說恰到好處。
(4)在實際代碼的解釋上緊扣主題、講解清晰。
(5)內容通俗易懂，覆蓋了AI在多個領域的應用場景。
這是一本寫給程序員看的機器學習指南。它有針對性地從程序員的視角切入(而非像市面上的大多數機器學習教程一樣，從數學的角度切入)，介紹了工業界流行的若干模型及應用場景，同時涵蓋了神經網絡的原理和基礎實現、Keras庫的使用方法和TensorFlow的部署方案，可謂有的放矢。這是一本有代碼的談工程實現的書，不存在淺嘗輒止，也不存在天書符號，正是機器學習領域所缺少的那一類教程。
――周竟舸，Pinterest機器學習平臺技術負責人
打開本書，我驚喜地發現它並非像市面上的其他書籍那樣，直接把各種新鮮概念放到讀者面前並強迫他們接受。它一開始就沒有在機器學習概念上過多糾纏，而是先快速展示了簡短的AI實現代碼的結構和流程，然後帶出一些常常讓初學者疑惑的問題，針對這些問題再帶出新的內容。
――喻傑博士，華為智能車雲首席技術官
本書以從代碼出發，再回歸AI相關原理為宗旨，深入淺出、循序漸進地講解了Keras及常見的深度學習網絡，還講解了深度學習在不同領域的應用及模型的部署與服務。讀者在一步步探索AI算法奧秘的同時，也在享受解決問題的喜悅和成就感，並開啟深度學習之旅。
――王昀績，Google AI高級研究員
本書對於AI初學者來說是一本很好的入門書，對於AI大咖來說是一本很好的理論聯繫代碼的參考書。作者在書中介紹AI概念、動手寫代碼及測試代碼時下了一番苦功，在闡述算法的背景和內容時既有深度又有直觀形象的介紹，對數學公式的引用對於有程序員背景的讀者來說恰到好處，並且在實際代碼的解釋上緊扣主題、講解清晰。
――龍門博士，Broadcom首席工程師
機器學習已經成為計算機視覺、自然語言處理和AI領域的重要基石，但是其抽象的理論讓很多初學者望而卻步。本書將機器學習中的經典理論與實踐相結合，由淺入深地介紹了每種理論的原理、代碼實現和應用，讓初學者即刻體驗和實踐算法，在實踐中深入理解和熟練掌握機器學習理論，為今後進行機器學習應用打下扎實的基礎。
――盧亦娟，微軟Cloud AI首席科學家、美國德克薩斯州立大學計算機系教授
這是一本乾貨滿滿且附帶詳細實例的深入淺出機器學習的優秀參考工具書。
――蔣良駿，Walmart電商平臺高級架構師、螞蟻金服矽谷中心前技術專家
本書通俗易懂，並且覆蓋了AI在多個領域的應用場景，是非常好的AI程序員入門教材。
――耿秀波，微軟高級應用科學家
(1)它們從數學角度切入；本書從代碼角度切入，不存在天書符號。
(2)它們先堆各種新鮮概念；本書通過代碼展示問題，再引出知識。
(3)它們重在抽象理論；本書讓初學者即刻體驗和實踐算法，為應用打下基礎。
另外，作者資深且用心寫作，在書中介紹AI概念、動手寫代碼及測試代碼時下了一番苦功。
(1)作者在美國微軟、BCG、Uber、騰訊等工作多年，經驗老道，深深理解程序員學習機器學習的痛點。
(2)在闡述算法的背景和內容時既有深度又直觀形象。
(3)對數學公式的引用對於有程序員背景的讀者來說恰到好處。
(4)在實際代碼的解釋上緊扣主題、講解清晰。
(5)內容通俗易懂，覆蓋了AI在多個領域的應用場景。
這是一本寫給程序員看的機器學習指南。它有針對性地從程序員的視角切入(而非像市面上的大多數機器學習教程一樣，從數學的角度切入)，介紹了工業界流行的若干模型及應用場景，同時涵蓋了神經網絡的原理和基礎實現、Keras庫的使用方法和TensorFlow的部署方案，可謂有的放矢。這是一本有代碼的談工程實現的書，不存在淺嘗輒止，也不存在天書符號，正是機器學習領域所缺少的那一類教程。
――周竟舸，Pinterest機器學習平臺技術負責人
打開本書，我驚喜地發現它並非像市面上的其他書籍那樣，直接把各種新鮮概念放到讀者面前並強迫他們接受。它一開始就沒有在機器學習概念上過多糾纏，而是先快速展示了簡短的AI實現代碼的結構和流程，然後帶出一些常常讓初學者疑惑的問題，針對這些問題再帶出新的內容。
――喻傑博士，華為智能車雲首席技術官
本書以從代碼出發，再回歸AI相關原理為宗旨，深入淺出、循序漸進地講解了Keras及常見的深度學習網絡，還講解了深度學習在不同領域的應用及模型的部署與服務。讀者在一步步探索AI算法奧秘的同時，也在享受解決問題的喜悅和成就感，並開啟深度學習之旅。
