- 深度学习(从入门到精通微课版数据科学与统计系列规划教材)
- - 作者：编者:王汉生|责编:孙燕燕
  - 出版社：人民邮电
  - ISBN：9787115537027
  - 出版日期：2021/01/01
  - 页数：232
- 售价：19.92

内容大纲
    本书全面系统地讲解了深度学习的相关知识。全书共8章，包括深度学习简介及TensorFlow安装、神经网络基础、神经网络的TensorFlow实现、卷积神经网络基础、经典卷积神经网络（上）、经典卷积神经网络（下）、深度学习在文本序列中的应用以及深度学习实验项目等内容。
    本书以人工智能知识体系为基础，以课堂案例为载体，采取理论与实践相结合的模式编写而成。
    本书不仅可以作为统计、数据科学等相关专业本科生深度学习相关课程的教材，也可以作为人工智能领域爱好者，以及数据分析、数据挖掘等人员的培训或自学教材。
作者介绍
王汉生，统计学在商业相关领域教学的杰出代表，北京大学光华管理学院商务统计与经济计量系教授、博士生导师、系主任；1998年北京大学数学学院概率统计系本科毕业，2001年美国威斯康星大学麦迪逊分校统计系博士毕业，2003年加入光华至今；国家杰出青年基金获得者，全国工业统计学教学研究会青年统计学家协会创始会长，美国统计学会会士，国际统计协会推荐会士。先后历任8个国际学术期刊副主编。曾在国内外各种专业杂志上发表文章100+篇，并合著英文专著1本、（合）著中文教材4本。爱思唯尔中国高被引学者（数学类，2014-2019）。
目录
第1章  深度学习简介及TensorFlow安装
  【学习目标】
  【导言】
  1.1  机器学习、深度学习与人工智能
    1.1.1  机器学习
    1.1.2  深度学习
    1.1.3  机器学习与深度学习同人工智能的关系
  1.2  深度学习与回归分析
    1.2.1  回归分析理论框架
    1.2.2  深度学习与回归分析的联系
  1.3  深度学习的发展历程
  1.4  深度学习擅长的领域
    1.4.1  图像处理
    1.4.2  语音识别
    1.4.3  自然语言处理
    1.4.4  棋牌竞技
    1.4.5  视频处理
  1.5  安装TensorFlow
    1.5.1  TensorFlow和Keras介绍
    1.5.2  硬件环境准备
    1.5.3  软件环境准备
    1.5.4  安装Anaconda
    1.5.5  安装TensorFlow及Keras软件包
    1.5.6  Jupyter Notebook运行深度学习
  课后习题
第2章  神经网络基础
  【学习目标】
  【导言】
  2.1  神经网络模型介绍
    2.1.1  M-P神经元模型
    2.1.2  感知机模型
    2.1.3  多层感知机模型
  2.2  激活函数
    2.2.1  Sigmoid激活函数
    2.2.2  Tanh激活函数
    2.2.3  ReLU激活函数
  2.3  神经网络的训练
    2.3.1  神经网络的训练流程
    2.3.2  前向传播算法
    2.3.3  损失函数
    2.3.4  基于梯度下降算法的预备知识
    2.3.5  批量梯度下降算法
    2.3.6  批量梯度下降算法的改进
    2.3.7  反向传播算法
  2.4  神经网络的过拟合及处理方法
    2.4.1  过拟合
    2.4.2  正则化方法
    2.4.3  Dropout方法
  课后习题
第3章  神经网络的TensorFlow实现

  【学习目标】
  【导言】
  3.1  神经网络的数据结构
    3.1.1  张量及其分类
    3.1.2  张量数据示例
  3.2  图像数据的存储与运算
    3.2.1  图像数据的读入与展示
    3.2.2  图像数据的代数运算
  3.3  线性回归模型的TensorFlow实现
    3.3.1  线性回归模型
    3.3.2  案例：美食评分
  3.4  逻辑回归模型的TensorFlow实现
    3.4.1  逻辑回归模型
    3.4.2  Softmax回归模型
    3.4.3  案例：手写数字识别
  课后习题
第4章  卷积神经网络基础
  【学习目标】
  【导言】
  4.1  卷积神经网络的基本结构
  4.2  “卷积”与“池化”的通俗理解
    4.2.1  对卷积的理解
    4.2.2  对池化的理解
  4.3  卷积
    4.3.1  二维离散卷积
    4.3.2  卷积结果的输出尺寸
    4.3.3  多深度的离散卷积
    4.3.4  卷积运算的三个特性
  4.4  池化操作
    4.4.1  same池化
    4.4.2  valid池化
  课后习题
第5章  经典卷积神经网络（上）
  【学习目标】
  【导言】
  5.1  LeNet-5
    5.1.1  LeNet-5网络结构
    5.1.2  案例：LeNet-5手写数字识别
  5.2  AlexNet
    5.2.1  AlexNet网络结构
    5.2.2  AlexNet创新点
    5.2.3  案例：中文字体识别——隶书和行楷
  5.3  VGG
    5.3.1  VGG网络结构
    5.3.2  案例：加利福尼亚理工学院鸟类数据库分类
  5.4  Batch Normalization技巧
    5.4.1  Batch Normalization核心思想
    5.4.2  带有BN的逻辑回归
    5.4.3  带有BN的宽度模型
    5.4.4  带有BN的深度模型

  5.5  Data Augmentation技巧
    5.5.1  Data Augmentation核心思想
    5.5.2  数据增强实例：猫狗分类
  课后习题
第6章  经典卷积神经网络（下）
【学习目标】
【导言】
  6.1  Inception
    6.1.1  Inception网络结构
    6.1.2  案例：花的分类
  6.2  ResNet
    6.2.1  ResNet网络结构
    6.2.2  案例：花的三分类问题
  6.3  DenseNet
    6.3.1  DenseNet网络结构
    6.3.2  案例：性别区分
  6.4  MobileNet
    6.4.1  MobileNet网络结构
    6.4.2  案例：狗的分类
  6.5  迁移学习
    6.5.1  深度学习的现实困难
    6.5.2  迁移学习原理
    6.5.3  Keras 中的迁移学习模型
    6.5.4  迁移学习实战：Inception V3
  课后习题
第7章  深度学习在文本序列中的应用
  【学习目标】
  【导言】
  7.1  词嵌入
    7.1.1  词嵌入前期知识
    7.1.2  词嵌入的理论原理
    7.1.3  词嵌入的程序实现
  7.2  机器作诗初级：逻辑回归
    7.2.1  机器作诗原理
    7.2.2  原理实现：数据处理
    7.2.3  原理实现：逻辑回归
  7.3  机器作诗进阶1：RNN
    7.3.1  RNN前期知识
    7.3.2  RNN模型
    7.3.3  原理实现：数据处理
    7.3.4  原理实现：RNN作诗
  7.4  机器作诗进阶2：LSTM
    7.4.1  LSTM前期知识
    7.4.2  LSTM模型
    7.4.3  原理实现：数据准备
    7.4.4  原理实现：LSTM代码实现
  7.5  文本序列应用实例：机器翻译
    7.5.1  机器翻译原理
    7.5.2  案例：中英文翻译
  课后习题

第8章  深度学习实验项目
  【学习目标】
  【导言】
  8.1  LeNet模型实验
  8.2  AlexNet模型实验
  8.3  VGG16模型实验
  8.4  Inception V1模型实验
  8.5  ResNet模型实验
  8.6  DenseNet模型实验
  8.7  MobileNet模型实验
  8.8  逻辑回归作诗实验
  8.9  RNN模型作诗实验
  8.10  LSTM模型作诗实验
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目