注册 | 登录读书好,好读书,读好书!
读书网-DuShu.com
当前位置: 首页出版图书科学技术计算机/网络人工智能图解深度学习:可视化、交互式的人工智能指南(英文版 全彩印刷)

图解深度学习:可视化、交互式的人工智能指南(英文版 全彩印刷)

图解深度学习:可视化、交互式的人工智能指南(英文版 全彩印刷)

定 价:¥199.00

作 者: [美] 乔恩·克罗恩(Jon Krohn) 著
出版社: 人民邮电出版社
丛编项:
标 签: 暂缺

购买这本书可以去


ISBN: 9787115555564 出版时间: 2021-04-01 包装: 平装
开本: 16开 页数: 345 字数:  

内容简介

  本书利用精美的插图和有趣的类比,对深度学习的主流技术和背后的原理进行了深入浅出的讲解,解释了什么是深度学习,深度学习流行的原因,以及深度学习与其他机器学习方法的关系。阅读本书,读者可以掌握卷积神经网络、循环神经网络、生成式对抗网络和深度强化学习等热门技术,学习TensorFlow、Keras和PyTorch等热门工具的使用,同时能够更深刻地理解计算机视觉、自然语言处理和游戏等领域的人工智能应用。本书还提供了简单明了的示例和代码,能够帮助读者动手实践。本书适合人工智能、机器学习、深度学习等领域的开发人员、数据科学家、研究人员、分析师和学生阅读。

作者简介

  乔恩.克罗恩(Jon Krohn)是untapt机器学习公司的首席数据科学家。他参与了一系列由Addison-Wesley发布的广受好评的教程,包括用TensorFlow进行深度学习和利用深度学习进行自然语言处理的直播课程。Jon Krohn在纽约市数据科学学院讲授深度学习课程,并担任哥伦比亚大学的客座讲师。他曾获牛津大学神经科学博士学位,2010年以来,在Advances in Neural Information Processing Systems等重要同行评议期刊上发表了多篇机器学习方面的研究论文。 格兰特.贝勒费尔德(Grant Beyleveld)是untapt机器学习公司的一名数据科学家,他负责的工作是利用深度学习进行自然语言处理。他获得了纽约市Mount Sinai医院Icahn医学院的生物医学博士学位,研究过病毒和宿主之间的关系。他是深度学习研究小组(Deep Learning Group)的创始成员。 阿格莱.巴森斯(Aglaé Bassens)是一位居住在巴黎的比利时艺术家。她曾在牛津大学Ruskin美术学院和伦敦大学Slade美术学院研修美术。除了插图工作外,她还擅长绘制静物画和壁画。