――王昀績，Google AI高級研究員
本書對於AI初學者來說是一本很好的入門書，對於AI大咖來說是一本很好的理論聯繫代碼的參考書。作者在書中介紹AI概念、動手寫代碼及測試代碼時下了一番苦功，在闡述算法的背景和內容時既有深度又有直觀形象的介紹，對數學公式的引用對於有程序員背景的讀者來說恰到好處，並且在實際代碼的解釋上緊扣主題、講解清晰。
――龍門博士，Broadcom首席工程師
機器學習已經成為計算機視覺、自然語言處理和AI領域的重要基石，但是其抽象的理論讓很多初學者望而卻步。本書將機器學習中的經典理論與實踐相結合，由淺入深地介紹了每種理論的原理、代碼實現和應用，讓初學者即刻體驗和實踐算法，在實踐中深入理解和熟練掌握機器學習理論，為今後進行機器學習應用打下扎實的基礎。
――盧亦娟，微軟Cloud AI首席科學家、美國德克薩斯州立大學計算機系教授
這是一本乾貨滿滿且附帶詳細實例的深入淺出機器學習的優秀參考工具書。
――蔣良駿，Walmart電商平臺高級架構師、螞蟻金服矽谷中心前技術專家
本書通俗易懂，並且覆蓋了AI在多個領域的應用場景，是非常好的AI程序員入門教材。
――耿秀波，微軟高級應用科學家
目次
上篇
第1章 機器學習的HELLO WORLD 2
1.1 機器學習簡介 2
1.2 機器學習應用的核心開發流程 3
1.3 從代碼開始 6
1.3.1 搭建環境 6
1.3.2 一段簡單的代碼 7
1.4 本章小結 9
1.5 本章參考文獻 9
第2章 手工實現神經網絡 10
2.1 感知器 10
2.1.1 從神經元到感知器 10
2.1.2 實現簡單的感知器 12
2.2 線性回歸、梯度下降及實現 15
2.2.1 分類的原理 15
2.2.2 損失函數與梯度下降 16
2.2.3 神經元的線性回歸實現 18
2.3 隨機梯度下降及實現 21
2.4 單層神經網絡的Python實現 23
2.4.1 從神經元到神經網絡 23
2.4.2 單層神經網絡：初始化 25
2.4.3 單層神經網絡：核心概念 27
2.4.4 單層神經網絡：前向傳播 28
2.4.5 單層神經網絡：反向傳播 29
2.4.6 網絡訓練及調整 34
2.5 本章小結 38
2.6 本章參考文獻 38
第3章 上手KERAS 39
3.1 Keras簡介 39
3.2 Keras開發入門 40
3.2.1 構建模型 40
3.2.2 訓練與測試 42
3.3 Keras的概念說明 44
3.3.1 Model 44
3.3.2 Layer 48
3.3.3 Loss 65
3.4 再次代碼實戰 70
3.4.1 XOR運算 70
3.4.2 房屋價格預測 73
3.5 本章小結 75
3.6 本章參考文獻 76
第4章 預測與分類：簡單的機器學習應用 77
4.1 機器學習框架之sklearn簡介 77
4.1.1 安裝sklearn 78
4.1.2 sklearn中的常用模塊 78
4.1.3 對算法和模型的選擇 79
4.1.4 對數據集的劃分 80
4.2 初識分類算法 80
4.2.1 分類算法的性能度量指標 81
4.2.2 樸素貝葉斯分類及案例實現 86
4.3 決策樹 90
4.3.1 算法介紹 90
4.3.2 決策樹的原理 91
4.3.3 實例演練 96
4.3.4 決策樹優化 99
4.4 線性回歸 101
4.4.1 算法介紹 101
4.4.2 實例演練 101
4.5 邏輯回歸 102
4.5.1 算法介紹 102
4.5.2 多分類問題與實例演練 107
4.6 神經網絡 108
4.6.1 神經網絡的歷史 108
4.6.2 實例演練 114
4.6.3 深度學習中的一些算法細節 117
4.7 本章小結 120
4.8 本章參考文獻 120
下篇
第5章 推薦系統基礎 122
5.1 推薦系統簡介 122
5.2 相似度計算 124
5.3 協同過濾 125
5.3.1 基於用戶的協同過濾 126
5.3.2 基於物品的協同過濾 128
5.3.3 算法實現與案例演練 129
5.4 LR模型在推薦場景下的應用 131
5.5 多模型融合推薦模型：Wide＆Deep模型 135
5.5.1 探索-利用困境的問題 135
5.5.2 Wide＆Deep模型 137
