万本电子书0元读

万本电子书0元读

顶部广告

Keras深度学习实战电子书

本书为软件工程师和数据科学家而编写,书中简明而全面地介绍了目前的神经网络和深度学习技术。全书展示了基于Keras框架、以Python编码的20多种有效的神经网络。 你将从本书中学到以下内容: 在大型神经网络上使用反向传播算法逐步优化函数 微调神经网络以改结果质量 使用深度学习行图像和音频处理 在特定的案例中使用递归神经张量网络(RNTN)以取得比标准词嵌更好的效果

售       价:¥

纸质售价:¥40.70购买纸书

532人正在读 | 1人评论 6.2

作       者:(意大利)安东尼奥·古利(Antonio Gulli), (印度)苏伊特·帕尔(Sujit Pal)

出  版  社:人民邮电出版社

出版时间:2018-07-01

字       数:20.6万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(1条)
  • 读书简介
  • 目录
  • 累计评论(1条)
作为一kuan轻量级、模块化的源深度学习框架,Keras以容易上手、利于快速原型实现、能够与TensorFlow和Theano等后端计算平台很好兼容等优,深受众多发人员和研究人员的喜爱。 本书结合大量实例,简明扼要地介绍了目前热门的神经网络技术和深度学习技术。从经典的多层感知机到用于图像处理的深度卷积网络,从处理序列化数据的循环网络到伪造仿真数据的生成对抗网络,从词嵌到AI游戏应用中的强化学习,本书引ling读者一层一层揭深度学习的面纱,并在逐渐清晰的理论框架下,提供多个Python编码实例,方便读者动手实践。 通过阅读本书,读者不仅能学会使用Keras快捷构建各个类型的深度网络,还可以按需自定义网络层和后端功能,从而提升自己的AI编程能力,在成为深度学习专家的路上更一步。 作为一kuan轻量级、模块化的源深度学习框架,Keras以容易上手、利于快速原型实现、能够与TensorFlow和Theano等后端计算平台很好兼容等优,深受众多发人员和研究人员的喜爱。 本书结合大量实例,简明扼要地介绍了目前热门的神经网络技术和深度学习技术。从经典的多层感知机到用于图像处理的深度卷积网络,从处理序列化数据的循环网络到伪造仿真数据的生成对抗网络,从词嵌到AI游戏应用中的强化学习,本书引ling读者一层一层揭深度学习的面纱,并在逐渐清晰的理论框架下,提供多个Python编码实例,方便读者动手实践。 通过阅读本书,读者不仅能学会使用Keras快捷构建各个类型的深度网络,还可以按需自定义网络层和后端功能,从而提升自己的AI编程能力,在成为深度学习专家的路上更一步。
【推荐语】
本书为软件工程师和数据科学家而编写,书中简明而全面地介绍了目前的神经网络和深度学习技术。全书展示了基于Keras框架、以Python编码的20多种有效的神经网络。 你将从本书中学到以下内容: 在大型神经网络上使用反向传播算法逐步优化函数 微调神经网络以改结果质量 使用深度学习行图像和音频处理 在特定的案例中使用递归神经张量网络(RNTN)以取得比标准词嵌更好的效果 识别循环神经网络(RNN)适于解决的问题 探索自动编码机的实现过程 使用强化学习增强深层神经网络 全书通俗易懂,强调实际案例,适合广大的机器学习从业者和爱好者门与实践。
【作者】
作者简介 Antonio Gulli是企业领导和软件部门高管,具备创新精神和执行力,并乐于发现和管理全球高科技人才。他是搜索引擎、在线服务、机器学习、信息检索、数据分析以及云计算等多方面的专家。他幸运地拥有欧洲4个不同国家的工作经验,并管理过来自欧洲和美国6个不同国家的员工。Antonio在出版业(Elsevier)、消费者互联网(Ask.com 和Tiscali)以及高科技研发(微软和谷歌)等多个跨度的行业里历任CEO、GM、CTO、副总裁、总监及区域主管。 Sujit Pal是Elsevier Labs技术研发主管,致力于构建围绕研发内容和元数据的智能系统。他的主要兴趣包括信息检索、本体论、自然语言处理、机器学习,以及分布式处理。他现在的工作是利用深度学习模型对图像行分类和相似度识别。在此之前,他在卫生保健行业工作,帮助构建基于本体论的语义搜索、关联广告,以及EMR数据处理平台。他在他的博客Salmon Run上发表技术文章。 译者简介 王海玲,大学毕业于吉林大学计算机系,从小喜爱数学,曾获得华罗庚数学竞赛全国二等奖。拥有世界500强企业多年研发经验。作为项目骨干成员,参与过美国惠普实验室机器学习项目。 李?P,毕业于东北大学自动化系,大学期间曾获得“挑战杯”全国一等奖。拥有世界500强企业多年研发经验,随后加互联网创业公司。2013年始带领研发团队将大数据分析运用于“预订电商”价格分析预测(《IT经理世界》2013年第6期)。现在中体彩*运营公司负责大数据和机器学习方面的研发。同时是集智俱乐部成员,参与翻译人工智能图书《Deep Thinking》。 中文版审校者简介 于立国,现任国美大数据研究院研发总监,曾任知名上市互联网广告公司——品众互动研发总监,也曾在Adobe数字化营销部门担任负责人,对大数据、人工智能、互联网广告领域深有研究。
目录展开

内容提要

本书赞誉

作者简介

英文版审稿人简介

译者简介

中文版审校者简介

前言

资源与支持

第1章 神经网络基础

1.1 感知机

1.2 多层感知机——第一个神经网络的示例

1.3 实例——手写数字识别

1.4 一种实用的反向传播概述

1.5 走向深度学习之路

1.6 小结

第2章 Keras安装和API

2.1 安装Keras

2.2 配置Keras

2.3 在Docker上安装Keras

2.4 在谷歌Cloud ML上安装Keras

2.5 在亚马逊AWS上安装Keras

2.6 在微软Azure上安装Keras

2.7 Keras API

2.8 自定义训练过程的回调函数

2.9 小结

第3章 深度学习之卷积网络

3.1 深度卷积神经网络——DCNN

3.2 DCNN示例——LeNet

3.3 用深度学习网络识别CIFAR-10图像

3.4 用于大型图片识别的极深度卷积网络

3.5 小结

第4章 生成对抗网络和WaveNet

4.1 什么是生成对抗网络

4.2 深度卷积生成对抗网络

4.3 用Keras adversarial生成MNIST数据

4.4 用Keras adversarial生成CIFAR数据

4.5 WaveNet——一个学习如何产生音频的生成模型

4.6 小结

第5章 词嵌入

5.1 分布式表示

5.2 word2vec

5.3 探索GloVe

5.4 使用预训练好的词向量

5.5 小结

第6章 循环神经网络——RNN

6.1 SimpleRNN单元

6.2 RNN拓扑结构

6.3 梯度消失和梯度爆炸

6.4 长短期记忆网络——LSTM

6.5 门控循环单元——GRU

6.6 双向RNN

6.7 有状态RNN

6.8 其他RNN变体

6.9 小结

第7章 其他深度学习模型

7.1 Keras函数API

7.2 回归网络

7.3 无监督学习——自动编码器

7.4 构造深度网络

7.5 自定义Keras

7.6 生成模型

7.7 小结

第8章 游戏中的AI

8.1 强化学习

8.2 示例——用Keras深度Q网络实现捕捉游戏

8.3 未来之路

8.4 小结

第9章 结束语

9.1 Keras 2.0——新特性

累计评论(1条) 1个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部