人工智能 类型
可以朗读 语音朗读
153千字 字数
2020-05-01 发行日期
展开全部

主编推荐语

AI与机器学习概念、关系及深度学习应用。

内容简介

人工智能与机器学习概念、关系，机器学习主要类型和方法，人工神经网络定义、主要类型和方法，人工神经网络与深度学习的关系，深度学习的主要方法，包括卷积神经网络、自回归神经网络、深度强化学习、深度迁移学习、对抗网络、深度学习在图像处理等方面的应用。

目录

  • 封面
  • 扉页
  • 版权信息
  • 目录
  • 内容提要
  • 编委会
  • 序一 拥抱万亿智能互联未来
  • 序二
  • 前言
  • 01 绪论
  • 1.1 机器学习与深度学习
  • 1.2 机器学习方法类型
  • 1.3 机器学习常见算法
  • 1.4 深度学习的前世今生
  • 1.5 深度学习的应用
  • 1.6 深度学习开源工具简介
  • 1.6.1 TensorFlow
  • 1.6.2 PyTorch
  • 1.6.3 CNTK
  • 1.6.4 Keras
  • 1.6.5 MXNet
  • 1.6.6 Caffe
  • 1.6.7 OpenAI Gym
  • 1.7 本书主要学习内容
  • 1.8 本章小结
  • 1.9 习题
  • 02 神经网络与深度神经网络
  • 2.1 神经元与感知器
  • 2.1.1 生物神经元与神经元模型
  • 2.1.2 感知器
  • 2.2 反向传播算法
  • 2.2.1 前馈计算
  • 2.2.2 反向传播
  • 2.3 神经网络的连接
  • 2.3.1 前馈神经网络
  • 2.3.2 反馈神经网络
  • 2.3.3 全局逼近网络和局部逼近网络
  • 2.3.4 自组织特征映射网络
  • 2.3.5 自适应共振理论ART模型
  • 2.4 深度神经网络与深度学习
  • 2.5 常用的函数模型
  • 2.5.1 激活函数
  • 2.5.2 损失函数
  • 2.6 本章小结
  • 2.7 习题
  • 03 卷神经网络积
  • 3.1 大脑视觉皮层的信息分层处理机制
  • 3.2 感受野与权值共享
  • 3.3 卷积神经网络的层级结构和组成
  • 3.3.1 卷积层
  • 3.3.2 池化层
  • 3.3.3 全连接层
  • 3.4 卷积神经网络算法
  • 3.4.1 算法的训练
  • 3.4.2 LeNet-5模型
  • 3.5 网络的卷积层设计
  • 3.5.1 跨步卷积（Stride Convolution）
  • 3.5.2 零填充（Zero Padding）
  • 3.5.3 非共享卷积（Unshared Convolution）
  • 3.5.4 平铺卷积（Tiled Convolution）
  • 3.6 CNN的经典网络结构
  • 3.6.1 AlexNet
  • 3.6.2 VGGNet
  • 3.6.3 GoogLeNet
  • 3.6.4 ResNet
  • 3.6.5 DenseNet
  • 3.7 CNN用于人脸表情分类
  • 3.7.1 图像的预处理
  • 3.7.2 用于分类的CNN网络设计
  • 3.7.3 实验结果
  • 3.8 本章小结
  • 3.9 习题
  • 04 循神经环网络
  • 4.1 循环神经网络
  • 4.1.1 循环神经元展开
  • 4.1.2 随时间反向传播算法
  • 4.1.3 梯度消失和梯度爆炸
  • 4.2 长短期记忆网络
  • 4.2.1 输入门、遗忘门和输出门
  • 4.2.2 LSTM模型
  • 4.2.3 LSTM的计算
  • 4.3 循环神经网络设计
  • 4.3.1 双向循环网络
  • 4.3.2 深度循环神经网络
  • 4.3.3 LSTM的变体
  • 4.4 循环神经网络的应用
  • 4.5 基于RNN的语言模型
  • 4.6 本章小结
  • 4.7 习题
  • 05 目测标检
  • 5.1 基于候选区域的目标检测算法
