×
深度学习-基于MATLAB的设计实例
读者评分
5分

深度学习-基于MATLAB的设计实例

1星价 ¥32.5 (5.5折)
2星价¥32.5 定价¥59.0
图文详情
  • ISBN:9787512426665
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:189
  • 出版时间:2018-04-01
  • 条形码:9787512426665 ; 978-7-5124-2666-5

本书特色

深度学习如此流行,以至于关于它的资料随处可见。但往往是理论连篇,并不适合开发者具体使用,本书内容丰富实用、原理直白易懂、示例详细直观、代码详实细致,目的就是希望帮助开发者在学习这个人工智能的过程中不那么痛苦,同时也希望用本书中具体的开发实例讲解能够帮助开发者避免困惑。本书主要考虑了两类读者。*类是准备系统地学习深度学习以进一步研究和开发的读者,书中的示例代码将更加有助于进一步理解本书所讲的内容。第二类是想比从杂志或报纸上获得更深入的深度学习信息,但不必进行实际研究的读者。书中概念和示例结果,也有助于您理解深度学习的大多数重要技术。本书共包含6章内容,可以分为3个主题。书中例子均用MATLAB编写而成。
第1个主题是机器学习。深度学习起源于机器学习,这意味着如果想要理解深度学习的本质,就必须在某种程度上知道机器学习背后的理念。第1章从机器学习与深度学习的关系开始讲起,随后是解决问题的策略和机器学习的基本局限性。深度学习如此流行,以至于关于它的资料随处可见。但往往是理论连篇,并不适合开发者具体使用,本书内容丰富实用、原理直白易懂、示例详细直观、代码详实细致,目的就是希望帮助开发者在学习这个人工智能的过程中不那么痛苦,同时也希望用本书中具体的开发实例讲解能够帮助开发者避免困惑。本书主要考虑了两类读者。*类是准备系统地学习深度学习以进一步研究和开发的读者,书中的示例代码将更加有助于进一步理解本书所讲的内容。第二类是想比从杂志或报纸上获得更深入的深度学习信息,但不必进行实际研究的读者。书中概念和示例结果,也有助于您理解深度学习的大多数重要技术。本书共包含6章内容,可以分为3个主题。书中例子均用MATLAB编写而成。 第1个主题是机器学习。深度学习起源于机器学习,这意味着如果想要理解深度学习的本质,就必须在某种程度上知道机器学习背后的理念。第1章从机器学习与深度学习的关系开始讲起,随后是解决问题的策略和机器学习的基本局限性。 第2个主题是人工神经网络这是第2~4章的重点内容。由于深度学习就是采用一种神经网络的机器学习,所以不能将神经网络与深度学习分开。第2章从神经网络的基本概念讲起:它的工作原理、体系结构和学习规则,也讲到了神经网络由简单的单层结构演化为复杂的多层结构的原因。第3章介绍了反向传播算法,它是神经网络中一种重要和典型的学习规则,深度学习也使用这种算法。本章解释了代价函数和学习规则是如何联系起来的,哪一种代价函数在深度学习中被广泛使用。第4章介绍了将神经网络应用到分类问题中的方法。其中单列一节专门讲分类,因为它是目前*流行的一种深度学习应用。例如图像识别是一个分类问题,也是深度学习的一种主要应用。 第3个主题是深度学习,也是本书的重点,将在第5章和第6章中讲解。第5章介绍了使深度学习能够产生卓越性能的驱动因素。第6章讲解了卷积神经网络,本章首先介绍了卷积神经网络的基本概念和结构,并与前面的图像识别算法进行了比较;随后解释了卷积层和池化层的作用和运算方法,它们是卷积神经网络的重要组成部分。第6章也包含了一个用卷积神经网络进行数字图像识别的例子,并研究了图像通过各层的演化过程。

