互联网 类型
可以朗读 语音朗读
314千字 字数
2024-10-01 发行日期
展开全部

主编推荐语

本书是针对Python3.11.0平台的实用案例深度学习教程。

内容简介

本书以Python3.11.0为平台，以实际应用为背景，通过“概念+公式+经典应用”相结合的形式，深入浅出地介绍Python深度学习实用案例。

全书共10章，主要内容包括掀开深度学习的面纱、神经网络的数学基础、机器学习的基础、神经网络分析与应用、计算视觉分析与应用、文本和序列分析与应用、目标检测分析与应用、生成式深度学习分析与应用、人脸检测分析与应用、强化学习分析与应用等内容。

通过本书的学习，读者可领略到Python的简单、易学、易读、易维护等特点，同时感受到利用Python进行深度学习的简单、便捷，以及其应用性强等功能特点。本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关专业科研人员、学者、工程技术人员的参考用书。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 掀开深度学习的面纱
  • 1.1 深度学习是什么
  • 1.1.1 深度学习的基本思想
  • 1.1.2 深度学习和浅层学习
  • 1.1.3 深度学习与神经网络
  • 1.1.4 深度学习的训练过程
  • 1.2 机器学习与深度学习
  • 1.2.1 机器学习的算法流程
  • 1.2.2 机器学习算法建模
  • 1.2.3 机器学习任务
  • 1.2.4 深度学习算法流程
  • 1.3 深度学习的应用领域与架构
  • 1.3.1 深度学习的应用领域
  • 1.3.2 深度学习相关框架
  • 1.3.3 深度学习实际应用
  • 第2章 神经网络的数学基础
  • 2.1 认识神经网络
  • 2.2 神经网络的数据表示
  • 2.2.1 标量
  • 2.2.2 向量
  • 2.2.3 矩阵
  • 2.2.4 3D张量与更高维张量
  • 2.2.5 关键属性
  • 2.2.6 操作张量
  • 2.2.7 数据批量
  • 2.2.8 现实数据张量
  • 2.3 张量运算
  • 2.3.1 张量的创建
  • 2.3.2 索引和切片访问张量中的数据
  • 2.3.3 逐元素运算
  • 2.3.4 张量变形
  • 2.3.5 广播
  • 2.3.6 张量运算的几何解释
  • 2.4 梯度优化
  • 2.4.1 导数
  • 2.4.2 梯度
  • 2.4.3 反向传播算法
  • 2.5 神经网络剖析
  • 2.5.1 层
  • 2.5.2 模型
  • 2.5.3 损失函数与优化器
  • 2.6 Keras介绍
  • 2.6.1 Keras的工作方式
  • 2.6.2 Keras的设计原则
  • 2.6.3 Keras深度学习链接库特色
  • 2.6.4 使用Keras创建神经网络
  • 2.6.5 使用Keras实现二分类问题
  • 2.6.6 使用Keras处理多分类问题
  • 2.6.7 使用Keras实现预测房价问题
  • 第3章 机器学习的基础
  • 3.1 机器学习概述
  • 3.1.1 机器学习的历程
  • 3.1.2 机器学习的4个分支
  • 3.1.3 机器学习的步骤
  • 3.2 过拟合和欠拟合
  • 3.2.1 减小模型大小
  • 3.2.2 添加权重正则化
  • 3.2.3 添加dropout正则化
  • 3.3 监督学习
  • 3.3.1 线性模型
  • 3.3.2 逻辑回归
  • 3.3.3 支持向量机
  • 3.3.4 Adaboost算法
  • 3.3.5 决策树
  • 3.3.6 随机森林
  • 3.4 数据预处理
  • 3.4.1 数据预处理概述
  • 3.4.2 数据清理
  • 3.4.3 数据集成
  • 3.4.4 数据变换
  • 3.4.5 数据归约
  • 3.4.6 Python的数据预处理函数
  • 第4章 神经网络分析与应用
  • 4.1 单层感知器
  • 4.1.1 分类特征表示
  • 4.1.2 单层感知器概述
  • 4.1.3 多层神经网络
  • 4.2 激活函数
  • 4.2.1 sigmoid激活函数
  • 4.2.2 tanh激活函数
  • 4.2.3 ReLU激活函数
  • 4.2.4 ReLU6激活函数
  • 4.2.5 Leaky ReLU激活函数
  • 4.2.6 softmax激活函数
  • 4.2.7 ELU激活函数
  • 4.2.8 Swish激活函数
  • 4.2.9 Mish激活函数
  • 4.2.10 Maxout激活函数
  • 4.3 解决XOR问题
  • 4.4 优化算法
  • 4.4.1 梯度下降法
  • 4.4.2 AdaGrad算法
  • 4.4.3 RMSProp算法
