深度學習商業應用開發指南: 從對話機器人到醫療圖像處理

Armando Vieira , Bernardete Ribeiro 張向東,江超譯

買這商品的人也買了...

相關主題

商品描述

深度學習算法的一個關鍵特性是能夠以少的監督學習大量數據,這與通常需要較少(標記)數據的淺層模型不同。
本書將探索一些示例,例如使用完全卷積神經網絡和殘差神經網絡進行視頻預測和圖像分割,
這個應用已經在ImageNet圖像識別競賽中取得了較佳的性能。
同時,通過這些技術的應用,讀者還將學習到更多的圖像識別技術和認識到一些活躍的初創公司。

通過本書中的示例,讀者還將探索深度學習算法相對於其他傳統(淺層)機器學習算法的優勢;
學習Word2vec、skip thought vectors和Item2Vec等技術;
通過學習嵌入式語言翻譯模型練習使用長短期記憶網絡單元和Sequence 2 Sequence模型。

此外,本書還將帶領讀者了解深度學習業務中的一些重要發現和影響,以及採用該技術的主要公司和初創公司。
本書將介紹一些訓練深度學習模型的框架、關鍵方法和微調模型的技巧。

書中的實操編碼示例在Keras中,使用Python 3.6完成。

作者簡介

Armando Vieira

於1997年在葡萄牙科英布拉大學(University of Coimbra)獲得物理學博士學位,然後開始從事人工神經網絡工作。
 他於2003年率先開展了深度神經網絡研究,目前在從事圖像處理、藥物發現、
信用評分及風險分析的公司和初創團隊中擔任高級數據科學顧問。
 他曾參與了許多與人工智能相關的商業活動,並且是Alea.ai 的創始人。
 讀者可以在http://armando.lidinwise.com 上找到更多關於作者的信息。


Bernardete Ribeiro

是葡萄牙科英布拉大學(University of Coimbra)的教授,主要教授編程、模式識別、商業智能和其他相關課程。
 她獲得了科英布拉大學信息學工程(CISUC)博士學位,並且是CISUC的特許教授。
同時,她還擔任CISUC信息與系統中心的主任。
她的主要研究方向包括機器學習、模式識別、金融工程、文本分類和信號處理,以及它的在相關領域的廣泛應用。
 她是人工神經網絡實驗室(LARN)的創始人,並且擔任該實驗室主任超過20年。
 Bernardete不但是葡萄牙模式識別協會(APRP)的主席,而且還是國際模式識別協會(IAPR)理事會的成員。

譯者簡介


張向東

1969年生於寧夏中衛, 1992年獲得清華大學電子系通信專業學士學位; 1995年獲得中科院聲學所理學碩士學位,師從俞鐵城。
俞先生早在1972年就開始在計算機上研究語音識別,是中國較早的語音識別專家之一。
張向東曾先後擔任中科院聲學所語音識別研究室副主任、Intel中國研究中心高級研究員、
歌爾聲學(北京)技術副總、歌爾股份投資總監、歌爾創新研究院院長,
現任蘇州繆斯談談 CTO及北航兼職教授、中國聲學學會理事、中國計算機學會(CCF)人機對話TF主席。

目錄大綱

目錄:
第一部分背景和基礎知識
第1章緒論
1.1範圍和動機
1.2深度學習領域的挑戰
1.3目標受眾
1.4本書結構

第2章深度學習概述
2.1冬去春來
2.2為什麼DL不同?
2.2.1機器時代
2.2.2對DL的一些批評
2.3資源
2.3.1圖書
2.3.2簡訊
2.3.3博客
2.3.4在線視頻和課程
2.3.5播客
2.3.6其他網絡資源
2.3.7從一些不錯的地方開始學習
2.3.8會議
2.3.9其他資源
2.3.10 DL框架
2.3.11 DL即服務DLAS,DL As a Service
2.4最近的發展
2.4.1 2016年
2.4.2 2017年
2.4.3演化算法
2.4.4創造力