图书目录

I Introducing Deep Learning / 深度学习简介   1
1 Biological and Machine Vision / 生物与机器视角 3
Biological Vision / 生物视角 3
Machine Vision / 机器视角 8
The Neocognitron / 新认知机 8
LeNet-5 / 卷积神经网络 LeNet-5 9
The Traditional Machine Learning Approach / 传统机器学习方法 12
ImageNet and the ILSVRC / 大规模视觉数据库ImageNet和视觉识别挑战赛ILSVRC 13
AlexNet / 卷积神经网络 AlexNet 14
TensorFlow Playground/ 开源软件库TensorFlow 17
Quick, Draw! / 涂鸦小游戏Quick, Draw! 19
小结 19
2 Human and Machine Language / 人机语言 21
Deep Learning for Natural Language Processing / 自然语言处理中的深度学习 21
Deep Learning Networks Learn Representations Automatically / 深度学习网络自动学习表示 22
Natural Language Processing / 自然语言处理 23
A Brief History of Deep Learning for NLP/自然语言处理深度学习简史24
Computational Representations of Language / 语言的计算表示 25
One-Hot Representations of Words / 单词的独热表示 25
Word Vectors / 词向量 26
Word-Vector Arithmetic / 词向量算法 29
word2viz / 词向量工具 word2viz 30
Localist Versus Distributed Representations / 局部化与分布式表示32
Elements of Natural Human Language / 自然人类语言要素 33
Google Duplex / Google Duplex 35
Summary / 小结 37
3 Machine Art / 机器艺术 39
A Boozy All-Nighter / 一个热闹的通宵 39
Arithmetic on Fake Human Faces / 假人脸算法 41
Style Transfer: Converting Photos into Monet (and Vice
Versa) / 风格迁移:照片与莫奈风格间的相互转移 44
Make Your Own Sketches Photorealistic / 让草图更加真实 45
Creating Photorealistic Images from Text / 基于文本创建真实图片 45
Image Processing Using Deep Learning / 基于深度学习的图像处理 46
Summary / 小结 48
4 Game-Playing Machines / 人机博弈 49
Deep Learning, AI, and Other Beasts / 深度学习、人工智能和其他技术49
Artificial Intelligence / 人工智能 49
Machine Learning / 机器学习 50
Representation Learning / 表示学习 51
Artificial Neural Networks / 人工神经网络 51
Deep Learning / 深度学习 51
Machine Vision / 机器视觉 52
Natural Language Processing / 自然语言处理 53
Three Categories of Machine Learning Problems / 机器学习问题的3种类型 53
Supervised Learning / 监督学习 53
Unsupervised Learning / 无监督学习 54
Reinforcement Learning / 强化学习 54
Deep Reinforcement Learning / 深度强化学习 56
Video Games / 视频游戏 57
Board Games / 棋盘游戏 59
AlphaGo / AlphaGo 59
AlphaGo Zero / AlphaGo Zero 62
AlphaZero / AlphaZero 65
Manipulation of Objects / 目标操控 67
Popular Deep Reinforcement Learning Environments /
流行的深度强化学习环境 68
OpenAI Gym / OpenAI Gym 68
DeepMind Lab / DeepMind 实验室 69
Unity ML-Agents / Unity ML-Agents 71
Three Categories of AI / 人工智能的3种类型 71
Artificial Narrow Intelligence / 狭义人工智能 72
Artificial General Intelligence / 广义人工智能 72
Artificial Super Intelligence / 超级人工智能 72
Summary / 小结 72
II Essential Theory Illustrated / 图解深度学习基本理论 73
5 The (Code) Cart Ahead of the (Theory) Horse / 先代码后理论 75
Prerequisites / 预备知识 75
Installation / 安装 76
A Shallow Network in Keras / Keras构建浅层网络 76
The MNIST Handwritten Digits / MNIST 手写数字 76
A Schematic Diagram of the Network / 网络示意图 77
Loading the Data / 加载数据 79
Reformatting the Data / 重新格式化数据 81
Designing a Neural Network Architecture / 设计神经网络架构 83
Training a Deep Learning Model / 训练深度学习模型 83
Summary / 小结 84
6 Artificial Neurons Detecting Hot Dogs / 人工神经元热狗感知机85
Biological Neuroanatomy 101 / 生物神经元 85
The Perceptron / 感知机 86
The Hot Dog / Not Hot Dog Detector / 热狗感知机/非热狗感知机 86
