新書推薦：
《
养育男孩：官方升级版
》
售價：HK$
50.4
《
小原流花道技法教程
》
售價：HK$
109.8
《
少女映像室 唯美人像摄影从入门到实战
》
售價：HK$
110.9
《
詹姆斯·伍德系列：不负责任的自我：论笑与小说（“美国图书评论奖”入围作品 当代重要文学批评家詹姆斯·伍德对“文学中的笑与喜剧”的精湛研究）
》
售價：HK$
87.4
《
武当内家散手
》
售價：HK$
50.4
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：HK$
99.7
《
炙野（全2册）
》
售價：HK$
78.2
《
女人的胜利
》
售價：HK$
55.9
|
| 編輯推薦： |
|
本书从深度学习的基础知识出发，介绍深度学习每个组成部分的原理，并推导出其中的数学公式，以帮助读者掌握深度学习的理论知识。本书还讲解了具体的代码实现，让读者在掌握深度学习原理的同时，也能通过动手实践深入理解这些知识。
|
| 內容簡介： |
|
深度学习已经进入我们的生活，云计算和大数据为深度学习提供了便利。本书主要讲解深度学习中的数学知识、算法原理和实现方法，配套源码、数据集和开发环境。 本书共12章。第1章介绍人类视觉和深度学习的联系。第2章介绍深度学习中*为重要的梯度下降算法。第3章介绍卷积函数。第4章介绍计算损失函数所使用的交叉熵、决策树和信息熵。第5章介绍线性回归和逻辑回归。第6、7章介绍时间序列模型和生成对抗网络。第8章介绍TensorFlow框架。第9章介绍推荐算法。第10章介绍深度学习中的标准化、正则化和初始化。第11章是案例人脸识别。第12章是词嵌入向量案例，介绍自然语言处理方面的应用。 本书理论和实践相结合，理论讲解细致直观，通过实例进行演示，可以使读者快速掌握本书内容。本书适合深度学习初学者、深度学习算法开发人员阅读，也适合高等院校和培训机构人工智能相关专业的师生参考。
|
| 關於作者： |
|
王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项国家专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV TensorFlow深度学习与计算机视觉实战》《TensorFlow 2.0卷积神经网络实战》《TensorFlow Keras自然语言处理实战》等图书。
|
| 目錄：
|
第1章 Hello World—从计算机视觉与人类视觉谈起 1
1.1 人类的视觉 1
1.1.1 人类视觉神经的启迪 1
1.1.2 计算机视觉的难点与人工神经网络 2
1.1.3 应用深度学习解决计算机视觉问题 3
1.2 计算机视觉学习的基础与研究方向 4
1.2.1 学习计算机视觉结构图 4
1.2.2 计算机视觉的学习方式和未来趋势 5
1.3 本章小结 6
第2章 道士下山—故事的开始 7
2.1 BP神经网络简介 7
2.2 BP神经网络的两个基础算法详解 11
2.2.1 小二乘法 11
2.2.2 梯度下降法 13
2.3 反馈神经网络反向传播算法 16
2.3.1 深度学习基础 16
2.3.2 链式求导法则 17
2.3.3 反馈神经网络原理与公式推导 18
2.3.4 反馈神经网络原理的激活函数 23
2.3.5 反馈神经网络原理的Python实现 24
2.4 本章小结 29
第3章 猫还是狗—深度学习中的卷积与其他函数 30
3.1 卷积运算基本概念 30
3.1.1 卷积运算 31
3.1.2 卷积核 33
3.1.3 卷积神经网络原理 33
3.2 卷积神经网络公式推导 35
3.2.1 经典反馈神经网络正向与反向传播公式推导 36
3.2.2 卷积神经网络正向与反向传播公式推导 38
3.3 激活、分类以及池化函数简介 45
3.3.1 别偷懒—激活函数是分割器 45
3.3.2 太多了，我只要一个—池化运算 49
3.3.3 全连接层详解 50
3.3.4 终的裁判—分类函数 52
3.3.5 每次都是一个新模型—随机失活层简介 54
3.4 本章小结 55
第4章 水晶球的秘密—信息熵、决策树与交叉熵 56
4.1 水晶球的秘密 56
4.1.1 水晶球的秘密概述 57
4.1.2 决策树的算法基础—信息熵 57
4.1.3 决策树的算法基础—ID3算法 59
4.2 信息熵重要的应用—交叉熵 60
4.2.1 交叉熵基本原理详解 61
4.2.2 交叉熵的表述 63
4.2.3 把无用的利用起来—交叉熵的改进1（你想做科研吗？） 64
4.2.4 交叉熵的作用与改进—解决正负样本数量差异过大 66
4.2.5 交叉熵的作用与改进—解决样本的难易分类 68
4.2.6 统一后的交叉熵 68
4.3 本章小结 69
第5章 Mission Impossible！—把不可能变成可能的机器学习 70
5.1 机器学习基本分类 71
5.1.1 应用学科的分类 71
5.1.2 学习模式的分类 72
5.1.3 应用领域的分类 72
5.2 机器学习基本算法 73
