新書推薦：
《
西方哲学史
》
售價：NT$
498.0
《
中国财富管理发展指数（2022）
》
售價：NT$
325.0
《
希腊神话和仪式中的结构与历史
》
售價：NT$
437.0
《
世界花纹与图案大典
》
售價：NT$
1669.0
《
周制与秦制
》
售價：NT$
717.0
《
花路
》
售價：NT$
493.0
《
万亿指数
》
售價：NT$
493.0
《
中世纪英国的财政、军事与外交（中外文明传承与交流研究书系）
》
售價：NT$
437.0
|
| 編輯推薦： |
（1）4位作者在大数据和人工智能领域有多年积累，经验丰富；
（2）从Python和数学基础，到机器学习和TensorFlow理论，再到深度学习的应用和扩展，为深度学习提供全栈式内容解决方案；
（3）包含大量实战案例和综合性项目案例；
（4）图形化的表达方式，降低读者学习门槛。
|
| 內容簡介： |
|
本书共22章，分为三个部分。*部分（第1~5章）为Python及应用数学基础部分，介绍Python和TensorFlow的基石Numpy，深度学习框架的鼻祖Theano，以及机器学习、深度学习算法应用数学基础等内容。第二部分（第6~20章）为深度学习理论与应用部分，介绍机器学习的经典理论和算法，深度学习理论及方法，TensorFlow基于CPU、GPU版本的安装及使用、TensorFlow基础、TensorFlow的一些新API，深度学习中神经网络方面的模型及TensorFlow实战案例，TensorFlow的高级封装，TensorFlow综合实战案例等内容。第三部分（第21~22章）为扩展部分，介绍强化学习、生成式对抗网络等内容。
|
| 關於作者： |
作者简介
吴茂贵
BI和大数据专家，就职于中国外汇交易中心，在BI、数据挖掘与分析、数据仓库、机器学习等领域有超过20年的工作经验，在Spark机器学习、TensorFlow深度学习领域大量的实践经验。
王冬
任职于博世（中国）投资有限公司，负责Bosch企业BI及工业4.0相关大数据和数据挖掘项目。对机器学习、人工智能有多年实践经验。
李涛
参与过多个人工智能项目，如研究开发服务机器人、无人售后店等项目。熟悉python、caffe、TensorFlow等，对深度学习、尤其对计算机视觉方面有较深理解。
杨本法
高级算法工程师，在机器学习、文本挖掘、可视化等领域有多年实践经验。熟悉Hadoop、Spark生态圈的相关技术，对Python有丰富的实战经验。
|
| 目錄：
|
前言
第一部分 Python及应用数学基础
第1章 NumPy常用操作2
1.1 生成ndarray的几种方式3
1.2 存取元素5
1.3 矩阵操作6
1.4 数据合并与展平7
1.5 通用函数9
1.6 广播机制11
1.7 小结12
第2章 Theano基础13
2.1 安装14
2.2 符号变量15
2.3 符号计算图模型17
2.4 函数18
2.5 条件与循环21
2.6 共享变量23
2.7 小结24
第3章 线性代数25
3.1 标量、向量、矩阵和张量25
3.2 矩阵和向量运算28
3.3 特殊矩阵与向量29
3.4 线性相关性及向量空间31
3.5 范数32
3.6 特征值分解33
3.7 奇异值分解34
3.8 迹运算35
3.9 实例：用Python实现主成分分析36
3.10 小结39
第4章 概率与信息论40
4.1 为何要学概率、信息论40
4.2 样本空间与随机变量41
4.3 概率分布42
4.3.1 离散型随机变量42
4.3.2 连续型随机变量45
4.4 边缘概率47
4.5 条件概率47
4.6 条件概率的链式法则48
4.7 独立性及条件独立性48
4.8 期望、方差及协方差49
4.9 贝叶斯定理52
4.10 信息论53
4.11 小结56
第5章 概率图模型57
5.1 为何要引入概率图57
5.2 使用图描述模型结构58
5.3 贝叶斯网络59
5.3.1 隐马尔可夫模型简介60
5.3.2 隐马尔可夫模型三要素60
5.3.3 隐马尔可夫模型三个基本问题61
5.3.4 隐马尔可夫模型简单实例62
5.4 马尔可夫网络64
5.4.1 马尔可夫随机场64
5.4.2 条件随机场65
5.4.3 实例：用Tensorflow实现条件随机场66
5.5 小结70
第二部分 深度学习理论与应用
第6章 机器学习基础72
6.1 监督学习72
6.1.1 线性模型73
