滿額折
商品簡介
名人/編輯推薦
目次
商品簡介
本書分為三部分。第1部分將幫助你快速理解從數據中學習、深度學習基本架構、如何準備數據，以及深度學習中經常使用的基本概念。第二部分將重點介紹無監督學習算法。從自編碼器開始，然後轉向層數更深、規模更大的神經網絡模型。第三部分介紹監督學習算法，你將掌握基本和高級深度學習模型的實現方法，並能夠將這些模型用於分類、回歸以及從潛在空間生成數據等應用場合。
名人/編輯推薦
一個人起點低並不可怕，怕的是拒絕學習，打開本書，開啟讓你事半功倍的深度學習之旅
目次
譯者序
序
前言
作者簡介
審校者簡介
第一部分 深度學習快速入門
第1章 機器學習概述 2
1.1 接觸ML生態系統 2
1.2 從數據中訓練ML算法 4
1.3 深度學習概述 5
1.3.1 神經元模型 5
1.3.2 感知機學習算法 6
1.3.3 淺層網絡 8
1.3.4 深度網絡 11
1.4 深度學習在現代社會中的重要性 13
1.5 小結 14
1.6 習題與答案 15
1.7 參考文獻 15
第2章 深度學習框架的搭建與概述 16
2.1 Colaboratory簡介 16
2.2 TensorFlow的簡介與安裝 17
2.2.1 安裝 17
2.2.2 擁有GPU支持的TensorFlow 18
2.2.3 TensorFlow背後的原理 18
2.3 Keras的簡介與安裝 19
2.3.1 安裝 19
2.3.2 Keras背後的原理 19
2.4 PyTorch簡介 21
2.5 Dopamine簡介 21
2.6 其他深度學習程序庫 23
2.6.1 Caffe 23
2.6.2 Theano 23
2.6.3 其他程序庫 23
2.7 小結 24
2.8 習題與答案 24
2.9 參考文獻 24
第3章 數據準備 26
3.1 二元數據與二元分類 27
3.1.1 克利夫蘭心臟病數據集的二元目標 27
3.1.2 二值化MINST數據集 30
3.2 分類數據與多個類別 33
3.2.1 將字符串標簽轉換成數字 34
3.2.2 將分類轉換成獨熱編碼 36
3.3 實值數據與單變量回歸 38
3.3.1 縮放到特定範圍的數值 38
3.3.2 標準化到零均值和單位方差 41
3.4 改變數據的分佈 42
3.5 數據增強 44
3.5.1 尺度縮放 44
3.5.2 添加噪聲 45
3.5.3 旋轉 45
3.5.4 其他增強手段 46
3.6 數據降維 46
3.6.1 監督算法 47
3.6.2 無監督技術 48
3.6.3 關於維度的數量 52
3.7 操縱數據的道德影響 53
3.8 小結 53
3.9 習題與答案 53
3.10 參考文獻 54
第4章 從數據中學習 55
4.1 學習的目的 55
4.1.1 分類問題 56
4.1.2 回歸問題 60
4.2 度量成功與錯誤 63
4.2.1 二元分類 64
4.2.2 多元分類 65
4.2.3 回歸分析矩陣 69
4.3 識別過擬合和泛化 70
4.3.1 擁有測試數據的情形 71
4.3.2 沒有測試數據的情形 72
4.4 機器學習背後的藝術 74
4.5 訓練深度學習算法的倫理意蘊 78
4.5.1 使用適當的模型性能度量指標 79
4.5.2 小心對待並驗證異常值 79
4.5.3 抽樣不足組的權重類 80
4.6 小結 80
4.7 習題與答案 81
4.8 參考文獻 81
第5章 訓練單個神經元 83
5.1 感知機模型 83
5.1.1 概念的可視化 83
5.1.2 張量運算 84
5.2 感知機學習算法 86
5.3 處理線性不可分數據的感知機 88
5.3.1 線性可分數據的收斂 88
5.3.2 線性不可分數據的收斂 91
5.4 小結 92
5.5 習題與答案 93
5.6 參考文獻 93
第6章 訓練多層神經元 94
6.1 MLP模型 94