第3章深度神經網絡模型
3.1神經網絡簡史
3.1.1多層感知器
3.2什麼是深度神經網絡
3.3玻耳茲曼機器
3.3.1受限玻耳茲曼機器
3.3.2深度信念網絡
3.3.3深度玻耳茲曼機器
3.4卷積神經網絡
3.5深度自動編碼器
3.6遞歸神經網絡
3.6.1強化學習的RNN
3.6.2 LSTM
3.7生成模型
3.7.1變分自動編碼器
3.7.2生成性對抗網絡

第二部分深度學習:核心應用
第4章圖像處理
4.1 CNN圖像處理模型
4.2 ImageNet及其他
4.3圖像分割
4.4圖像標題
4.5視覺問答VQA
4.6視頻分析
4.7 GAN和生成模型
4.8其他應用
4.8.1衛星圖像
4.9新聞和公司
4.10第三方工具和API

第5章自然語言處理及語音
5.1解析
5.2分佈式表示
5.3知識表示與知識圖譜
5.4自然語言翻譯
5.5其他應用
5.6多模態學習與問答
5.7語音識別
5.8新聞與資源
5.9總結與思考展望

第6章強化學習和機器人
6.1什麼是強化學習
6.2傳統的RL
6.3 DNN強化學習
6.3.1確定性政策梯度
6.3.2深層確定性政策梯度
6.3.3深度Q學習
6.3.4 Actor Critic算法
6.4機器人與控制
6.5自動駕駛汽車
6.6會話機器人聊天機器人
6.7新聞聊天機器人
6.8應用
6.9展望
6.10自動駕駛汽車的相關新聞

第三部分深度學習:商務應用
第7章推薦算法和電子商務
7.1在線用戶行為
7.2重新定向
7.3推薦算法
7.3.1協同過濾器
7.3.2 RS的深度學習算法
7.3.3 Item2Vec
7.4推薦算法的應用
7.5未來發展方向

第8章遊戲和藝術
8.1早期的國際象棋
8.2從國際象棋到圍棋
8.3其他遊戲和新聞
8.3.1 Doom
8.3.2 Dota
8.3.3其他應用
8.4人造角色
8.5藝術中的應用
8.6音樂
8.7多模態學習
8.8其他應用

第9章其他應用
9.1異常檢測與欺詐
9.1.1欺詐預防
9.1.2網上評論的欺詐行為
9.2安保及防範
9.3預測
9.3.1交易和對沖基金
9.4醫學和生物醫學
9.4.1圖像處理醫學圖像
9.4.2生物組學
9.4.3藥物發現
9.5其他應用
9.5.1用戶體驗
9.5.2大數據
9.6未來

第四部分機遇與展望
第10章深度學習技術的商務影響
10.1深度學習機會
10.2計算機視覺
10.3 AI助手
10.4法律
10.5放射學和醫學圖像
10.6自動駕駛汽車
10.7數據中心
10.8利用DL建立競爭優勢
10.9人才
10.10光有準確度還不夠
10.11風險
10.12當個人助理變得比我們好

第11章新近研究和未來方向
11.1研究
11.1.1注意機制
11.1.2多模式學習
11.1.3一次性學習
11.1.4強化學習和推理
11.1.5生成神經網絡
11.1.6生成性對抗神經網絡
11.1.7知識轉移和學會學習
11.2何時不使用深度學習
11.3新聞
11.4人工智能在社會中的倫理和啟示
11.5 AI中的隱私和公共政策
11.6初創公司和風險投資
11.7未來
11.7.1用較少的數據學習
11.7.2轉移學習
11.7.3多任務學習
11.7.4對抗性學習
11.7.5少量學習
11.7.6元學習
11.7.7神經推理
附錄A用Keras訓練DNN
A.1 Keras框架
A.1.1在Linux中安裝Keras
A.1.2模型
A.1.3核心層
A.1.4損失函數
A.1.5培訓和測試
A.1.6回調
A.1.7編譯和擬合
A.2深度和寬度模型
A.3用於圖像分割的FCN
A.3.1序列到序列
A.4多層感知器的反向傳播
參考文獻