作 者:高揚,衛崢 編著 定 價:69 齣 版 社:機械工業齣版社 齣版日期:2017年08月01日 頁 數:304 裝 幀:平裝 ISBN:9787111574576 ●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
●部分目錄
內容簡介
本書基本獨立成冊,適用於零基礎的初學者。
基礎篇(靠前~3章),講解瞭機器學習、深度學習與實踐的上下文知識,如基本的機器學習與深度學習算法,TensorFlow框架的安全與配置,簡單的深度學習實踐。該篇是閱讀和實踐的基石。
原理與實踐篇(第4~8章),介紹“老牌”的深度學習網絡的數學原理和工程實現原理,尤其是第4章,如果能基本讀懂,後麵的網絡實現層麵的問題基本都可以迎刃而解。涵蓋BP網絡、CNN、RNN的結構、思路、訓練與使用,以及一些常見的綜閤性問題。該篇是學習深度學習的重點和難點,作者通過大量示例、推理與實現,幫讀者優選化降低學習麯綫。
擴展篇(第9~13章),介紹一些網絡的變種和一些較新的網絡特性,涵蓋深度殘差網絡、受限玻爾茲曼機、強化學習、對抗學習,這是讀者進一步學習與實踐思路的鑰匙。很後給齣瞭一些有趣的深度學習應用:人臉識彆、作詩姬、大師風圖像處理,有趣又等 高揚,衛崢 編著 高揚,歡聚時代資曆大數據專傢,曾任金山軟件西山居大數據架構師。有多年服務器端開發經驗(多年日本和澳洲工作經驗),多年大數據架構設計與數據分析、處理經驗,目前負責歡聚時代直播部深度學習落地相關的研究。擅長傳統機器學習、深度學習、數據建模、關係型數據庫應用以及大數據框架等的應用。
衛崢,歡聚時代YY娛樂事業部軟件架構師,曾任西山居軟件架構師。多年的軟件開發和架構經驗,精通C/C++、Python、Golang、等多門編程語言,近幾年專注於數據處理、機器學和深度學習算法的研究、音視頻圖形圖像處理,應用與服務研發。曾在新浪網平颱架構部負責音視頻轉碼平颱的架構和研發工作,為新等 前 言?Preface為什麼要寫這本書近些年來,伴隨著計算機計算能力的不斷升級,很多原來隻有在科幻電影裏纔有的橋段越來越多地齣現在我們身邊瞭,並給瞭我們更多的想象空間與期待。 在2016年,人工智能界令人矚目的事情莫過於榖歌的AlphaGo以4:1的懸殊比分輕鬆擊敗韓國著名九段圍棋大師李世石。之後化名“Master”的AlphaGo更是一路大開殺戒,分彆在對弈網站“弈城”和“騰訊圍棋”登錄,先後打敗瞭柯潔九段、樸廷桓九段、陳耀燁九段以及創造日本大滿貫傳奇的井山裕太和亞洲杯冠軍李欽誠等世界一流高手,取得瞭50勝0負的戰績。當然瞭,“玩不起”的人類覺得讓AlphaGo在國際圍棋網站排名上占一個坑來碾壓人類是非常“不公平”的事情,把人傢給拉黑瞭。 人類這麼做是等
《白話深度學習與TensorFlow》:揭開人工智能神秘麵紗,解鎖數據驅動的未來 在這個數據爆炸的時代,人工智能(AI)已不再是科幻小說中的遙遠概念,而是深刻改變我們生活、工作乃至思考方式的強大力量。從智能推薦到自動駕駛,從醫療診斷到金融風控,AI的身影無處不在。而深度學習,作為AI領域最耀眼的明星技術,更是驅動這一切變革的核心引擎。然而,盡管深度學習的應用日益廣泛,其背後的原理和實現方式對於許多人來說卻如同天書,晦澀難懂。 《白話深度學習與TensorFlow》正是為打破這層隔閡而生。本書並非一本枯燥的技術手冊,也不是羅列算法公式的學術專著。相反,它以一種極其通俗易懂、深入淺齣的方式,帶領讀者一步步走進深度學習的奇妙世界。本書的核心目標是讓任何有誌於瞭解AI、希望掌握這項顛覆性技術的人,都能在輕鬆愉悅的閱讀體驗中,真正理解深度學習的本質,並能夠運用強大的TensorFlow框架,親手構建屬於自己的智能模型。 告彆晦澀,擁抱直覺:深度學習的“明白人”養成指南 本書最大的亮點在於其“白話”的解讀方式。我們深知,許多技術書籍往往充斥著復雜的數學公式和專業術語,讓初學者望而卻步。而《白話深度學習與TensorFlow》則反其道而行之,將復雜的概念轉化為通俗的類比、生動的例子和直觀的圖示。作者團隊擁有豐富的教學和實踐經驗,他們能夠精準地把握讀者的睏惑點,用最貼近生活、最易於理解的語言,層層剝繭,將深度學習的奧秘展現在讀者麵前。 書中不會迴避必要的理論基礎,但會以一種“先知其然,再知其所以然”的方式進行講解。例如,在介紹神經網絡時,不會一開始就拋齣復雜的激活函數和損失函數,而是會從最基礎的“感知機”開始,類比人腦神經元的連接方式,逐步構建起多層感知機的結構。在講解反嚮傳播算法時,也會通過形象的比喻,解釋梯度下降如何一步步優化模型,直到找到最優解。每一個重要的概念,都會輔以清晰的邏輯脈絡和詳實的解釋,確保讀者在理解每一個步驟的基礎上,構建起完整的知識體係。 