The Most Important Equation in This Book / 本书最重要的等式 90
Modern Neurons and Activation Functions / 现代神经元与激活函数 91
The Sigmoid Neuron / Sigmoid 神经元 92
The Tanh Neuron / Tanh 神经元 94
ReLU: Rectified Linear Units / ReLU 神经元 94
Choosing a Neuron / 选择神经元 96
Summary / 小结 96
Key Concepts / 核心概念 97
7 神经网络 99
The Input Layer / 输入层 99
Dense Layers / 全连接层 99
A Hot Dog-Detecting Dense Network / 热狗感知全连接网络 101
Forward Propagation Through the First Hidden Layer /
第 一个隐藏层的正向传播 102
Forward Propagation Through Subsequent Layers /
其他层的正向传播 103
The Softmax Layer of a Fast Food-Classifying Network /
快餐分类网络的Softmax层 106
Revisiting Our Shallow Network / 回归浅层网络 108
Summary / 小结 109
Key Concepts / 核心概念 110
8 Training Deep Networks / 深度网络训练 110
Cost Functions / 损失函数 111
Quadratic Cost / 二次方损失函数 112
Saturated Neurons / 神经元饱和 112
Cross-Entropy Cost / 交叉熵损失函数 113
Optimization: Learning to Minimize Cost / 优化:学习最小化损失 115
Gradient Descent / 梯度下降 115
Learning Rate / 学习率 117
Batch Size and Stochastic Gradient Descent /
批量大小和随机梯度下降 119
Escaping the Local Minimum / 解决局部最小问题 122
Backpropagation / 反向传播 124
Tuning Hidden-Layer Count and Neuron Count /
调整隐藏层层数和神经元数量 125
An Intermediate Net in Keras / Keras构建中等深度的神经网络 127
Summary / 小结 129
Key Concepts / 核心概念 130
9 Improving Deep Networks / 深度网络改进 131
Weight Initialization / 权重初始化 131
Xavier Glorot Distributions / Xavier Glorot 分布 135
Unstable Gradients / 不稳定梯度 137
Vanishing Gradients / 梯度消失 137
Exploding Gradients / 梯度爆炸 138
Batch Normalization / 批量归一化 138
Model Generalization (Avoiding Overfitting) /
模型泛化(避免过拟合)140
L1 and L2 Regularization / L1 和 L2 正则化 141
Dropout / Dropout 142
Data Augmentation / 数据增强 145
Fancy Optimizers / 优化器 145
Momentum / 动量 145
Nesterov Momentum / Nesterov 动量 146
AdaGrad / AdaGrad 146
AdaDelta and RMSProp / AdaDelta 和 RMSProp 146
Adam / Adam 147
A Deep Neural Network in Keras /
Keras构建深度神经网络 147
Regression / 回归 149
TensorBoard / TensorBoard 152
Summary / 小结 154
Key Concepts / 核心概念 155
III Interactive Applications of Deep
Learning / 深度学习的交互应用 157
10 Machine Vision / 机器视觉 159
Convolutional Neural Networks / 卷积神经网络 159
The Two-Dimensional Structure of Visual Imagery /
视觉图像二维结构 159
Computational Complexity / 计算复杂度 160
Convolutional Layers / 卷积层 160
Multiple Filters / 多个卷积核 162
A Convolutional Example / 卷积示例 163
Convolutional Filter Hyperparameters /卷积核的超参数 168
Pooling Layers / 池化层 169
LeNet-5 in Keras / Keras实现LeNet-5 171
AlexNet and VGGNet in Keras /
Keras实现AlexNet和VGGNet 176
Residual Networks / 残差网络 179
Vanishing Gradients: The Bête Noire of Deep CNNs /
梯度消失:深度 CNNs 最大的缺点 179
Residual Connections / 残差连接 180
ResNet / 残差网络 182
Applications of Machine Vision / 机器视角的应用 182
Object Detection / 目标检测 183
Image Segmentation / 图像分割 186
Transfer Learning / 迁移学习 188
Capsule Networks / 胶囊网络 192
Summary / 小结 193
Key Concepts / 核心概念 193
11 Natural Language Processing /
自然语言处理 195
Preprocessing Natural Language Data /
自然语言数据预处理 195
Tokenization / 标记化 197
Converting All Characters to Lowercase /
字符小写转换 199
Removing Stop Words and Punctuation /
停用词和符号的删除 200