  • 5.1.1 R-CNN算法
  • 5.1.2 SPP-NET算法
  • 5.1.3 Fast R-CNN算法
  • 5.1.4 Faster R-CNN算法
  • 5.1.5 Mask R-CNN算法
  • 5.2 基于回归预测的目标检测算法
  • 5.2.1 SSD算法
  • 5.2.2 YOLO算法
  • 5.2.3 YOLOv2算法
  • 5.2.4 YOLOv3算法
  • 5.3 目标检测算法发展趋势
  • 5.4 人体行为检测
  • 5.4.1 网络超参数的选择
  • 5.4.2 模型的训练
  • 5.4.3 模型测试
  • 5.5 本章小结
  • 5.6 习题
  • 06 图描像述
  • 6.1 图像描述方法
  • 6.1.1 模板方法与检索方法
  • 6.1.2 编码-解码结构方法
  • 6.2 编码-解码图像描述
  • 6.2.1 编码-解码结构原理
  • 6.2.2 编码-解码结构的图像描述模型
  • 6.3 注意力机制图像描述方法
  • 6.3.1 注意力机制原理
  • 6.3.2 注意力机制在图像描述中的应用
  • 6.4 图像描述示例
  • 6.4.1 图像描述的数据集
  • 6.4.2 生成图像描述
  • 6.4.3 图像描述代码解析
  • 6.5 图像描述应用前景
  • 6.5.1 图像检索
  • 6.5.2 人机交互
  • 6.5.3 智能监控
  • 6.6 本章小结
  • 6.7 习题
  • 07 生抗成对网络
  • 7.1 生成式模型
  • 7.1.1 一个极具挑战的机器学习问题
  • 7.1.2 生成式模型分类
  • 7.2 生成对抗网络基本原理
  • 7.2.1 GAN的思想与基本形式
  • 7.2.2 GAN的优势与问题
  • 7.3 生成式对抗网络的设计
  • 7.3.1 条件生成式对抗网络
  • 7.3.2 拉普拉斯金字塔生成式对抗网络
  • 7.3.3 深度卷积生成式对抗网络
  • 7.3.4 Wasserstein GAN
  • 7.4 GAN的应用
  • 7.4.1 计算机视觉领域
  • 7.4.2 语言和语音领域
  • 7.4.3 半监督领域
  • 7.5 基于DCGAN的手写数字生成实例
  • 7.6 本章小结
  • 7.7 习题
  • 08 深度移习迁学
  • 8.1 迁移学习
  • 8.1.1 迁移学习的分类
  • 8.1.2 迁移学习的形式化定义
  • 8.1.3 度量准则——距离和相似度
  • 8.2 深度网络的可迁移性
  • 8.3 深度网络的适配
  • 8.3.1 核心思想——数据分布自适应
  • 8.3.2 DDC方法
  • 8.3.3 DAN方法
  • 8.4 迁移学习的应用
  • 8.5 VGG迁移——识别花朵类型
  • 8.6 本章小结
  • 8.7 习题
  • 09 深度化习学强
  • 9.1 强化学习
  • 9.1.1 奖励驱动行为思想
  • 9.1.2 强化学习的基本框架
  • 9.1.3 强化学习算法
  • 9.2 深度强化学习的突破与问题
  • 9.3 DRL算法——深度Q网络
  • 9.4 深度Q网络的变体
  • 9.4.1 深度双Q网络
  • 9.4.2 深度循环Q网络
  • 9.4.3 基于优先级回放的深度Q网络
  • 9.4.4 异步多步深度Q网络
  • 9.4.5 彩虹深度Q网络
  • 9.5 深度强化学习的应用
  • 9.5.1 机器人控制
  • 9.5.2 计算机视觉
  • 9.5.3 自然语言处理
  • 9.5.4 博弈论领域
  • 9.6 本章小结
  • 9.7 习题
  • 附录1 CNN用于人脸表情分类
  • 附录2 基于DCGAN的手写数字生成实例
  • 附录3 VGG迁移——识别花朵类型
  • 附录4 深度学习资源
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。