读者对象： 1、人工智能领域的技术工程师，尤其是机器学习和深度学习领域的工程师； 2、高校人工智能专业学生、教师以及研究人员； 3、希望了解人工智能尤其是深度学习的技术工程师和产品经理。 （1）本书由百度官方出品，PaddlePaddle总架构师共同创作。 （2）百度公司CTO王海峰博士作序，张钹院士、李未院士、百度集团副总裁吴甜联袂推荐 （3）“内容全面、由浅深、注重实践”，结合新近PaddlePaddle技术版本，详细讲解了PaddlePaddle的技术和原理，以及如何从零始快速掌握深度学习。
售 价：¥
纸质售价：¥74.20购买纸书
6.3
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前言
第一部分 数学与编程基础篇
第1章 数学基础与Python库
1.1 Python是进行人工智能编程的主要语言
1.2 数学基础
1.2.1 线性代数基础
1.2.2 微积分基础
1.3 Python库的操作
1.3.1 NumPy操作
1.3.2 Matplotlib操作
1.4 本章小结
第2章 深度学习概论与飞桨入门
2.1 人工智能、机器学习和深度学习
2.1.1 人工智能
2.1.2 机器学习
2.1.3 深度学习
2.2 深度学习的发展历程
2.2.1 神经网络的第一次高潮
2.2.2 神经网络的第一次寒冬
2.2.3 神经网络的第二次高潮
2.2.4 神经网络的第二次寒冬
2.2.5 深度学习的来临
2.2.6 深度学习崛起的时代背景
2.3 深度学习的应用场景
2.3.1 图像与视觉
2.3.2 语音识别
2.3.3 自然语言处理
2.3.4 个性化推荐
2.4 常见的深度学习网络结构
2.4.1 全连接网络结构
2.4.2 卷积神经网络
2.4.3 循环神经网络
2.5 机器学习回顾
2.5.1 线性回归的基本概念
2.5.2 数据处理
2.5.3 模型概览
2.5.4 效果展示
2.6 深度学习框架简介
2.6.1 深度学习框架的优势
2.6.2 常见的深度学习框架
2.6.3 飞桨简介
2.6.4 飞桨安装
2.6.5 AI Studio
2.7 飞桨实现
2.8 飞桨服务平台和工具组件
2.8.1 PaddleHub
2.8.2 X2Paddle
2.8.3 PARL
2.8.4 EasyDL
2.9 本章小结
第二部分 深度学习基础篇
第3章 深度学习的单层网络
3.1 Logistic回归模型
3.1.1 Logistic回归概述
3.1.2 损失函数
3.1.3 Logistic回归的梯度下降
3.2 实现Logistic回归模型
3.2.1 NumPy版本
3.2.2 飞桨版本
3.3 本章小结
第4章 浅层神经网络
4.1 神经网络
4.1.1 神经网络的定义及其结构
4.1.2 神经网络的计算
4.2 BP算法
4.2.1 逻辑回归与BP算法
4.2.2 单样本双层神经网络的BP算法
4.2.3 多样本神经网络的BP算法
4.3 BP算法实践
4.3.1 NumPy版本
4.3.2 飞桨版本
4.4 本章小结
第5章 深层神经网络
5.1 深层网络介绍
5.1.1 深度影响算法能力
5.1.2 网络演化过程与常用符号
5.2 传播过程
5.2.1 神经网络算法核心思想
5.2.2 深层网络正向传播过程
5.2.3 深层网络反向传播过程
5.2.4 传播过程总结
5.3 网络的参数
5.4 代码实现
5.4.1 NumPy版本
5.4.2 飞桨版本
5.5 本章小结
第6章 卷积神经网络
6.1 图像分类问题描述
6.2 卷积神经网络介绍
6.2.1 卷积层
6.2.2 ReLU激活函数
6.2.3 池化层
6.2.4 Softmax分类层
6.2.5 主要特点
6.2.6 经典神经网络架构
6.3 飞桨实现
6.3.1 数据介绍
6.3.2 模型概览
6.3.3 配置说明
6.4 本章小结
第7章 循环神经网络
7.1 任务描述
7.2 循环神经网络介绍
7.2.1 长短期记忆网络
7.2.2 门控循环单元
7.2.3 双向循环神经网络
7.2.4 卷积循环神经网络
7.3 利用飞桨实现机器翻译
7.3.1 数据准备
7.3.2 柱搜索
7.3.3 模型配置
7.3.4 模型训练
7.3.5 加载训练模型进行预测
7.4 本章小结
第8章 注意力机制
8.1 任务描述
8.2 注意力机制介绍
8.2.1 Transformer
8.2.2 Non-local神经网络
8.2.3 Attention Cluster神经网络
8.3 利用飞桨实现视频分类
8.3.1 Non-local神经网络
8.3.2 Attention Cluster
8.4 本章小结
第9章 算法优化
9.1 基础知识
9.1.1 训练、验证和测试集
9.1.2 偏差和方差
9.2 评估
9.2.1 选定评估目标
9.2.2 迭代过程
9.2.3 欠拟合和过拟合
9.3 调优策略
9.3.1 降低偏差
9.3.2 降低方差
9.4 超参数调优
9.4.1 随机搜索和网格搜索
9.4.2 超参数范围
9.4.3 分阶段搜索
9.4.4 例子：对学习率的调整
9.5 本章小结
第三部分 飞桨实践篇
第10章 目标检测
10.1 任务描述
10.2 常见模型解析
10.2.1 R-CNN系列
10.2.2 YOLO
10.2.3 SSD
10.3 PaddleDetection应用实践
10.3.1 Faster-R-CNN
10.3.2 YOLOv3
10.4 本章小结
第11章 图像生成
11.1 任务描述
11.1.1 图像生成
11.1.2 图像-图像转换
11.1.3 文本–图像转换
11.2 模型概览
11.2.1 图像生成
11.2.2 图像-图像
11.2.3 文本-图像
11.3 PaddleGAN应用实践
11.3.1 数据准备
11.3.2 参数设置
11.3.3 网络结构定义
11.3.4 模型训练
11.3.5 模型测试
11.4 本章小结
第12章 情感分析
12.1 任务描述
12.2 算法原理解析
12.2.1 BOW
12.2.2 DB-LSTM
12.3 情感分析应用实践
12.3.1 数据集下载
12.3.2 配置模型
12.3.3 训练模型
12.4 本章小结
第13章 机器翻译
13.1 任务描述
13.2 算法原理解析
13.2.1 Seq2Seq
13.2.2 Transformer
13.3 机器翻译应用实践
13.3.1 数据准备
13.3.2 模型配置
13.3.3 模型训练
13.3.4 模型测试
13.3.5 模型评估
13.4 本章小结
第14章 语义表示
14.1 任务描述
14.2 常见模型解析
14.2.1 ELMo
14.2.2 ERNIE
14.3 ERNIE应用实践
14.3.1 数据准备
14.3.2 模型配置
14.3.3 模型训练
14.3.4 模型评估
14.4 本章小结
第15章 个性化推荐
15.1 问题描述
15.2 传统推荐方法
15.2.1 基于内容的推荐
15.2.2 协同过滤推荐
15.2.3 混合推荐
15.3 深度学习推荐方法
15.3.1 YouTube的深度神经网络推荐系统
15.3.2 融合推荐系统
15.4 个性化推荐系统在飞桨上的实现
15.4.1 数据准备
15.4.2 模型设计
15.4.3 模型训练
15.4.4 保存特征
15.4.5 模型测试
15.5 本章小结
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