6.1.2 SVM77
6.1.3 贝叶斯分类器79
6.1.4 集成学习81
6.2 无监督学习84
6.2.1 主成分分析84
6.2.2 k-means聚类84
6.3 梯度下降与优化85
6.3.1 梯度下降简介86
6.3.2 梯度下降与数据集大小87
6.3.3 传统梯度优化的不足89
6.3.4 动量算法90
6.3.5 自适应算法92
6.3.6 有约束最优化95
6.4 前馈神经网络96
6.4.1 神经元结构97
6.4.2 感知机的局限98
6.4.3 多层神经网络99
6.4.4 实例：用TensorFlow实现XOR101
6.4.5 反向传播算法103
6.5 实例：用Keras构建深度学习架构109
6.6 小结109
第7章 深度学习挑战与策略110
7.1 正则化110
7.1.1 正则化参数111
7.1.2 增加数据量115
7.1.3 梯度裁剪116
7.1.4 提前终止116
7.1.5 共享参数117
7.1.6 Dropout117
7.2 预处理119
7.2.1 初始化120
7.2.2 归一化120
7.3 批量化121
7.3.1 随机梯度下降法121
7.3.2 批标准化122
7.4 并行化124
7.4.1 TensorFlow利用GPU加速124
7.4.2 深度学习并行模式125
7.5 选择合适的激活函数127
7.6 选择合适代价函数128
7.7 选择合适的优化算法129
7.8 小结130
第8章 安装TensorFlow131
8.1 TensorFlow CPU版的安装131
8.2 TensorFlow GPU版的安装132
8.3 配置Jupyter Notebook136
8.4 实例：CPU与GPU性能比较137
8.5 实例：单GPU与多GPU性能比较138
8.6 小结140
第9章 TensorFlow基础141
9.1 TensorFlow系统架构141
9.2 数据流图143
9.3 TensorFlow基本概念144
9.3.1 张量144
9.3.2 算子145
9.3.3 计算图146
9.3.4 会话146
9.3.5 常量148
9.3.6 变量149
9.3.7 占位符153
9.3.8 实例：比较constant、variable和placeholder154
9.4 TensorFlow实现数据流图156
9.5 可视化数据流图156
9.6 TensorFlow分布式158
9.7 小结160
第10章 TensorFlow图像处理162
10.1 加载图像162
10.2 图像格式163
10.3 把图像转换为TFRecord文件164
10.4 读取TFRecord文件165
10.5 图像处理实例166
10.6 全新的数据读取方式—Dataset API170
10.6.1 Dataset API 架构170
10.6.2 构建Dataset171
10.6.3 创建迭代器174
10.6.4 从迭代器中获取数据174
10.6.5 读入输入数据175
10.6.6 预处理数据175
10.6.7 批处理数据集元素176
10.6.8 使用高级API176
10.7 小结177
第11章 TensorFlow神经元函数178
11.1 激活函数178
11.1.1 sigmoid函数179
11.1.2 tanh函数179
11.1.3 relu函数180
11.1.4 softplus函数181
11.1.5 dropout函数181
11.2 代价函数181
11.2.1 sigmoid_cross_entropy_with_logits函数182
11.2.2 softmax_cross_entropy_with_logits函数183
11.2.3 sparse_softmax_cross_entropy_with_logits函数184
11.2.4 weighted_cross_entropy_with_logits函数184
11.3 小结185
第12章 TensorFlow自编码器186
12.1 自编码简介186
12.2 降噪自编码188
12.3 实例：TensorFlow实现自编码188
12.4 实例：用自编码预测信用卡欺诈191
12.5 小结197
第13章 TensorFlow实现Word2Vec198
13.1 词向量及其表达198
