神经网络设计与实现

定　价：¥89.00

作　者：	[英] 列奥纳多·德·马尔希，[英] 劳拉·米切尔著，朱梦瑶，郭涛，赵子辉，余秋琳译
出版社：	机械工业出版社
丛编项：	智能系统与技术丛书
标　签：	暂缺

购买这本书可以去

ISBN：	9787111683506	出版时间：	2021-06-01	包装：	平装
开本：	16开	页数：	205	字数：

内容简介

　　神经网络在深度学习和人工智能中发挥着非常重要的作用，其应用领域非常广泛，涵盖从医疗诊断、财务预测到机器诊断等多个领域。《神经网络设计与实现》旨在指导你以实用的方式学习神经网络。书中将简要介绍感知器网络，从而帮助你入门。然后，你将获得有关机器学习的见解，并了解人工智能的未来。接下来，你将研究如何使用嵌入来处理文本数据，并学习长短期记忆网络在解决常见自然语言处理问题中的作用。该书还将演示如何实现高级概念，包括迁移学习、生成对抗网络、自编码器和强化学习，以及有关神经网络领域新进展的更多内容。在完成该书的学习后，你将掌握构建、训练和优化自己的神经网络模型所需的技能，该模型能够提供可预测的解决方案。通过阅读该书，你将：●了解如何使用反向传播训练网络。●了解迁移学习的概念，以使用Keras和VGG网络解决任务。●探索如何加载和转换图像以用于神经网络。●掌握LSTM和NLP等高级、复杂的深度学习概念，以掌握新知识。●研究如何将神经网络应用于多个领域。●探索创新算法，例如生成对抗网络和深度强化学习。●解决神经网络开发面临的共同挑战。

作者简介

　　列奥纳多·德·马尔希（Leonardo De Marchi）目前是Badoo的数据科学家主管，Badoo是世界上的大型交友网站之一，拥有超过4亿名用户。他也是ideai.io（一家专门从事机器学习培训的公司）的首席教练，为大型机构和有活力的初创企业提供技术和管理培训。他拥有人工智能专业硕士学位，曾在体育界担任数据科学家。劳拉·米切尔（Laura Mitchell）目前是Badoo的首席数据科学家。Laura在NLP、图像分类和推荐系统等项目的交付方面具有丰富的实践经验，包括从最初的构思到产品化。她热衷于学习新技术并紧跟行业趋势。

图书目录

译者序
前言
第一部分　神经网络入门
第1章　有监督学习入门2
1.1　人工智能的历史2
1.2　机器学习概述4
1.2.1　有监督学习4
1.2.2　无监督学习4
1.2.3　半监督学习5
1.2.4　强化学习5
1.3　配置环境6
1.3.1　了解虚拟环境7
1.3.2　Anaconda8
1.3.3　Docker9
1.4　Python有监督学习实践9
1.5　特征工程11
1.6　有监督学习算法14
1.6.1　指标15
1.6.2　模型评估17
1.7　总结19
第2章　神经网络基础20
2.1　感知器20
2.2　Keras27
2.3　前馈神经网络29
2.3.1　反向传播介绍31
2.3.2　激活函数33
2.3.3　Keras实现36
2.4　从头开始使用Python编写FFNN40
2.4.1　FFNN的Keras实现43
2.4.2　TensorBoard45
2.4.3　XOR问题中的TensorBoard45
2.5　总结48
第二部分　深度学习应用
第3章　基于卷积神经网络的图像处理50
3.1　理解卷积神经网络50
3.2　卷积层52
3.2.1　池化层55
3.2.2　丢弃层57
3.2.3　归一化层57
3.2.4　输出层57
3.3　Keras中的卷积神经网络58
3.3.1　加载数据58
3.3.2　创建模型60
3.3.3　网络配置60
3.4　Keras表情识别63
3.5　优化网络68
3.6　总结70
第4章　利用文本嵌入71
4.1　面向NLP的机器学习71
4.2　理解词嵌入73
4.2.1　词嵌入的应用73
4.2.2　Word2vec74
4.3　GloVe80
4.3.1　全局矩阵分解80
4.3.2　使用GloVe模型82
4.3.3　基于GloVe的文本分类85
4.4　总结87
第5章　循环神经网络88
5.1　理解循环神经网络88
5.1.1　循环神经网络原理90
5.1.2　循环神经网络类型91
5.1.3　损失函数94
5.2　长短期记忆95
5.2.1　LSTM架构95
5.2.2　Keras长短期记忆实现98
5.3　PyTorch基础知识102
5.4　总结106
第6章　利用迁移学习重用神经网络107
6.1　迁移学习理论107
6.1.1　多任务学习介绍108
6.1.2　重用其他网络作为特征提取器108
6.2　实现多任务学习108
6.3　特征提取110
6.4　在PyTorch中实现迁移学习110
6.5　总结116
第三部分　高级应用领域
第7章　使用生成算法118
7.1　判别算法与生成算法118
7.2　理解GAN120
7.2.1　训练GAN121
7.2.2　GAN面临的挑战123
7.3　GAN的发展变化和时间线124
7.3.1　条件GAN125
7.3.2　DCGAN125
7.3.3　Pix2Pix GAN131
7.3.4　StackGAN132
7.3.5　CycleGAN133
7.3.6　ProGAN135
7.3.7　StarGAN136
7.3.8　BigGAN138
7.3.9　StyleGAN139
7.3.10　Deepfake142
7.3.11　RadialGAN143
7.4　总结144
7.5　延伸阅读144
第8章　实现自编码器146
8.1　自编码器概述146
8.2　自编码器的应用147
8.3　瓶颈和损失函数147
8.4　自编码器的标准类型148
8.4.1　欠完备自编码器148
8.4.2　多层自编码器151
8.4.3　卷积自编码器152
8.4.4　稀疏自编码器155
8.4.5　去噪自编码器156
8.4.6　收缩自编码器157
8.5　变分自编码器157
8.6　训练变分自编码器159
8.7　总结164
8.8　延伸阅读164
第9章　DBN165
9.1　DBN概述165
9.1.1　贝叶斯置信网络166
9.1.2　受限玻尔兹曼机167
9.2　DBN架构176
9.3　训练DBN177
9.4　微调179
9.5　数据集和库179
9.5.1　示例—有监督的DBN分类180
9.5.2　示例—有监督的DBN回归181
9.5.3　示例—无监督的DBN分类182
9.6　总结183
9.7　延伸阅读183
第10章　强化学习184
10.1　基本定义184
10.2　Q-learning介绍187
10.2.1　学习目标187
10.2.2　策略优化188
10.2.3　Q-learning方法188
10.3　使用OpenAI Gym188
10.4　冰湖问题191
10.5　总结199
第11章　下一步是什么200
11.1　本书总结200
11.2　机器学习的未来201
11.3　通用人工智能202
11.3.1　AI伦理问题203
11.3.2　可解释性203
11.3.3　自动化204
11.3.4　AI安全性204
11.3.5　问责制205
11.4　结语205