5.5.3 交叉特徵 137
5.6 本章小結 145
5.7 本章參考文獻 145
第6章 項目實戰：聊天機器人 146
6.1 聊天機器人的發展歷史 146
6.2 循環神經網絡 148
6.2.1 Slot Filling 148
6.2.2 NLP中的單詞處理 150
6.2.3 循環神經網絡簡介 153
6.2.4 LSTM網絡簡介 154
6.3 Seq2Seq原理介紹及實現 157
6.3.1 Seq2Seq原理介紹 157
6.3.2 用Keras實現Seq2Seq算法 158
6.4 Attention 173
6.4.1 Seq2Seq的問題 174
6.4.2 Attention的工作原理 175
6.4.3 Attention在Keras中的實現 178
6.4.4 Attention示例 180
6.5 本章小結 185
6.6 本章參考文獻 185
第7章 圖像分類實戰 187
7.1 圖像分類與卷積神經網絡 187
7.1.1 卷積神經網絡的歷史 187
7.1.2 圖像分類的3個問題 188
7.2 卷積神經網絡的工作原理 190
7.2.1 卷積運算 191
7.2.2 傳統圖像處理中的卷積運算 193
7.2.3 Pooling 195
7.2.4 為什麼卷積神經網絡能達到較好的效果 197
7.3 案例實戰：交通圖標分類 200
7.3.1 交通圖標數據集 200
7.3.2 卷積神經網絡的Keras實現 202
7.4 優化策略 209
7.4.1 數據增強 210
7.4.2 ResNet 214
7.5 本章小結 216
7.6 本章參考文獻 217
第8章 目標識別 218
8.1 CNN的演化 218
8.1.1 CNN和滑動窗口 218
8.1.2 RCNN 220
8.1.3 從Fast RCNN到Faster RCNN 223
8.1.4 Faster RCNN核心代碼解析 228
8.2 YOLO 242
8.2.1 YOLO v1 242
8.2.2 YOLO v2 248
8.2.3 YOLO v3 251
8.3 YOLO v3的具體實現 253
8.3.1 數據預處理 253
8.3.2 模型訓練 260
8.4 本章小結 293
8.5 本章參考文獻 294
第9章 模型部署與服務 296
9.1 生產環境中的模型服務 296
9.2 TensorFlow Serving的應用 299
9.2.1 轉換Keras模型 299
9.2.2 TensorFlow Serving部署 302
9.2.3 接口驗證 303
9.3 本章小結 307
9.4 本章參考文獻 308
第1章 機器學習的HELLO WORLD 2
1.1 機器學習簡介 2
1.2 機器學習應用的核心開發流程 3
1.3 從代碼開始 6
1.3.1 搭建環境 6
1.3.2 一段簡單的代碼 7
1.4 本章小結 9
1.5 本章參考文獻 9
第2章 手工實現神經網絡 10
2.1 感知器 10
2.1.1 從神經元到感知器 10
2.1.2 實現簡單的感知器 12
2.2 線性回歸、梯度下降及實現 15
2.2.1 分類的原理 15
2.2.2 損失函數與梯度下降 16
2.2.3 神經元的線性回歸實現 18
2.3 隨機梯度下降及實現 21
2.4 單層神經網絡的Python實現 23
2.4.1 從神經元到神經網絡 23
2.4.2 單層神經網絡：初始化 25
2.4.3 單層神經網絡：核心概念 27
2.4.4 單層神經網絡：前向傳播 28
2.4.5 單層神經網絡：反向傳播 29
2.4.6 網絡訓練及調整 34
2.5 本章小結 38
2.6 本章參考文獻 38
第3章 上手KERAS 39
3.1 Keras簡介 39
3.2 Keras開發入門 40
3.2.1 構建模型 40
3.2.2 訓練與測試 42
3.3 Keras的概念說明 44
3.3.1 Model 44
3.3.2 Layer 48
3.3.3 Loss 65
3.4 再次代碼實戰 70
3.4.1 XOR運算 70
3.4.2 房屋價格預測 73
3.5 本章小結 75
3.6 本章參考文獻 76
第4章 預測與分類：簡單的機器學習應用 77