13.2 Word2Vec原理199
13.2.1 CBOW模型200
13.2.2 Skim-gram模型200
13.3 实例：TensorFlow实现Word2Vec201
13.4 小结206
第14章 TensorFlow卷积神经网络207
14.1 卷积神经网络简介207
14.2 卷积层208
14.2.1 卷积核209
14.2.2 步幅211
14.2.3 填充212
14.2.4 多通道上的卷积213
14.2.5 激活函数214
14.2.6 卷积函数215
14.3 池化层216
14.4 归一化层217
14.5 TensorFlow实现简单卷积神经网络218
14.6 TensorFlow实现进阶卷积神经网络219
14.7 几种经典卷积神经网络223
14.8 小结224
第15章 TensorFlow循环神经网络226
15.1 循环神经网络简介226
15.2 前向传播与随时间反向传播228
15.3 梯度消失或爆炸231
15.4 LSTM算法232
15.5 RNN其他变种235
15.6 RNN应用场景236
15.7 实例：用LSTM实现分类237
15.8 小结241
第16章 TensorFlow高层封装242
16.1 TensorFlow高层封装简介242
16.2 Estimator简介243
16.3 实例：使用Estimator预定义模型245
16.4 实例：使用Estimator自定义模型247
16.5 Keras简介252
16.6 实例：Keras实现序列式模型253
16.7 TFLearn简介255
16.7.1 利用TFLearn解决线性回归问题256
16.7.2 利用TFLearn进行深度学习256
16.8 小结257
第17章 情感分析258
17.1 深度学习与自然语言处理258
17.2 词向量简介259
17.3 循环神经网络260
17.4 迁移学习简介261
17.5 实例：TensorFlow实现情感分析262
17.5.1 导入数据262
17.5.2 定义辅助函数267
17.5.3 构建RNN模型267
17.5.4 调优超参数269
17.5.5 训练模型270
17.6 小结272
第18章 利用TensorFlow预测乳腺癌273
18.1 数据说明273
18.2 数据预处理274
18.3 探索数据276
18.4 构建神经网络279
18.5 训练并评估模型281
18.6 小结283
第19章 聊天机器人284
19.1 聊天机器人原理284
19.2 带注意力的框架286
19.3 用TensorFlow实现聊天机器人289
19.3.1 接口参数说明290
19.3.2 训练模型293
19.4 小结302
第20章 人脸识别303
20.1 人脸识别简介303
20.2 项目概况306
20.3 实施步骤307
20.3.1 数据准备307
20.3.2 预处理数据307
20.3.3 训练模型309
20.3.4 测试模型313
20.4 小结316
第三部分 扩展篇
第21章 强化学习基础318
21.1 强化学习简介318
21.2 强化学习常用算法320
21.2.1 Q-Learning算法320
21.2.2 Sarsa算法322
21.2.3 DQN算法322
21.3 小结324
第22章 生成式对抗网络325
22.1 GAN简介325
22.2 GAN的改进版本327
22.3 小结329
|
| 內容試閱：
|
为什么写这本书
人工智能新时代学什么？我们知道，Python是人工智能的首选语言，深度学习是人工智能的核心，而TensorFlow是深度学习框架中的No.1。所以我们在本书中将这三者有机结合，希望借此把这些目前应用最广、最有前景的工具和算法分享给大家。
人工智能新时代如何学？市面上介绍这些工具和深度学习理论的书籍已有很多，而且不乏经典大作，如讲机器学习理论和算法的有周志华老师的《机器学习》；介绍深度学习理论和算法的有伊恩·古德费洛等编著的《深度学习》；介绍TensorFlow实战的有黄文坚、唐源编著的《TensorFlow实战》、山姆·亚伯拉罕等编著的《面向机器智能的TensorFlow实践》等。这些都是非常经典的大作，如果你对机器学习、深度学习、人工智能感兴趣的话，这些书均值得一读。
本书在某些方面或许无法和它们相比，但我觉得也会有不少让你感到满意，甚至惊喜的地方。本书的特点具体包括以下几个方面。
