图书信息
图书目录
数字化资源
智能之门：神经网络与深度学习入门（基于Python的实现）
本书是作者在总结多年的实际工程应用经验的基础上编著而成的，是一本面向本科生的神经网络与深度学习的入门教材。通过阅读本书，读者可以掌握神经网络与深度学习的基本理论，并通过大量的代码练习，在做中学，提高将理论知识运用于实际工程的能力。本书内容丰富，以“提出问题- 解决方案- 原理分析- 可视化理解”的方式向读者介绍了深度学习的入门知识，并总结了“9 步学习法”，分为基本概念、线性回归、线性分类、非线性回归、非线性分类、模型推理与应用部署、深度神经网络、卷积神经网络以及循环神经网络9个步骤，对神经网络和深度学习进行了系统全面的讲解。
本书既可以作为高等院校计算机、人工智能等专业的教学用书，也可供对深度学习感兴趣的研究人员和工程技术人员阅读参考。
作者：
胡晓武 秦婷婷 李超 邹欣
定价：
69.00 元
出版时间：
2020-12-16
ISBN：
978-7-04-054141-0
物料号：
54141-00
读者对象：
高等教育
一级分类：
计算机/教育技术类
二级分类：
计算机类专业核心课程
三级分类：
人工智能
重点项目：
暂无
版面字数：
540千字
开本：
16开
装帧形式：
平装
页数：
暂无
最新印次时间：
2025年01月
- 目录
- 前辅文
- 第一步 基本概念
- 第1章 概论
- 1.1 人工智能发展简史
- 1.2 科学范式的演化
- 1.1 人工智能发展简史
- 第2章 神经网络中的三个基本概念
- 2.1 通俗地理解三大概念
- 2.2 线性反向传播
- 2.3 梯度下降
- 2.1 通俗地理解三大概念
- 第3章 损失函数
- 3.1 损失函数概论
- 3.2 均方差函数
- 3.3 交叉熵损失函数
- 3.1 损失函数概论
- 第1章 概论
- 第二步 线性回归
- 第4章 单入单出的单层神经网络——单变量线性回归
- 4.1 单变量线性回归问题
- 4.2 最小二乘法
- 4.3 梯度下降法
- 4.4 神经网络法
- 4.5 梯度下降的三种形式
- 4.1 单变量线性回归问题
- 第5章 多入单出的单层神经网络——多变量线性回归
- 5.1 多变量线性回归问题
- 5.2 正规方程解法
- 5.3 神经网络解法
- 5.4 样本特征数据归一化
- 5.5 正确的推理预测方法
- 5.1 多变量线性回归问题
- 第4章 单入单出的单层神经网络——单变量线性回归
- 第三步 线性分类
- 第6章 多入单出的单层神经网络——线性二分类
- 6.1 线性二分类
- 6.2 二分类函数
- 6.3 用神经网络实现线性二分类
- 6.1 线性二分类
- 第7章 多入多出的单层神经网络——线性多分类
- 7.1 线性多分类
- 7.2 多分类函数
- 7.3 用神经网络实现线性多分类
- 7.1 线性多分类
- 第6章 多入单出的单层神经网络——线性二分类
- 第四步 非线性回归
- 第8章 激活函数
- 8.1 激活函数概论
- 8.2 挤压型激活函数
- 8.3 半线性激活函数
- 8.1 激活函数概论
- 第9章 单入单出的双层神经网络——非线性回归
- 9.1 非线性回归
- 9.2 用多项式回归法拟合正弦曲线
- 9.3 用多项式回归法拟合复合函数曲线
- 9.4 验证与测试
- 9.5 用双层神经网络实现非线性回归
- 9.6 曲线拟合
- 9.1 非线性回归
- 第8章 激活函数
- 第五步 非线性分类
- 第10章 多入单出的双层神经网络——非线性二分类
- 10.1 双变量非线性二分类
- 10.2 使用双层神经网络的必要性
- 10.3 非线性二分类的实现
- 10.4 实现逻辑异或门
- 10.5 实现双弧形二分类
- 10.6 双弧形二分类的工作原理
- 10.1 双变量非线性二分类
- 第11章 多入多出的双层神经网络——非线性多分类
- 11.1 双变量非线性多分类
- 11.2 非线性多分类
- 11.1 双变量非线性多分类
- 第12章 多入多出的三层神经网络——深度非线性多分类
- 12.1 多变量非线性多分类
- 12.2 三层神经网络的实现
- 12.1 多变量非线性多分类
- 第10章 多入单出的双层神经网络——非线性二分类
- 第六步 模型推理与应用部署
- 第13章 模型推理与应用部署
- 13.1 手工测试训练效果
- 13.2 模型文件概述
- 13.3 ONNX 模型文件
- 13.1 手工测试训练效果
- 第13章 模型推理与应用部署
- 第七步 深度神经网络
- 第14章 搭建深度神经网络框架
- 14.1 框架设计
- 14.2 回归任务功能测试
- 14.3 二分类任务功能测试
- 14.4 多分类功能测试
- 14.5 MNIST 手写体识别
- 14.1 框架设计
- 第15章 网络优化
- 15.1 权重矩阵初始化
- 15.2 梯度下降优化算法
- 15.3 自适应学习率算法
- 15.1 权重矩阵初始化
- 第16章 正则化
- 16.1 过拟合
- 16.2 L2 正则
- 16.3 L1 正则
- 16.4 丢弃法
- 16.1 过拟合
- 第14章 搭建深度神经网络框架
- 第八步 卷积神经网络
- 第17章 卷积神经网络的原理
- 17.1 卷积神经网络概论
- 17.2 卷积的前向计算
- 17.3 卷积层的训练
- 17.4 池化层
- 17.1 卷积神经网络概论
- 第18章 卷积神经网络的应用
- 18.1 经典的卷积神经网络模型
- 18.2 实现颜色分类
- 18.3 实现几何图形分类
- 18.4 解决MNIST 分类问题
- 18.1 经典的卷积神经网络模型
- 第17章 卷积神经网络的原理
- 第九步 循环神经网络
- 第19章 普通循环神经网络
- 19.1 循环神经网络概论
- 19.2 两个时间步的循环神经网络
- 19.3 四个时间步的循环神经网络
- 19.4 通用的循环神经网络
- 19.5 实现空气质量预测
- 19.1 循环神经网络概论
- 第20章 高级循环神经网络
- 20.1 高级循环神经网络概论
- 20.2 LSTM 的基本原理
- 20.3 LSTM 的代码实现
- 20.4 GRU 的基本原理
- 20.5 序列到序列模型
- 20.1 高级循环神经网络概论
- 第19章 普通循环神经网络
- 结束语
- 前辅文
如无法打开或下载资源，请在电脑端（xuanshu.hep.com.cn)进行下载操作。
相关图书
1