新書推薦：
《
为什么只见树木不见森林：从简单现象到复杂系统
》
售價：HK$
94.8
《
大英帝国的兴衰：跨越海洋 征服世界
》
售價：HK$
117.6
《
意大利文艺复兴新艺术史
》
售價：HK$
958.8
《
2023年《咬文嚼字》合订本（精）
》
售價：HK$
93.6
《
世界银行营商环境成熟度方法论手册
》
售價：HK$
321.6
《
观鹤笔记.全三册
》
售價：HK$
179.3
《
Hello算法
》
售價：HK$
155.8
《
变革时代的公司契约：法律能否与时俱进？
》
售價：HK$
93.6
|
| 編輯推薦： |
1. 作者：北航教授编写，畅销书《Python网络爬虫从入门到精通》作者新作。
2. 资源丰富：140分钟微课视频（8个综合实战案例）+案例程序源代码+PPT电子教案。
3. 理实结合：既有理论讲解，又有丰富的综合实例，兼顾店面书和教材读者。
|
| 內容簡介： |
《Python 深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。
《Python 深度学习》适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。
|
| 目錄：
|
前言
第1章深度学习简介
1.1计算机视觉
1.1.1定义
1.1.2基本任务
1.1.3传统方法
1.1.4仿生学与深度学习
1.1.5现代深度学习
1.1.6卷积神经网络
1.2自然语言处理
1.2.1自然语言处理的基本问题
1.2.2传统方法与神经网络方法的比较
1.2.3发展趋势
1.3强化学习
1.3.1什么是强化学习
1.3.2强化学习算法简介
1.3.3强化学习的应用
1.4本章小结
第2章深度学习框架及其对比
2.1Caffe
2.1.1Caffe简介
2.1.2Caffe的特点
2.1.3Caffe层及其网络
2.2TensorFlow
2.2.1TensorFlow简介
2.2.2数据流图
2.2.3TensorFlow的特点
2.2.4TensorFlow的计算形式
2.3PyTorch
2.3.1PyTorch简介
2.3.2PyTorch的特点
2.3.3PyTorch的最大优势
2.4三者的比较
2.5本章小结
第3章机器学习基础知识
3.1模型评估与模型参数选择
3.1.1验证
3.1.2正则化
3.2监督学习与非监督学习
3.2.1监督学习
3.2.2非监督学习
3.3本章小结
第4章PyTorch深度学习基础
4.1Tensor对象及其运算
4.2Tensor的索引和切片
4.3Tensor的变换、拼接和拆分
4.4PyTorch的Reduction操作
4.5PyTorch的自动微分Autograd
4.6本章小结
第5章回归模型
5.1线性回归
5.2Logistic回归
5.3用PyTorch实现Logistic回归
5.3.1数据准备
5.3.2线性方程
5.3.3激活函数
5.3.4损失函数
5.3.5优化算法
5.3.6模型可视化
5.4本章小结
第6章多层感知器
6.1基础概念
6.2感知器
6.2.1单层感知器
6.2.2多层感知器
6.3BP神经网络
6.3.1梯度下降
6.3.2后向传播
6.4Dropout正则化
6.5批标准化
6.5.1批标准化的实现方式
6.5.2批标准化的使用方法
6.6本章小结
第7章卷积神经网络与计算机视觉
7.1卷积神经网络的基本思想
7.2卷积操作
7.3池化层
7.4卷积神经网络
7.5经典网络结构
7.5.1VGG网络
7.5.2InceptionNet
7.5.3ResNet
7.6用PyTorch进行手写数字识别
7.7本章小结
第8章神经网络与自然语言处理
8.1语言建模
8.2基于多层感知器的架构
8.3基于循环神经网络的架构
8.3.1循环单元
8.3.2通过时间后向传播
8.3.3带有门限的循环单元
8.3.4循环神经网络语言模型
8.3.5神经机器翻译
8.4基于卷积神经网络的架构
8.5基于Transformer的架构
8.5.1多头注意力
8.5.2非参位置编码
8.5.3编码器单元与解码器单元
8.6表示学习与预训练技术
8.6.1词向量
8.6.2加入上下文信息的特征表示
8.6.3网络预训练
8.7本章小结
第9章使用TensorFlow进行基于YOLO V3的安全帽佩戴检测
9.1数据准备