5.2.1 机器学习的算法流程 73
5.2.2 基本算法的分类 74
5.3 算法的理论基础 75
5.3.1 小学生的故事—求圆的面积 76
5.3.2 机器学习基础理论—函数逼近 76
5.4 回归算法 77
5.4.1 函数逼近经典算法—线性回归算法 78
5.4.2 逻辑回归不是回归—逻辑回归算法 79
5.5 本章小结 80
第6章 书中自有黄金屋—横扫股市的时间序列模型 81
6.1 长短期记忆网络 81
6.1.1 Hochreiter & Schmidhuber和LSTM 82
6.1.2 循环神经网络与长短期记忆网络 83
6.1.3 LSTM的“处理单元”详解 85
6.1.4 LSTM的实现与股市预测 87
6.2 LSTM的研究发展与应用 90
6.2.1 LSTM的研究发展 91
6.2.2 LSTM的应用前景 92
6.3 本章小结 93
第7章 书中自有颜如玉—GAN is a girl 94
7.1 GAN的工作原理详解 94
7.1.1 生成器与判别器共同构成一个GAN 95
7.1.2 GAN是怎么工作的 96
7.2 GAN的数学原理详解 97
7.2.1 GAN的损失函数 97
7.2.2 生成器的数学原理—相对熵简介 98
7.2.3 GAN的应用前景 99
7.3 本章小结 103
第8章 休息一下，让我们玩一把TensorFlow 104
8.1 TensorFlow游乐场 104
8.1.1 让我们一起来玩吧 104
8.1.2 TensorFlow游乐场背后的故事 108
8.1.3 如何训练神经网络 109
8.2 你好，TensorFlow 110
8.2.1 TensorFlow名称的解释 110
8.2.2 TensorFlow基本概念 111
8.2.3 TensorFlow基本架构 113
8.3 本章小结 114
第9章 你喜欢什么我全知道—推荐系统的原理 115
9.1 传统方法的推荐系统 115
9.1.1 基于内容的推荐算法 116
9.1.2 多种相似度的计算方法 116
9.1.3 基于内容推荐算法的数学原理—以文档特征提取的TF-IDF为例 120
9.1.4 基于协同过滤的推荐算法 122
9.2 基于深度学习的推荐系统 127
9.2.1 基于模型的推荐算法 127
9.2.2 基于用户画像的推荐算法 128
9.2.3 基于深度学习推荐系统的总结 129
9.3 本章小结 130
第10章 整齐划一画个龙—深度学习中的归一化、正则化与初始化 131
10.1 常用的数据归一化方法 131
10.1.1 数据归一化的作用 132
10.1.2 几种常用的数据归一化 133
10.2 不那么深的深度学习模型的正则化方法 134
10.2.1 “浅度”学习中的正则化 135
10.2.2 关于过拟合问题的解决 136
10.2.3 批量归一化详解 138
10.2.4 深度学习中的随机失活 143
10.2.5 深度学习中的初始化 143
10.3 本章小结 145
第11章 众里寻她千百度—人脸识别的前世今生 146
11.1 人脸识别简介 147
11.1.1 人脸识别的发展历程 147
11.1.2 人脸识别的一般方法 148
11.1.3 人脸识别的通用流程 149
11.2 基于深度学习的人脸识别 151
11.2.1 基于深度学习的人脸识别简介 152
11.2.2 用于深度学习的人脸识别数据集 154
11.2.3 基于深度学习的人脸识别模型 157
11.3 人脸识别中的softmax激活函数 162
11.3.1 softmax基本原理详解 162
11.3.2 AMsoftmax基本原理详解 163
11.3.3 softmax的一些改进 165
11.4 本章小结 166
第12章 梅西-阿根廷 意大利=？—有趣的词嵌入向量 167
12.1 文本数据处理 168
12.1.1 数据集和数据清洗 168
12.1.2 停用词的使用 170
12.1.3 词向量训练模型word2vec的使用 173
12.1.4 文档主题的提取：基于TF-IDF 176
12.1.5 文档主题的提取：基于TextRank（选学） 180
12.2 更多的词嵌入向量方法—fastText和预训练词向量 183
12.2.1 fastText的原理与基础算法 183
12.2.2 使用fastText训练词嵌入向量 185
12.2.3 使用其他预训练参数（中文） 190
12.3 针对文本的卷积神经网络模型—字符卷积 191
12.3.1 字符（非单词）文本的处理 191
12.3.2 卷积神经网络文档分类模型的实现—conv1d（一维卷积） 198
12.4 针对文档的卷积神经网络模型—词卷积 200
12.4.1 单词的文本处理 201
12.4.2 卷积神经网络文档分类模型的实现—conv2d（二维卷积） 203
12.5 使用卷积对文档分类的补充内容 206
12.5.1 中文的文本处理 206
12.5.2 其他细节 209
12.6 本章小结 210
