新書推薦：
《
无线重构世界：射频技术的过去、现在与未来
》
售價：HK$
124.2
《
海外中国研究·南方的将军：孙权传
》
售價：HK$
135.7
《
历史的深度
》
售價：HK$
66.7
《
中国漆艺技法全书：工艺原理与基础技法
》
售價：HK$
181.7
《
晋朝的死结
》
售價：HK$
101.2
《
文明的冲突：东西方文明的第一次交锋（第2版）
》
售價：HK$
82.8
《
神经形态光子学 Neuromorphic Photonics
》
售價：HK$
194.4
《
困顿与超越 ： 心理学家的逆境人生与智慧指引
》
售價：HK$
67.9
|
| 編輯推薦： |
|
本书全面细致的介绍了深度学习算法原理与多领域落地应用。在计算机视觉、自然语言处理等传统方向外，还对自然科学、医疗等方向的应用进行拓展与延伸，方便读者全面认识深度学习并将其应用于自身工作中。
|
| 內容簡介： |
本书以系统性地介绍深度学习理论和相关技术应用为目标，对框架实现及多种深度学习模型进行了详细讲解，并且在介绍计算机图形学（CV）和自然语言处理（NLP）任务之外，还会对科学研究、城市监测等方面的范例应用进行讲解。本书知识全面、实用，共10章，内容包括深度学习数学基础，深度学习基础模型（全连接网络、卷积神经网络、循环神经网络和Transformer等）和实现，多场景多领域最佳实践，模型优化、加速与部署等。本书配套有完整的案例源码，获取方式见封底。
本书适合有数据分析需求的技术人员、科研人员，以及互联网数据分析人员阅读，还可以作为深度学习培训班及相关专业研究生的教学参考用书。
|
| 關於作者： |
|
于子叶，中国地震局地球物理研究所副研究员，中国科学院大学博士。主攻自然科学方向的机器学习算法研究，主持机器学习方向的国家青年基金、重点研发专题等国家级项目，发表多篇相关论文和著作。从事机器学习教育工作多年，在深度学习教育方面具有丰富的经验。
|
| 目錄：
|
前言
第1章 深度学习方法概述/
1.1阅读本书前需要的准备工作/
1.2机器学习方法的定义/
1.3为什么要使用机器学习方法/
1.4深度学习方法的产生与发展/
1.5深度学习应用领域与发展前景/
1.6如何开始学习/
1.7本书的章节编排/
1.8总结/
第2章 深度学习的数学基础/
2.1深度学习中的线性代数/
2.1.1机器学习中的数据与矩阵/
2.1.2矩阵的运算/
2.1.3图像的矩阵格式/
2.1.4文本的矩阵格式/
2.2优化算法/
2.2.1求一元函数的极小值问题/
2.2.2多元函数求导与梯度下降法/
2.2.3使用PyTorch进行的求导和优化/
2.2.4方程求解与欠定问题和正则化/
2.2.5再论双十一预测问题与超定问题/
2.3概率与统计/
2.3.1概率、条件概率与贝叶斯理论/
2.3.2极大似然估计与最大后验估计/
2.4总结/
第3章 深度学习基础模型和实现：全连接网络/
3.1逻辑回归算法/
3.1.1数据和模型/
3.1.2交叉熵损失函数/
3.1.3小批量梯度下降法/
3.1.4正则化影响/
3.2训练集、验证集、测试集及精度评价标准/
3.2.1分类问题精度评价标准/
3.2.2回归问题精度评价标准/
3.2.3过拟合和欠拟合问题/
3.3多层神经网络模型/
3.3.1线性可分与线性不可分/
3.3.2多层神经网络自动构建特征解决分类问题 /
3.3.3神经网络的深度、广度及高层API使用/
3.4使用NumPy构建神经网络库（复现PyTorch）/
3.4.1阵求导/
3.4.2交叉熵损失函数的导数/
3.4.3自动微分（求导）库的构建/
3.4.4完善深度学习库的高层API /
3.5回归、分类等监督学习模型/
3.6深度学习中的优化算法/
3.6.1带动量的梯度下降法/
3.6.2均方误差传递迭代算法/
3.6.3自适应矩估计迭代算法/
3.7总结/
第4章 深度学习基础模型和实现：卷积神经网络/
4.1信号、图像分析基础/
4.2从卷积到卷积神经网络/
4.3卷积神经网络模型的构建/
4.3.1从神经网络角度看待卷积神经网络/
4.3.2卷积神经网络其他辅助结构/
4.4卷积神经网络反向传播算法/
4.5卷积神经网络的感受野问题/
4.6总结/
第5章 深度学习基础模型和实现：循环神经网络和Transformer/
5.1文本向量化/
5.1.1语句、词分割算法之BPE编码/
5.1.2语句、词分割算法之一元模型/
5.2循环神经网络和文本建模/
5.2.1文本分类任务和基础循环神经网络结构/
5.2.2长短时记忆单元（LSTM）/
5.2.3门控循环结构/
5.3PyTorch的数据API使用/
5.4循环神经网络反向传播/
5.5文本处理中的前后文问题/
5.5.1双向循环神经网络结构/
5.5.2使用卷积神经网络进行文本分词/
5.6Transformer模型/
5.6.1向量的加权相加、自注意力机制和多头注意力机制/
5.6.2位置编码/
5.6.3注意力掩码与单向模型/
5.7总结/
第6章 深度学习基础模型和实现：深层设计和优化结构/
6.1构建一个更深的网络/
6.1.1深度神经网络的结构设计改进/
6.1.2深度神经网络设计中的梯度消失问题/
6.1.3残差网络设计/