TensorFlow:從理論到實踐的橋梁 理論的學習離不開實踐的檢驗,而TensorFlow則是當前最流行、最強大的深度學習框架之一。本書將TensorFlow作為核心的實踐工具,貫穿於整個學習過程中。但請放心,即使你對編程一無所知,或者之前從未接觸過TensorFlow,本書也為你提供瞭完整的入門指導。 本書會從TensorFlow的基礎概念講起,包括其計算圖、張量、操作等核心組件,並指導你如何搭建開發環境,編寫第一個TensorFlow程序。之後,將逐步引導讀者利用TensorFlow實現各種經典的深度學習模型,例如: 圖像識彆: 從簡單的MNIST手寫數字識彆,到更為復雜的ImageNet數據集的分類任務,你將學習如何構建捲積神經網絡(CNN),理解捲積、池化、全連接層的作用,並親手訓練齣能夠識彆貓、狗、汽車等各種物體的模型。 自然語言處理(NLP): 學習如何處理文本數據,理解詞嵌入(Word Embedding)的原理,構建循環神經網絡(RNN)和長短期記憶網絡(LSTM)來處理序列數據,完成情感分析、文本生成、機器翻譯等任務。 推薦係統: 瞭解如何利用深度學習構建個性化推薦模型,為用戶提供精準的內容或商品推薦。 強化學習基礎: 接觸到AI領域的前沿分支——強化學習,理解智能體如何在環境中學習,以及其在遊戲AI、機器人控製等領域的應用。 在每一個實踐環節,本書都會提供清晰的代碼示例,並對代碼的每一部分進行詳細的注釋和解釋,讓你能夠理解代碼背後的邏輯,而不僅僅是復製代碼。我們鼓勵讀者動手實踐,修改代碼,觀察結果的變化,從而加深對理論知識的理解。 知識體係的構建:循序漸進,層層深入 《白話深度學習與TensorFlow》的知識體係設計是經過精心考量的,旨在幫助讀者構建一個紮實而全麵的深度學習知識框架。 第一部分:深度學習基礎入門。 這一部分將從最宏觀的視角介紹人工智能和深度學習的發展曆程,以及它們在各個領域的應用前景,激發讀者的學習興趣。隨後,將逐步介紹機器學習的基本概念,例如監督學習、無監督學習、特徵工程等,為理解深度學習打下基礎。 第二部分:神經網絡的構建與原理。 這一部分將是本書的核心,詳細講解神經網絡的基本構成單元,如神經元、激活函數、損失函數、優化器等。通過大量的圖解和通俗的比喻,讓讀者深刻理解前嚮傳播和反嚮傳播的原理,以及梯度下降如何驅動模型學習。 第三部分:TensorFlow框架實戰。 在掌握瞭基本原理之後,本書將帶領讀者進入TensorFlow的世界,從環境搭建到API使用,逐步掌握TensorFlow的強大功能。讀者將學會如何構建不同類型的神經網絡,如何加載和預處理數據,如何訓練和評估模型,以及如何進行模型調優。 第四部分:經典深度學習模型的實現。 這一部分將是理論與實踐的完美結閤,讀者將跟隨本書的指導,利用TensorFlow實現各種在圖像、文本、推薦係統等領域錶現優異的經典模型。 第五部分:前沿探索與未來展望。 在打下堅實的基礎之後,本書將簡要介紹一些更前沿的深度學習技術,如生成對抗網絡(GANs)、注意力機製(Attention Mechanism)等,並對深度學習的未來發展趨勢進行展望,鼓勵讀者保持學習的熱情和探索的精神。 誰適閤閱讀本書? 對人工智能和深度學習充滿好奇,希望瞭解其背後原理的初學者。 希望掌握一項未來必備技能,為職業發展增添優勢的學生或職場人士。 已經接觸過一些編程,但對深度學習概念感到睏惑的開發者。 希望將深度學習技術應用於實際業務場景的工程師、産品經理或數據科學傢。 對AI技術在各行各業的應用感到興奮,渴望親手參與到AI創新中的所有人。 《白話深度學習與TensorFlow》不僅僅是一本書,它更是一扇門,一扇通往人工智能無限可能的大門。 無論你是完全的零基礎,還是已經有瞭一定的技術背景,本書都將是你學習深度學習、掌握TensorFlow的理想夥伴。通過本書,你將不再被技術細節所睏擾,而是能夠真正理解深度學習的魅力,解鎖數據驅動的強大力量,甚至成為那個創造未來智能應用的先行者。讓我們一起,用最清晰的語言,最直觀的方式,探索深度學習的深邃,擁抱AI賦能的精彩未來!
在目前的深度學習研究和應用中,數據是至關重要的一環。我非常希望能夠讀到一本關於深度學習的書,能夠深入探討數據預處理、數據增強、以及如何有效地組織和管理大規模數據集。例如,對於圖像識彆任務,如何進行有效的圖像增強技術,如翻轉、裁剪、鏇轉、顔色抖動等,它們分彆會對模型的泛化能力産生怎樣的影響?對於自然語言處理任務,如何進行文本清洗、分詞、詞嚮量錶示,以及如何構建高效的數據加載管道?我還希望瞭解在處理不均衡數據集時,有哪些有效的策略,例如過采樣、欠采樣或者使用特殊的損失函數。我期望這本書能夠提供實用的數據處理技巧和相關的代碼實現,幫助我更好地準備訓練數據,從而提升模型的性能和魯棒性。