内容简介

深度学习如此流行,以至于关于它的资料随处可见。但往往是理论连篇,并不适合开发者具体使用,本书内容丰富实用、原理直白易懂、示例详细直观、代码详实细致,目的就是希望帮助开发者在学习这个人工智能的过程中不那么痛苦,同时也希望用本书中具体的开发实例讲解能够帮助开发者避免困惑。本书主要考虑了两类读者。**类是准备系统地学习深度学习以进一步研究和开发的读者,书中的示例代码将更加有助于进一步理解本书所讲的内容。第二类是想比从杂志或报纸上获得更深入的深度学习信息,但不必进行实际研究的读者。书中概念和示例结果,也有助于您理解深度学习的大多数重要技术。 本书共包含6章内容,可以分为3个主题。书中例子均用MATLAB编写而成。 第1个主题是机器学习。深度学习起源于机器学习,这意味着如果想要理解深度学习的本质,就必须在某种程度上知道机器学习背后的理念。第1章从机器学习与深度学习的关系开始讲起,随后是解决问题的策略和机器学习的基本局限性。 第2个主题是人工神经网络这是第2~4章的重点内容。由于深度学习就是采用一种神经网络的机器学习,所以不能将神经网络与深度学习分开。第2章从神经网络的基本概念讲起:它的工作原理、体系结构和学习规则,也讲到了神经网络由简单的单层结构演化为复杂的多层结构的原因。第3章介绍了反向传播算法,它是神经网络中一种重要和典型的学习规则,深度学习也使用这种算法。本章解释了代价函数和学习规则是如何联系起来的,哪一种代价函数在深度学习中被广泛使用。第4章介绍了将神经网络应用到分类问题中的方法。其中单列一节专门讲分类,因为它是目前*流行的一种深度学习应用。例如图像识别是一个分类问题,也是深度学习的一种主要应用。 第3个主题是深度学习,也是本书的重点,将在第5章和第6章中讲解。第5章介绍了使深度学习能够产生卓越性能的驱动因素。第6章讲解了卷积神经网络,本章首先介绍了卷积神经网络的基本概念和结构,并与前面的图像识别算法进行了比较;随后解释了卷积层和池化层的作用和运算方法,它们是卷积神经网络的重要组成部分。第6章也包含了一个用卷积神经网络进行数字图像识别的例子,并研究了图像通过各层的演化过程。

目录

第1章 机器学习 1.1 机器学习与深度学习 1.2 什么是机器学习 1.3 机器学习的挑战 1.4 过拟合 1.5 直面过拟合 1.6 机器学习的类型 1.7 分类和回归 1.8 总 结 第2章 神经网络 2.1 概 述 2.2 神经网络节点 2.3 多层神经网络 2.4 神经网络的监督学习 2.5 单层神经网络训练:增量规则 2.6 广义增量规则 2.7 随机梯度下降算法、批量算法和小批量算法 2.7.1 随机梯度下降算法 2.7.2 批量算法 2.7.3 小批量算法 2.8 示例:增量规则 2.8.1 随机梯度下降算法的实现 2.8.2 批量算法的实现 2.8.3 随机梯度下降算法与批量算法的比较 2.9 单层神经网络的局限性 2.10 总 结 第3章 训练多层神经网络 3.1 概 述 3.2 反向传播算法 3.3 示 例 3.3.1 XOR问题 3.3.2 动量法(Momentum) 3.4 代价函数和学习规则 3.5 示 例 3.5.1 交叉熵函数 3.5.2 代价函数的比较 3.6 总 结 第4章 神经网络及其分类 4.1 概 述 4.2 二分类 4.3 多分类 4.4 示例:多分类 4.5 总 结 第5章 深度学习 5.1 概 述 5.2 深度神经网络的进化 5.2.1 梯度消失 5.2.2 过拟合 5.2.3 计算量的增加 5.3 示 例 5.3.1 ReLU 函数 5.3.2 节点丢弃 5.4 总 结 第6章 卷积神经网络 6.1 概 述 6.2 卷积神经网络的架构 6.3 卷积层 6.4 池化层 6.5 示例:MNIST 6.6 总 结 索 引
展开全部

作者简介

作者简介: Phil Kim,博士,从事无人驾驶飞机自主飞行算法和机载软件的开发和研制工作。同时,他作为一名经验丰富的MATLAB程序员,一直致力于使用MATLAB进行人工智能、深度学习的大数据集绘制和分析算法的研究,先后在美国出版了MATLAB Deep Learning: with Machine Learning, Neural Networks and Artificial Intelligence和Deep Learning for Beginners: with MATLAB Examples 等书籍,在人工智能和MATLAB领域享有较高声誉。 译者简介: 邹伟,副研究员,北京睿客邦科技有限公司CEO,并成立了中科院邹博人工智能研究中心(杭州站)等产研机构;研究方向为机器学习、数据挖掘、计算几何等领域,研究成果已成功应用于大型气象设备的图像与文本挖掘、金融产品AI化、股票交易与预测、高速公路流量预测和分析、传统农资产品价格预测和决策等领域;获得发明专利4项,著作权3个。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航