6.2 最小化誤差 96
6.2.1 步驟1：初始化 99
6.2.2 步驟2：前向傳播 99
6.2.3 步驟3：計算損失 101
6.2.4 步驟4：反向傳播 101
6.3 尋找最佳超參數 106
6.4 小結 109
6.5 習題與答案 109
6.6 參考文獻 110
第二部分 無監督深度學習
第7章 自編碼器 112
7.1 無監督學習簡介 112
7.2 編碼層與解碼層 113
7.2.1 編碼層 115
7.2.2 解碼層 116
7.2.3 損失函數 116
7.2.4 學習與測試 117
7.3 數據降維與可視化應用 119
7.3.1 MNIST數據的準備 120
7.3.2 MNIST的自編碼器 120
7.3.3 模型訓練與可視化 122
7.4 無監督學習的倫理意蘊 126
7.5 小結 127
7.6 習題與答案 127
7.7 參考文獻 128
第8章 深度自編碼器 129
8.1 深度信念網絡簡介 129
8.2 建立深度自編碼器 130
8.2.1 批歸一化 130
8.2.2 隨機失活 134
8.3 探索深度自編碼器的潛在空間 139
8.3.1 CIFAR-10 139
8.3.2 MNIST 146
8.4 小結 148
8.5 習題與答案 148
8.6 參考文獻 149
第9章 變分自編碼器 150
9.1 深度生成模型簡介 150
9.2 研究變分自編碼器模型 151
9.2.1 回顧心臟病數據集 153
9.2.2 重參數化技巧與採樣 154
9.2.3 學習編碼器中的後驗概率分佈參數 154
9.2.4 解碼器建模 156
9.2.5 最小化重構損失 156
9.2.6 訓練VAE模型 157
9.2.7 使用VAE生成數據 159
9.3 深度和淺層VAE在MNIST上的性能比較 161
9.3.1 淺層VAE模型 162
9.3.2 深度VAE模型 164
9.3.3 VAE模型去噪 168
9.4 生成模型的倫理意蘊 168
9.5 小結 169
9.6 習題與答案 169
9.7 參考文獻 170
第10章 受限玻爾茲曼機 171
10.1 RBM模型
序
前言
作者簡介
審校者簡介
第一部分 深度學習快速入門
第1章 機器學習概述 2
1.1 接觸ML生態系統 2
1.2 從數據中訓練ML算法 4
1.3 深度學習概述 5
1.3.1 神經元模型 5
1.3.2 感知機學習算法 6
1.3.3 淺層網絡 8
1.3.4 深度網絡 11
1.4 深度學習在現代社會中的重要性 13
1.5 小結 14
1.6 習題與答案 15
1.7 參考文獻 15
第2章 深度學習框架的搭建與概述 16
2.1 Colaboratory簡介 16
2.2 TensorFlow的簡介與安裝 17
2.2.1 安裝 17
2.2.2 擁有GPU支持的TensorFlow 18
2.2.3 TensorFlow背後的原理 18
2.3 Keras的簡介與安裝 19
2.3.1 安裝 19
2.3.2 Keras背後的原理 19
2.4 PyTorch簡介 21
2.5 Dopamine簡介 21
2.6 其他深度學習程序庫 23
2.6.1 Caffe 23
2.6.2 Theano 23
2.6.3 其他程序庫 23
2.7 小結 24
2.8 習題與答案 24
2.9 參考文獻 24
第3章 數據準備 26
3.1 二元數據與二元分類 27
3.1.1 克利夫蘭心臟病數據集的二元目標 27
3.1.2 二值化MINST數據集 30
3.2 分類數據與多個類別 33
3.2.1 將字符串標簽轉換成數字 34
3.2.2 將分類轉換成獨熱編碼 36
3.3 實值數據與單變量回歸 38
3.3.1 縮放到特定範圍的數值 38
3.3.2 標準化到零均值和單位方差 41
3.4 改變數據的分佈 42