6.2标准化层/
6.2.1批标准化/
6.2.2层标准化层/
6.3过拟合问题/
6.3.1数据增强/深度学习：数学基础、算法模型与实战目录
6.3.2正则化方法/
6.3.3DropOut层/
6.4参数初始化和迁移学习/
6.4.1参数的随机初始化问题/
6.4.2迁移学习问题/
6.5总结/
第7章 信号和图形学应用/
7.1信号和图像的滤波与“超级夜景”/
7.1.1卷积神经网络的上采样方式：转置卷积、插值和像素洗牌 /
7.1.2一维自编码器模型：波形的滤波与重建/
7.1.3二维数据滤波：图像滤波和超级夜景功能/
7.2物体检测和时序数据异常检测/
7.2.1物体检测模型设计：基于滑动窗的物体检测模型/
7.2.2物体检测模型设计：多物体检测的单一模型/
7.2.3Faster RCNN：用于物体检测的二阶模型/
7.2.4用于一维时序数据、波形异常、信号检测/
7.3图像特征提取与分类问题/
7.4对抗生成网络模型：图像生成与高频约束问题/
7.4.1图像生成问题：GAN和ACGAN/
7.4.2基于对抗生成模型的超分辨率采样任务：SRGAN/
7.4.3对抗生成网络图像转换实践：Pix2Pix/
7.4.4非成对的图形转换：CycleGAN/
7.5变分自编码器/
7.5.1无监督机器学习与隐变量分析/
7.5.2变分自编码器模型/
7.6总结/
第8章 自然语言和时序数据处理类应用/
8.1单向模型与文本和时序数据预测问题/
8.1.1中文文本生成/
8.1.2时序数据（股票等）预测问题/
8.1.3单向卷积模型：因果卷积/
8.2基于循环网络的编码解码模型/
8.2.1基础编码解码结构/
8.2.2基于循环神经网络的编码解码结构中的文本补0问题/
8.2.3序列到序列模型中的注意力机制与自然语言翻译/
8.3基于Transformer模型的自然语言处理模型/
8.3.1基于Transformer的序列到序列模型/
8.3.2BERT模型原理/
8.3.3GPT模型原理 /
8.4总结/
第9章 图像、信号、文本等跨模态转换/
9.1语音识别问题/
9.1.1基于短时傅里叶变换和CTC模型的语音识别/
9.1.2卷积神经网络直接处理原始波形进行语音识别/
9.1.3使用编码解码（Seq2Seq）模型完成语音识别 /
9.2图像文本混合任务 /
9.2.1光学字符识别任务/
9.2.2图像标题生成/
9.2.3文本到图像自动合成/
9.2.4自然科学应用：深度学习层析成像技术/
9.3强化学习/
9.4图神经网络/
9.4.1图及其相关概念/
9.4.2空间域图卷积神经网络 /
9.4.3谱域图卷积神经网络/
9.5总结/
第10章 深度学习模型压缩与加速/
10.1对模型进行优化与压缩/
10.1.1卷积基础结构优化/
10.1.2卷积层的优化/
10.1.3批标准化层融合/
10.1.4知识蒸馏/
10.2深度学习模型压缩和量化/
10.2.1深度学习模型浮点计算精度/
10.2.2深度学习模型量化/
10.2.3量化模型计算实现/
10.3模型部署/
10.4总结
|
| 內容試閱：
|
本书的目标是帮助包括数据分析师在内的多行业工作者入门深度学习算法。读者可能来自医疗、航天、金融和自然科学等领域。因此，本书在设计章节的过程中，结合实际应用对算法基础进行了详细的讲解，以帮助读者将深度学习算法应用到自身工作中。第1章深度学习方法概述，对机器学习流程进行了详细说明；第2章深度学习的数学基础，对与深度学习高度相关的数学基础进行了讲解，包括线性代数、优化算法、概率与统计等；第3~6章详细地讲述了深度学习的基础模型及实现方法，其中第3章介绍了全连接网络和多层感知器，第4章介绍了卷积神经网络和图像信号处理基础，第5章介绍了循环神经网络和Transformer，第6章介绍了深度学习建模中的优化结构；第7章系统地介绍了信号与图形学中的模型；第8章介绍了自然语言和时序数据处理模型与建模思路；第9章介绍了图像、信号、文本等多模态数据所使用的网络模型，这更加贴近实际的复杂数据情况；第10章介绍了深度学习模型部署，即在多种设备上高效地进行计算。
如今深度学习在互联网行业应用见顶，基础行业中对于人工智能的应用则方兴未艾。这种技术断层导致很多人工智能教程过多地侧重于计算机视觉和自然语言处理方向，如人脸识别、语音识别、对话机器人、入侵检测等常规应用。初学者可以从这些常规应用中学习到一些深度学习知识，但对于如何将模型应用到自身工作中则少有提及。因此，本书在讲解传统应用的同时，也结合了自然科学、金融、医疗等多个领域的行业应用。这可以帮助读者更好地扩展建模思路，达到举一反三的效果。学习的兴趣应当来自实践，即掌握知识并将其应用到学习、工作中。
书中代码可以通过两种方式获得，其中包含了本身所用代码以及部分开源数据集。
代码和数据地址1：gitee.com/cangyeone/deeplearning。
代码和数据地址2：github.com/cangyeone/deeplearning。
感谢机械工业出版社各位编辑老师所提供的帮助和修改建议。由于本人能力有限，书中错漏之处在所难免，恳请广大读者批评指正。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