1.内容选择：提供全栈式的解决方案
深度学习涉及范围比较广，既有对基础、原理的一些要求，也有对代码实现的要求。如何在较短时间内快速提高深度学习的水平？如何尽快把所学运用到实践中？这方面虽然没有捷径可言，但却有方法可循。本书基于这些考量，希望能给你提供一站式解决方案。具体内容包括：机器学习与深度学习的三大基石（线性代数、概率与信息论及数值分析）；机器学习与深度学习的基本理论和原理；机器学习与深度学习的常用开发工具（Python、TensorFlow、Keras等），此外还有TensorFlow的高级封装及多个综合性实战项目等。
2.层次安排：找准易撕口、快速实现由点到面的突破
我们打开塑料袋时，一般从易撕口开始，这样即使再牢固的袋子也很容易打开。面对深度学习这个“牢固袋子”，我们也可采用类似方法，找准易撕口。如果没有，就创造一个易撕口，通过这个易撕口，实现点到面的快速扩展。本书在介绍很多抽象、深奥的算法时采用了这种方法。我们知道BP算法、循环神经网络是深度学习中的两块硬骨头，所以在介绍BP算法时，先介绍单个神经如何实现BP算法这个易撕口，再延伸到一般情况；在介绍循环神经网络时，我们也以一个简单实例为易撕口，再延伸到一般情况。希望通过这种方式，能帮助你把难题化易、把大事化小、把不可能转换为可能。
3.表达形式：让图说话，一张好图胜过千言万语
在机器学习、深度学习中有很多抽象的概念、复杂的算法、深奥的理论，如Numpy的广播机制、神经网络中的共享参数、动量优化法、梯度消失或爆炸等，这些内容如果只用文字来描述，可能很难达到茅塞顿开的效果，但如果用一些图形来展现，再加上适当的文字说明，往往能取得非常好的效果，正所谓一张好图胜过千言万语。
除了以上谈到的三个方面，为了帮助大家更好理解、更快掌握机器学习、深度学习这些人工智能的核心内容，本书还包含了其他方法。我们希望通过这些方法或方式带给你不一样的理解和体验，使抽象数学不抽象、深度学习不深奥、复杂算法不复杂，这或许就是我们写这本书的主要目的。
至于人工智能（AI）的重要性，想必不用多说了。如果说2016年前属于摆事实论证的阶段，那么2016年后已进入事实胜于雄辩的阶段了，而2018年后应该属于撸起袖子加油干的阶段。目前各行各业都忙于AI+，给人“忽如一夜春风来，千树万树梨花开”的感觉！
本书特色
要说特色的话，就是上面谈到的几点，概括来说就是：把理论原理与代码实现相结合；找准切入点，从简单到一般，把复杂问题简单化；图文并茂使抽象问题直观化；实例说明使抽象问题具体化。希望通过阅读本书，能给你带来新的视角、新的理解。
读者对象
对机器学习、深度学习感兴趣的广大在校学生、在职人员。
对Python、TensorFlow感兴趣，并希望进一步提升的在校学生、在职人员。
如何阅读本书
本书共22章，按照“基础→应用→扩展”的顺序展开，分为三个部分。
第一部分（第1～5章）为Python和应用数学基础部分：第1章介绍Python和TensorFlow的基石Numpy；第2章介绍深度学习框架的鼻祖Theano；第3～5章介绍机器学习、深度学习算法应用数学基础，包括线性代数、概率与信息论、概率图等内容。
第二部分（第6～20章）为深度学习理论与应用部分：第6章为机器学习基础，也是深度学习基础，其中包含很多机器学习的经典理论和算法；第7章为深度学习理论及方法；第8~10章介绍TensorFlow基于CPU、GPU版本的安装及使用，TensorFlow基础，TensorFlow的一些新API，如Dataset API、Estimator API等（基于TensorFlow1.6版本）；第11～15章为深度学习中神经网络方面的模型及TensorFlow实战案例；第16章介绍TensorFlow的高级封装，如Keras、Estimator、TFLearn等内容；第17～20章为TensorFlow综合实战案例，包括图像识别、自然语言处理等内容。
第三部分（第21～22章）为扩展部分：介绍强化学习、生成式对抗网络等内容。
勘误和支持
书中代码和数据的下载地址为http：www.feiguyunai.com。由于笔者水平有限，加之编写时间仓促，书中难免出现错误或不准确的地方，恳请读者批评指正。你可以通过QQ（1715408972）给我们反馈，也可以加入QQ交流群（7637
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