  • 4.4.4 AdaDelta算法
  • 4.4.5 Adam算法
  • 4.4.6 各优化方法实现
  • 4.4.7 无约束多维极值
  • 第5章 计算视觉分析与应用
  • 5.1 从全连接到卷积
  • 5.2 卷积神经网络
  • 5.2.1 卷积计算过程
  • 5.2.2 感受野
  • 5.2.3 输出特征尺寸计算
  • 5.2.4 全零填充
  • 5.2.5 批标准化
  • 5.2.6 池化
  • 5.2.7 舍弃
  • 5.3 现代经典网络
  • 5.3.1 LeNet网络
  • 5.3.2 AlexNet网络
  • 5.3.3 VGGNet网络
  • 5.3.4 NiN
  • 5.3.5 Google Inception Net网络
  • 5.3.6 ResNet网络
  • 5.3.7 DenseNet网络
  • 5.4 卷积神经网络CIFAR10数据集分类
  • 第6章 文本和序列分析与应用
  • 6.1 处理文本数据
  • 6.1.1 单词和字符的one-hot编码
  • 6.1.2 使用词嵌入
  • 6.2 循环神经网络
  • 6.2.1 循环神经网络概述
  • 6.2.2 Keras中的循环层
  • 6.2.3 RNN的改进算法
  • 6.3 ACF和PACF
  • 6.3.1 截尾与拖尾
  • 6.3.2 自回归过程
  • 6.3.3 移动平均过程
  • 6.4 循环神经网络的应用
  • 6.4.1 温度预测
  • 6.4.2 数据准备
  • 6.4.3 基准方法
  • 6.4.4 基本的机器学习方法
  • 6.4.5 第一个循环网络基准
  • 6.4.6 使用dropout降低过拟合
  • 6.4.7 循环层堆叠
  • 6.4.8 使用双向RNN
  • 第7章 目标检测的分析与应用
  • 7.1 目标检测概述
  • 7.1.1 传统目标检测
  • 7.1.2 基于深度学习的目标检测
  • 7.1.3 目标检测的未来
  • 7.1.4 目标检测面临的挑战
  • 7.2 目标检测法
  • 7.2.1 选择性搜索算法
  • 7.2.2 保持多样性的策略
  • 7.2.3 锚框实现
  • 7.2.4 多尺度目标检测
  • 7.3 典型的目标检测算法
  • 7.3.1 R-CNN算法
  • 7.3.2 Fast R-CNN算法
  • 7.3.3 Faster R-CNN算法
  • 7.3.4 RPN算法
  • 7.3.5 YOLO算法
  • 7.3.6 SSD算法
  • 第8章 生成式深度学习分析与应用
  • 8.1 使用LSTM生成文本
  • 8.1.1 如何生成序列数据
  • 8.1.2 采样策略
  • 8.2 DeepDream算法
  • 8.2.1 DeepDream算法原理
  • 8.2.2 DeepDream算法流程
  • 8.2.3 DeepDream算法实现
  • 8.3 风格迁移
  • 8.3.1 风格迁移定义
  • 8.3.2 风格迁移方法
  • 8.3.3 风格迁移实例
  • 8.4 深入理解自编码器
  • 8.4.1 自编码器
  • 8.4.2 欠完备自编码器
  • 8.4.3 正则自编码
  • 8.5 生成对抗网络
  • 8.5.1 GAN原理
  • 8.5.2 GAN实现
  • 第9章 人脸检测分析与应用
  • 9.1 KLT
  • 9.1.1 光流
  • 9.1.2 KLT算法
  • 9.2 CAMShift跟踪目标
  • 9.2.1 MeanShift算法
  • 9.2.2 CAMShift算法
  • 9.3 OpenCV实现人脸识别
  • 9.3.1 Haar级联实现人脸检测
  • 9.3.2 级联实现实时人脸检测与人脸身份识别
  • 9.4 HOG识别微笑
  • 9.4.1 HOG原理
  • 9.4.2 HOG实例应用
  • 9.5 卷积神经网络实现人脸识别微笑检测
  • 9.6 MTCNN算法实现人脸检测
  • 第10章 强化学习分析与应用
  • 10.1 强化学习的特点与要素
  • 10.2 Q学习
  • 10.2.1 Q学习的原理
  • 10.2.2 Q学习经典应用
  • 10.3 深度Q学习
  • 10.3.1 经验回放
  • 10.3.2 回合函数的近似法
  • 10.3.3 半梯度下降法
  • 10.3.4 目标网络
  • 10.3.5 相关算法
  • 10.3.6 训练算法
  • 10.3.7 深度Q学习的应用
  • 10.4 双重深度Q网络
  • 10.5 对偶深度Q网络
  • 10.6 深度Q网络经典应用
  • 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

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。