Keras深度學習與神經網絡

肖睿 程鳴萱

  • 出版商: 人民郵電
  • 出版日期: 2023-01-01
  • 定價: $359
  • 售價: 8.5$305
  • 語言: 簡體中文
  • 頁數: 196
  • ISBN: 7115564787
  • ISBN-13: 9787115564788
  • 相關分類: DeepLearning
  • 立即出貨 (庫存 < 3)

  • Keras深度學習與神經網絡-preview-1
  • Keras深度學習與神經網絡-preview-2
Keras深度學習與神經網絡-preview-1

相關主題

商品描述

本書從人工智能導論入手,闡述人工智能的發展及現狀,重點介紹了機器學習和神經網絡基礎、反向傳播原理、捲積神經網絡和循環神經網絡等內容。本書內容由淺入深,循序漸進,從神經元和感知機入手,逐步講解深度學習中神經網絡基礎、反向傳播以及更深層次的捲積神經網絡、循環神經網絡。本書知識體系完整,內容覆蓋面廣,介紹了深度學習中常用的模型和算法,助力讀者多方位掌握深度學習的相關知識。

本書可作為高等院校電腦等相關專業的教材,也可供人工智能領域的技術人員學習使用,還可以作為人工智能研究人員的參考用書。

作者簡介

肖睿,课工场创始人,北京大学教育学博士,北京大学软件学院特约讲师,北京大学学习科学实验室特约顾问。作为北大青鸟 Aptech 的联合创始人,历任学术总监、研究院院长、公司副总裁等核心岗位,拥有20多年的IT职业教育产品管理和企业管理经验。于2015年创办课工场,兼任总经理,旨在为大学生提供更可靠的 IT 就业教育及服务。

目錄大綱

目錄 第1章 人工智能導論

任務 1.1:瞭解人工智能發展歷程

人工智能的發展歷程

任務 1.2:理解人工智能、機器學習、深度學習.

1.2.1 人工智能,機器學習和深度學習

1.2.2 深度學習的發展

任務 1.3:瞭解深度學習的應用情況

1.3.1 深度學習的應用情況

本章小結

本章習題

第 2 章 深度學習流程

任務 2.1:什麽是機器學習

2.1.1 機器學習

2.1.2 機器如何學習

任務 2.2:理解回歸與分類

2.2.1 回歸

2.2.2 分類

任務 2.3:瞭解深度學習工作過程

深度學習工作過程

本章小結

本章習題

第 3 章 神經網絡基礎

任務 3.1:什麽是人工神經元

3.1.1 生物神經元

3.1.2 人工神經元

任務 3.2:理解激活函數的意義

3.2.1 激活函數的意義

3.2.2 激活函數種類

任務 3.3:掌握基礎的神經網絡結構

3.3.1 感知機模型

3.3.2 全連接神經網絡

任務 3.4:瞭解什麽是損失函數

3.4.1 損失函數的意義

3.4.2 損失函數的種類

本章小結

本章習題

第 4 章 反向傳播原理.

任務 4.1:計算神經網絡的輸出

前向傳播計算

任務 4.2:掌握反向傳播算法

4.2.1 反向傳播算法的意義

4.2.2 反向傳播算法的計算

任務 4.3:掌握梯度下降算法

4.3.1 梯度下降概述

4.3.2 梯度下降的形式

4.3.3 學習率的作用

任務 4.4:使用 Python 實現反向傳播算法

反向傳播的 Python 實現

本章小結

本章習題

第 5 章 Keras 與環境配置

任務 5.1:深度學習開發環境的配置

5.1.1 Python 開發環境搭建

5.1.2 Keras 與 TensorFlow 安裝

任務 5.2:快速開始 Keras

5.2.1 為什麽選擇 Keras

5.2.2 快速開始 Keras

任務 5.3:掌握順序模型 Sequential API

5.3.1 Sequential API

任務 5.4:認識函數式模型 Funtional API

Funtional API

本章小結

本章習題

第 6 章 深度神經網絡手寫體識別

任務 6.1:理解 Softmax 回歸模型

6.1.1 Softmax 回歸模型

6.1.2 交叉熵損失函數

任務 6.2:使用手寫體識別數據集 MNIST

圖像分類數據集-MNIST

任務 6.3:深度神經網絡解決圖像分類問題

多層感知機結合 Softmax 完成手寫體識別

任務 6.4:模型評估

6.4.1 選擇一個可靠的模型

6.4.2 欠擬合和過擬合

本章小結

本章習題

第 7 章 神經網絡優化

任務 7.1:範數正則化避免過擬合

範數正則化

任務 7.2:丟棄法正則化避免過擬合

丟棄法

任務 7.3:掌握改進的優化算法

7.3.1 深度學習與優化

7.3.2 小批量隨機梯度下降算法改進

本章小結

本章習題

第 8 章 捲積神經網絡

任務 8.1:初識捲積神經網絡

8.1.1 捲積概述

8.1.2 與全連接網絡對比

任務 8.2:捲積運算

8.2.1 捲積核

8.2.2 填充和步幅

8.2.3 多通道捲積

8.2.4 池化層

任務 8.3:LeNet 實現物體分類

8.3.1 LeNet-開山之作

8.3.2 LeNet 進行物體分類

本章小結

本章習題

第 9 章 捲積神經網絡經典結構

任務 9.1:訓練深度捲積神經網絡

9.1.1 AlexNet

9.1.2 圖像增廣

9.1.3 實現 AlexNet

任務 9.2:進一步增加網絡的深度

9.2.1 VGG 系列

9.2.2 應用 VGG16 提取特徵

任務 9.3:認識並行結構的捲積網絡

9.3.1 GoogLeNet

9.3.2 Inception 結構塊

9.3.3 1×1 捲積核

9.3.4 GoogLeNet 結構

任務 9.4:把網絡深度提升至上百層

9.4.1 深度殘差網絡

9.4.2 稠密連接網絡

本章小結

本章習題

第 10 章 循環神經網絡

任務 10.1:對時序數據建模

10.1.1 時序數據

10.1.2 循環神經網絡

任務 10.2:增加循環神經網絡的記憶

10.2.1 長短期記憶網絡原理

10.2.2 Keras 實現 LSTM

任務 10.3:優化長短期記憶網絡

10.3.1 重置門與更新門

本章小結

本章習題