在过去几年里，神经网络华丽回归，并为人工智能领域带来了重大的创新。 本书旨在为C#程序员使用神经网络、CNTK等C#库和TensorFlowSharp解决复杂的计算问题时，提供实践指导。本书逐步讲解编程实践，涵盖从数学到理论等神经网络的各个方面，帮助你运用C#和.NET框架构建深度神经网络。 本书从神经网络门知识始，详细介绍如何使用Encog、Aforge和Accord搭建一个神经网络，帮助你深理解神经网络相关概念和技术，例如深度网络、感知器、优化算法、卷积网络和自动解码器。此外，还详细讲解如何向.NET应用程序中添加智能特性，例如面部和运动检测、对象检测和标注、语言理解、知识和智能搜索。
售 价：¥
纸质售价：¥62.30购买纸书
6.7
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
译者序
前言
关于作者
关于审校者
第1章 快速预览
1.1 神经网络概述
1.2 神经网络在当今企业中的作用
1.3 学习的类型
1.4 了解感知器
1.5 了解激活函数
1.6 了解后向传播
1.7 小结
1.8 参考文献
第2章 构建第一个神经网络
2.1 一个简单的神经网络
2.2 神经网络训练
2.3 神经网络函数
2.4 神经网络
2.5 例子
2.6 小结
第3章 决策树和随机森林
3.1 决策树
3.2 随机森林
3.3 SharpLearning
3.4 示例代码和应用程序
3.5 小结
3.6 参考文献
第4章 面部和运动检测
4.1 面部检测
4.2 运动检测
4.3 小结
第5章 使用ConvNetSharp训练CNN
5.1 热身
5.2 过滤器
5.3 创建网络
5.4 GPU
5.5 使用MNIST数据集进行流畅设计训练
5.6 训练网络
5.7 小结
5.8 参考文献
第6章 使用RNNSharp训练自动编码器
6.1 什么是自动编码器
6.2 自动编码器的分类
6.3 创建自己的自动编码器
6.4 小结
6.5 参考文献
第7章 用PSO代替后向传播
7.1 基础理论
7.2 用粒子群优化算法代替后向传播
7.3 小结
第8章 函数优化
8.1 入门
8.2 函数最小化和最大化
8.3 超参数和调参
8.4 可视化
8.5 绘制结果
8.6 添加新的优化函数
8.7 小结
第9章 寻找最佳参数
9.1 优化
9.2 优化方法
9.3 并行
9.4 小结
9.5 参考文献
第10章 使用TensorFlowSharp进行对象检测
10.1 使用张量
10.2 开发自己的TensorFlow应用程序
10.3 检测图像
10.4 小结
10.5 参考文献
第11章 使用CNTK进行时间序列预测和LSTM
11.1 长短期记忆
11.2 CNTK术语
11.3 示例应用程序
11.4 LSTM的表现
11.5 小结
11.6 参考文献
第12章 GRU与LSTM、RNN和前馈神经网络
12.1 QuickNN
12.2 了解GRU
12.3 LSTM和GRU之间的差别
12.4 构建不同的网络
12.5 比较LSTM、GRU、前馈和RNN网络的相关操作
12.6 网络差异
12.7 小结
附录A 激活函数
附录B 函数优化参考
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
