- PaddlePaddle深度学习实践(微课视频版)/大数据与人工智能技术丛书
- - 作者：卢睿//李林瑛|责编:郑寅堃//温明洁
  - 出版社：清华大学
  - ISBN：9787302664499
  - 出版日期：2024/08/01
  - 页数：233
- 售价：23.96

内容大纲
全书共8章，可分为三部分。第一部分为深度学习基础篇，包括第1、2章，介绍Python基础、数学基础、深度学习的概念和任务；第二部分为深度学习基本模型篇，包括第3～5章，介绍卷积神经网络、循环神经网络和基于自注意力机制的Transformer模型；第三部分为自然语言应用篇，包括第6～8章，介绍词向量、预训练语言模型、词法分析等自然语言处理领域的应用和实践。书中各章相互独立，读者可根据自己的兴趣和时间使用。书中每章都给出了相应的实践内容，建议读者在阅读时，辅以代码实践，快速上手深度学习，加深对模型的理解。
本书内容基础、案例丰富，适合作为高等院校人工智能及相关专业的教材，也可供研究人员和技术人员参考。
作者介绍
目录
第一部分  深度学习基础
  第1章  Python与数学基础
    1.1  Python简介
    1.2  深度学习常用Python库
      1.2.1  NumPy库
      1.2.2  Matplotlib库
    1.3  PaddlePaddle基础
      1.3.1  张量的概念
      1.3.2  调整张量形状
      1.3.3  索引和切片
      1.3.4  自动微分
      1.3.5  PaddlePaddle中的模型与层
    1.4  数学基础
      1.4.1  线性代数
      1.4.2  微分基础
    1.5  案例：《青春有你2》爬取与数据分析
      1.5.1  思路分析
      1.5.2  获取网页页面
      1.5.3  解析页面
      1.5.4  爬取选手百度百科图片
      1.5.5  数据展示与分析
    1.6  本章小结
  第2章  深度学习基础
    2.1  深度学习历史
    2.2  深度学习
      2.2.1  人工智能、机器学习、深度学习的关系
      2.2.2  机器学习
      2.2.3  深度学习
    2.3  模型构建
      2.3.1  线性神经元
      2.3.2  线性单层感知机
      2.3.3  非线性多层感知机
      2.3.4  模型实现
    2.4  损失函数
      2.4.1  均方差损失
      2.4.2  交叉熵
      2.4.3  损失函数的实现
      2.4.4  正则化
    2.5  参数学习
      2.5.1  梯度下降法
      2.5.2  梯度下降法实现
    2.6  飞桨框架高层API深入解析
      2.6.1  简介
      2.6.2  方案设计
      2.6.3  数据集定义、加载和数据预处理
      2.6.4  模型组网
      2.6.5  模型训练
      2.6.6  模型评估和模型预测
      2.6.7  模型部署
    2.7  案例：基于全连接神经网络的手写数字识别

      2.7.1  方案设计
      2.7.2  数据处理
      2.7.3  模型构建
      2.7.4  模型配置和模型训练
      2.7.5  模型验证
      2.7.6  模型推理
    2.8  本章小结
第二部分  深度学习基本模型
  第3章  卷积神经网络
    3.1  图像分类问题描述
    3.2  卷积神经网络
      3.2.1  卷积层
      3.2.2  池化层
      3.2.3  卷积优势
      3.2.4  模型实现
    3.3  经典的卷积神经网络
      3.3.1  LeNet
      3.3.2  AlexNet
      3.3.3  VGG
      3.3.4  GoogLeNet
      3.3.5  ResNet
    3.4  案例：图像分类网络VGG在中草药识别任务中的应用
      3.4.1  方案设计
      3.4.2  整体流程
      3.4.3  数据处理
      3.4.4  模型构建
      3.4.5  训练配置
      3.4.6  模型训练
      3.4.7  模型评估和推理
    3.5  本章小结
  第4章  循环神经网络
    4.1  任务描述
    4.2  循环神经网络
      4.2.1  RNN和LSTM网络的设计思考
      4.2.2  RNN结构
      4.2.3  LSTM网络结构
      4.2.4  模型实现
    4.3  案例：基于THUCNews新闻标题的文本分类
      4.3.1  方案设计和整体流程
      4.3.2  数据预处理
      4.3.3  模型构建
      4.3.4  训练配置、过程和模型保存
      4.3.5  模型推理
    4.4  本章小结
  第5章  注意力模型
    5.1  任务简介
    5.2  注意力机制
      5.2.1  注意力机制原理
      5.2.2  自注意力机制
      5.2.3  Transformer模型

      5.2.4  模型实现
      5.2.5  自注意力模型与全连接、卷积、循环、图神经网络的不同
    5.3  案例：基于seq2seq的对联生成
      5.3.1  方案设计
      5.3.2  数据预处理
      5.3.3  模型构建
      5.3.4  训练配置和训练
      5.3.5  模型推理
    5.4  本章小结
第三部分  自然语言应用
  第6章  预训练词向量
    6.1  词向量概述
    6.2  词向量word2vec
      6.2.1  CBOW模型
      6.2.2  Skip-gram模型
      6.2.3  负采样
    6.3  CBOW实现
      6.3.1  数据处理
      6.3.2  网络结构
      6.3.3  模型训练
    6.4  案例：词向量可视化与相似度计算
      6.4.1  词向量可视化
      6.4.2  句子语义相似度
    6.5  本章小结
  第7章  预训练语言模型及应用
    7.1  任务介绍
    7.2  BERT模型
      7.2.1  整体结构
      7.2.2  输入表示
      7.2.3  基本预训练任务
      7.2.4  预训练语言模型的下游应用
      7.2.5  模型实现
    7.3  案例：BERT文本语义相似度计算
      7.3.1  方案设计
      7.3.2  数据预处理
      7.3.3  模型构建
      7.3.4  模型配置与模型训练
      7.3.5  模型推理
    7.4  本章小结
  第8章  词性分析技术及应用
    8.1  任务简介
    8.2  基于BERT-BiLSTM-CRF模型的命名实体识别模型
      8.2.1  BERT词表示层
      8.2.2  BiLSTM特征提取层
      8.2.3  CRF序列标注层
    8.3  深入了解BiLSTM-CRF模型
      8.3.1  BiLSTM+CRF模型架构
      8.3.2  CRF模型定义
      8.3.3  标签分数
      8.3.4  转移分数

      8.3.5  解码策略
      8.3.6  CRF模型实现
    8.4  案例：基于BERT+BiGRU+CRF模型的阿里中文地址要素解析
      8.4.1  方案设计
      8.4.2  数据预处理
      8.4.3  模型构建
      8.4.4  模型推理
    8.5  本章小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目