|
| 內容試閱：
|
随着深度学习和人工智能的兴起，深度学习和人工智能引领了一个新的全行业的研究方向，改变了人类固有的处理问题和解决问题的方法和认知。目前各个领域都在处于使用深度学习进行重大突破的阶段，同时深度学习本身也具有巨大的发展空间。
深度学习作为目前前沿的科技应用，近年来获得了非常高的发展速度，应用深度学习解决以往实践中的难题成为很多开发人员的。
目前市场上关于深度学习的书不少，然而基本上以应用居多，偶尔会涉及理论应用，但真正从理论出发，通过数学原理加理论的方式讲解一定公式的书却很少。
本书从深度学习的基础知识出发，对深度学习每个组成部分的原理进行介绍，并推导出其中的原理和数学公式。鉴于读者的水平可能参差不齐，笔者对每个公式和知识点都做了详细的讲解，可以说是手把手地向读者传授深度学习的理论知识。
本书并不是单纯的理论公式堆积，同时还准备了具体的实现代码，让读者学习知识的同时，能通过动手实践深入了解这些知识。
本书特色
讲解活泼，文字有趣，提高学习效率
本书以讲解深度学习数学原理和理论为基础，但是从写作方法和技巧上来看，本书写作风格活泼，讲解通俗易懂，便于读者理解。
运用多种写作技巧，激发读者阅读兴趣
本书应用多种写作手法，数学原理、公式推导、实现代码以及示图交相出现，便于读者理解。
主线贯穿，重点明确，脉络清晰
本书对全部知识点的脉络有一个清晰的主线，每个知识点都指明了核心要点和使用技巧，使阅读者能够明确重点。本书循序渐进地讲解原理，对其发展和改进技巧都做了明确介绍。
注重实战，拿来即用
本书所有的内容都有代码支持，具有很高的应用价值和参考性。其中的代码经稍加修改便可用于实际项目开发中。
本书内容知识体系
第1章 Hello World—从计算机视觉与人类视觉谈起
介绍人类视觉和深度学习的联系，引导读者进入深度学习知识体系的学习。
第2章 道士下山—故事的开始
本章介绍深度学习中为重要的梯度下降算法，讲授其原理和实现方法，此章开始正式进入深度学习理论部分的学习。
第3章 猫还是狗—深度学习中的卷积与其他函数
本章对深度学习中的卷积函数原理和推导公式进行介绍，同时还介绍其用到的激活、分类以及池化函数。
第4章 水晶球的秘密—信息熵、决策树与交叉熵
本章介绍计算损失函数所使用的交叉熵、决策树和信息熵的内容。从本章开始作者有目的地引导读者学会对现有研究技术的改进，讲解从哪些方面去完善和改进现有技术。
第5章 Mission Impossible！——把不可能变成可能的机器学习
本章是机器学习部分，介绍线性回归和逻辑回归的基本方法和内容，以及近似计算的理论和计算原理。
第6章 书中自有黄金屋——横扫股市的时间序列模型
本章介绍时间序列模型的基本原理、使用方法以及后续的研究者对其的改进。
第7章 书中自有颜如玉——GAN is a girl
本章介绍对抗生成的基本原理以及使用方法、对抗生成原理的公式和其中相对熵的推导和实现，并且向读者展示了对抗生成原理在实际中的应用。
第8章 休息一下，Let’s play TensorFlow
本章是一个演示章节，向读者介绍TensorFlow框架使用和对数据的可视化区分，向读者展示TensorFlow游乐场的秘密。感兴趣的读者可以在其中手动演示不同的参数对结果的影响。
第9章 你喜欢什么我全知道—推荐系统的原理
本章向读者介绍使用推荐引擎进行推荐的原理和方法，包括基于物品的推荐和基于用户的推荐，以及使用深度学习进行推荐的原理和方法。
第10章 整齐划一画个龙——深度学习中的标准化、正则化与初始化
对于深度学习来说，正则化是一个必不可少的手段和步骤。正则化的作用是将深度学习模型中的训练数据进行处理，以便模型在计算时能够更加容易地对数据进行拟合。本章介绍深度学习模型多种正则化的公式和应用。
第11章 众里寻她千百度——人脸识别的前世今生
人脸识别是目前重要的一个深度学习应用方向。本章介绍人脸识别中常用的2个深度学习模型，并以此为契机介绍一种新的三元激活函数—Triplet Loss，同时还不忘对softmax的温习和对softmax的改进。
第12章 梅西-阿根廷 意大利=？—有趣的词嵌入向量
词嵌入向量（Word Embedding）是目前常用的深度学习自然语言处理的基础，也是重要的一个应用，其开启了文本信息处理的通用模式。本章对词嵌入向量进行介绍，并且引导读者在常用Python代码的基础上使用少量TensorFlow程序进行文档分类。
源码下载与技术支持
本书配套的资源，请用微信扫描右边二维码获取，可按扫描出来的页面提示，把下载链接转到自己的邮箱中下载。如果学习本书过程中发现问题，请联系booksaga@163.com，邮件主题为“深度学习的数学原理与实现”。
适合阅读本书的读者
● 深度学习算法和数学爱好人员；
● 深度学习算法开发人员；
● AI学习与研究人员；
● 希望提高深度学习开发水平的人员；
● 专业培训机构的学员；
● 深度学习开发的项目经理。
王晓华
2021年3月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