9.1.1数据采集与标注
9.1.2模型和框架选择
9.1.3数据格式转换
9.2模型构建、训练和测试
9.2.1YOLO系列模型
9.2.2模型训练
9.2.3测试与结果
9.3本章小结
第10章使用Keras进行人脸关键点检测
10.1深度学习模型
10.1.1数据集获取
10.1.2卷积神经网络的搭建与训练
10.2模型评价
10.3本章小结
第11章使用PyTorch实现基于卷积神经网络的充电宝识别
11.1机器学习常用的Python工具库
11.1.1PyTorch
11.1.2NumPy
11.2数据样本分析
11.3数据预处理
11.4算法模型
11.4.1卷积神经网络
11.4.2激活函数
11.4.3模型建立
11.5本章小结
第12章使用PyTorch实现基于词级别的情感分析
12.1数据集的处理
12.2模型的搭建
12.2.1MemNet模型
12.2.2IAN模型
12.2.3AOA模型
12.3训练和评测
12.4本章小结
第13章基于生成式对抗网络（GAN）生成动漫人物
13.1反卷积网络与GAN
13.2DCGAN
13.3基于DCGAN的动漫人物生成
13.4本章小结
第14章使用Keras进行基于迁移学习的电影评论分类
14.1迁移学习概述
14.2IMDB数据集
14.3构建模型解决IMDB数据集分类问题
14.4本章小结
第15章使用PyTorch实现图像超分辨
15.1SRCNN介绍
15.2技术方案及核心代码
15.2.1训练的几个要点
15.2.2构造数据
15.2.3构建SRCNN的结构
15.2.4训练模型
15.3本章小结
第16章使用Keras搭建人工神经网络来生成原创音乐
16.1样例背景介绍
16.1.1循环神经网络
16.1.2Music21
16.1.3Keras
16.2项目结构设计
16.3实建步骤
16.3.1搭建实验环境
16.3.2观察并分析数据
16.3.3数据预处理
16.3.4模型构建
16.3.5生成音乐
|
| 內容試閱：
|
随着深度学习领域技术的飞速发展，许多科幻电影中的情节已经逐步变成了现实—智能语音助手能够与人类无障碍地沟通，甚至在视频通话时提供实时翻译；将手机摄像头聚焦在某个物体上，该物体的相关信息就会被迅速反馈给使用者；在购物网站上浏览商品时，机器也在同时计算用户的偏好，以及实时个性化地推荐用户可能感兴趣的商品。原先以为只有人类才能做到的事，机器都能毫无差错地完成，甚至比人类完成的更好，这显然与深度学习的发展密不可分，人类社会正被技术带领着，走向崭新的世界。
深度学习这个名词，作为近年来讨论的焦点，频繁出现在各类媒体上。无论是否从事相关行业，人们对这个词应该都有着或多或少的了解。本书以深度学习为主题，目的是让读者尽可能深入地理解深度学习的技术。此外，本书强调将理论与实践结合，简明的案例不仅能加深读者对于理论知识的理解，还能让读者直观感受到实际生产中深度学习技术应用的过程。
《Python 深度学习》第 1 章介绍了深度学习领域的现状，以及它和其他领域技术发展之间的关系；第 2 章讲述了深度学习的几大主流框架，以及它们的主要特点和适用范围；第 3 章讲述了机器学习基础知识；第 4 章讲述了深度学习框架（以PyTorch为例）的基础；第 5 章 讲述了Logistic回归；第 6 章讲述了多层感知器；第 7 章讲述了卷积神经网络与计算机视觉；第 8 章讲述了神经网络与自然语言处理，其中包括对循环神经网络（RNN）和Transformer技术的介绍；第9～16章为8个实战案例，分别展示了针对不同问题使用深度学习技术如何进行解决。
为了实现深度学习，我们需要经历许多考验，花费很长时间，但也能学到和发现很多知识，而且，这也会是一个有趣的、令人兴奋的过程。希望读者能从这一过程中熟悉深度学习的技术，并从中感受到快乐。
参与《Python 深度学习》编写的有吕云翔、刘卓然、关捷雄、王渌汀、郭志鹏、陈妙然、闫坤、王志鹏、樊子康、张凡、仇善召、吕可馨和华昱云，此外，曾洪立参与了部分内容的编写并进行了素材整理及配套资源制作等工作。
由于编者水平和能力有限，书中难免有疏漏之处，恳请各位同仁和广大读者批评指正，也希望各位能将实践过程中的经验和心得与编者进行交流（yunxianglu@ hotmail.com）。
|
|
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