3.5 數據增強 44
3.5.1 尺度縮放 44
3.5.2 添加噪聲 45
3.5.3 旋轉 45
3.5.4 其他增強手段 46
3.6 數據降維 46
3.6.1 監督算法 47
3.6.2 無監督技術 48
3.6.3 關於維度的數量 52
3.7 操縱數據的道德影響 53
3.8 小結 53
3.9 習題與答案 53
3.10 參考文獻 54
第4章 從數據中學習 55
4.1 學習的目的 55
4.1.1 分類問題 56
4.1.2 回歸問題 60
4.2 度量成功與錯誤 63
4.2.1 二元分類 64
4.2.2 多元分類 65
4.2.3 回歸分析矩陣 69
4.3 識別過擬合和泛化 70
4.3.1 擁有測試數據的情形 71
4.3.2 沒有測試數據的情形 72
4.4 機器學習背後的藝術 74
4.5 訓練深度學習算法的倫理意蘊 78
4.5.1 使用適當的模型性能度量指標 79
4.5.2 小心對待並驗證異常值 79
4.5.3 抽樣不足組的權重類 80
4.6 小結 80
4.7 習題與答案 81
4.8 參考文獻 81
第5章 訓練單個神經元 83
5.1 感知機模型 83
5.1.1 概念的可視化 83
5.1.2 張量運算 84
5.2 感知機學習算法 86
5.3 處理線性不可分數據的感知機 88
5.3.1 線性可分數據的收斂 88
5.3.2 線性不可分數據的收斂 91
5.4 小結 92
5.5 習題與答案 93
5.6 參考文獻 93
第6章 訓練多層神經元 94
6.1 MLP模型 94
6.2 最小化誤差 96
6.2.1 步驟1：初始化 99
6.2.2 步驟2：前向傳播 99
6.2.3 步驟3：計算損失 101
6.2.4 步驟4：反向傳播 101
6.3 尋找最佳超參數 106
6.4 小結 109
6.5 習題與答案 109
6.6 參考文獻 110
第二部分 無監督深度學習
第7章 自編碼器 112
7.1 無監督學習簡介 112
7.2 編碼層與解碼層 113
7.2.1 編碼層 115
7.2.2 解碼層 116
7.2.3 損失函數 116
7.2.4 學習與測試 117
7.3 數據降維與可視化應用 119
7.3.1 MNIST數據的準備 120
7.3.2 MNIST的自編碼器 120
7.3.3 模型訓練與可視化 122
7.4 無監督學習的倫理意蘊 126
7.5 小結 127
7.6 習題與答案 127
7.7 參考文獻 128
第8章 深度自編碼器 129
8.1 深度信念網絡簡介 129
8.2 建立深度自編碼器 130
8.2.1 批歸一化 130
8.2.2 隨機失活 134
8.3 探索深度自編碼器的潛在空間 139
8.3.1 CIFAR-10 139
8.3.2 MNIST 146
8.4 小結 148
8.5 習題與答案 148
8.6 參考文獻 149
第9章 變分自編碼器 150
9.1 深度生成模型簡介 150
9.2 研究變分自編碼器模型 151
9.2.1 回顧心臟病數據集 153
9.2.2 重參數化技巧與採樣 154
9.2.3 學習編碼器中的後驗概率分佈參數 154
9.2.4 解碼器建模 156
9.2.5 最小化重構損失 156
9.2.6 訓練VAE模型 157
9.2.7 使用VAE生成數據 159
9.3 深度和淺層VAE在MNIST上的性能比較 161
9.3.1 淺層VAE模型 162
9.3.2 深度VAE模型 164
9.3.3 VAE模型去噪 168
9.4 生成模型的倫理意蘊 168
9.5 小結 169
9.6 習題與答案 169
9.7 參考文獻 170
第10章 受限玻爾茲曼機 171
10.1 RBM模型
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。