4.1 機器學習框架之sklearn簡介 77
4.1.1 安裝sklearn 78
4.1.2 sklearn中的常用模塊 78
4.1.3 對算法和模型的選擇 79
4.1.4 對數據集的劃分 80
4.2 初識分類算法 80
4.2.1 分類算法的性能度量指標 81
4.2.2 樸素貝葉斯分類及案例實現 86
4.3 決策樹 90
4.3.1 算法介紹 90
4.3.2 決策樹的原理 91
4.3.3 實例演練 96
4.3.4 決策樹優化 99
4.4 線性回歸 101
4.4.1 算法介紹 101
4.4.2 實例演練 101
4.5 邏輯回歸 102
4.5.1 算法介紹 102
4.5.2 多分類問題與實例演練 107
4.6 神經網絡 108
4.6.1 神經網絡的歷史 108
4.6.2 實例演練 114
4.6.3 深度學習中的一些算法細節 117
4.7 本章小結 120
4.8 本章參考文獻 120
下篇
第5章 推薦系統基礎 122
5.1 推薦系統簡介 122
5.2 相似度計算 124
5.3 協同過濾 125
5.3.1 基於用戶的協同過濾 126
5.3.2 基於物品的協同過濾 128
5.3.3 算法實現與案例演練 129
5.4 LR模型在推薦場景下的應用 131
5.5 多模型融合推薦模型：Wide＆Deep模型 135
5.5.1 探索-利用困境的問題 135
5.5.2 Wide＆Deep模型 137
5.5.3 交叉特徵 137
5.6 本章小結 145
5.7 本章參考文獻 145
第6章 項目實戰：聊天機器人 146
6.1 聊天機器人的發展歷史 146
6.2 循環神經網絡 148
6.2.1 Slot Filling 148
6.2.2 NLP中的單詞處理 150
6.2.3 循環神經網絡簡介 153
6.2.4 LSTM網絡簡介 154
6.3 Seq2Seq原理介紹及實現 157
6.3.1 Seq2Seq原理介紹 157
6.3.2 用Keras實現Seq2Seq算法 158
6.4 Attention 173
6.4.1 Seq2Seq的問題 174
6.4.2 Attention的工作原理 175
6.4.3 Attention在Keras中的實現 178
6.4.4 Attention示例 180
6.5 本章小結 185
6.6 本章參考文獻 185
第7章 圖像分類實戰 187
7.1 圖像分類與卷積神經網絡 187
7.1.1 卷積神經網絡的歷史 187
7.1.2 圖像分類的3個問題 188
7.2 卷積神經網絡的工作原理 190
7.2.1 卷積運算 191
7.2.2 傳統圖像處理中的卷積運算 193
7.2.3 Pooling 195
7.2.4 為什麼卷積神經網絡能達到較好的效果 197
7.3 案例實戰：交通圖標分類 200
7.3.1 交通圖標數據集 200
7.3.2 卷積神經網絡的Keras實現 202
7.4 優化策略 209
7.4.1 數據增強 210
7.4.2 ResNet 214
7.5 本章小結 216
7.6 本章參考文獻 217
第8章 目標識別 218
8.1 CNN的演化 218
8.1.1 CNN和滑動窗口 218
8.1.2 RCNN 220
8.1.3 從Fast RCNN到Faster RCNN 223
8.1.4 Faster RCNN核心代碼解析 228
8.2 YOLO 242
8.2.1 YOLO v1 242
8.2.2 YOLO v2 248
8.2.3 YOLO v3 251
8.3 YOLO v3的具體實現 253
8.3.1 數據預處理 253
8.3.2 模型訓練 260
8.4 本章小結 293
8.5 本章參考文獻 294
第9章 模型部署與服務 296
9.1 生產環境中的模型服務 296
9.2 TensorFlow Serving的應用 299
9.2.1 轉換Keras模型 299
9.2.2 TensorFlow Serving部署 302
9.2.3 接口驗證 303
9.3 本章小結 307
9.4 本章參考文獻 308
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。