Stemming / 词干提取 201
Handling n-grams / 处理 n-grams 202
Preprocessing the Full Corpus / 完整语料库预处理 203
Creating Word Embeddings with word2vec /
word2vec实现词嵌入 206
The Essential Theory Behind word2vec /
word2vec 背后的基本理论 206
Evaluating Word Vectors / 词向量评估 209
Running word2vec / word2vec 的运行 209
Plotting Word Vectors / 词向量的绘制 213
The Area under the ROC Curve / ROC曲线下的面积 217
The Confusion Matrix / 混淆矩阵 218
Calculating the ROC AUC Metric / 计算 ROC AUC 219
Natural Language Classification with Familiar Networks /
常见网络实现自然语言分类 222
Loading the IMDb Film Reviews /加载 IMDb 电影评论 222
Examining the IMDb Data / 检查 IMDb 数据 226
Standardizing the Length of the Reviews /评论长度标准化 228
Dense Network / 全连接网络 229
Convolutional Networks / 卷积网络 235
Networks Designed for Sequential Data / 序列数据的网络设计 240
Recurrent Neural Networks / 循环神经网络 240
Long Short-Term Memory Units /
长短期记忆网络架构 244
Bidirectional LSTMs / 双向 LSTM 247
Stacked Recurrent Models / 堆叠循环神经网络 248
Seq2seq and Attention /
Seq2seq 模型和注意力机制 250
Transfer Learning in NLP / 自然语言处理迁移学习 251
11.6 Non-sequential Architectures: The Keras Functional
API / 非序列架构——Keras功能性API 251
11.7 Summary / 小结 256
11.8 Key Concepts / 核心概念 257
12 Generative Adversarial Networks /
生成式对抗网络 259
Essential GAN Theory / 生成式对抗网络基本理论 259
The Quick, Draw! Dataset /
涂鸦小游戏The Quick, Draw!数据集 263
The Discriminator Network / 判别器网络 266
The Generator Network / 生成器网络 269
The Adversarial Network / 对抗网络 272
GAN Training / 生成式对抗网络训练 275
Summary / 小结 281
Key Concepts / 核心概念 282
13 Deep Reinforcement Learning /深度强化学习 283
Essential Theory of Reinforcement Learning /
强化学习基本理论 283
The Cart-Pole Game / Cart-Pole 游戏 284
Markov Decision Processes / 马尔可夫决策过程 286
The Optimal Policy / 最优策略 288
Essential Theory of Deep Q-Learning Networks /
深度Q学习网络基本理论 290
Value Functions / 值函数 291
Q-Value Functions / Q 值函数 291
Estimating an Optimal Q-Value / 估计最优 Q 值 291
Defining a DQN Agent / 定义DQN智能体 293
Initialization Parameters / 初始化参数 295
Building the Agent’s Neural Network Model /
构建智能体的神经网络模型 297
Remembering Gameplay / 记忆游戏 298
Training via Memory Replay / 记忆重播训练 298
Selecting an Action to Take / 选择要采取的行动 299
Saving and Loading Model Parameters /
保存和加载模型参数 300
Interacting with an OpenAI Gym Environment /
OpenAI Gym环境交互 300
Hyperparameter Optimization with SLM Lab /
SLM Lab超参数优化 303
Agents Beyond DQN / DQN以外智能体 306
Policy Gradients and the REINFORCE Algorithm /
策略梯度和强化算法 307
The Actor-Critic Algorithm / Actor-Critic 算法 307
Summary / 小结 308
Key Concepts / 核心概念 309
IV You and AI / 你与人工智能 311
14 Moving Forward with Your Own Deep Learning
Projects 创建和推进专属于你的深度学习项目 313
Ideas for Deep Learning Projects / 深度学习项目思想 313
Machine Vision and GANs /
机器视觉和生成式对抗网络 313
Natural Language Processing / 自然语言处理 315
Deep Reinforcement Learning / 深度强化学习 316
Converting an Existing Machine Learning Project /
转换现有的机器学习项目 316
Resources for Further Projects / 项目源 317
Socially Beneficial Projects / 社会公益项目 318
The Modeling Process, Including Hyperparameter Tuning /
建模和超参数调优 318
Automation of Hyperparameter Search /
超参数的自动搜索 321
Deep Learning Libraries / 深度学习库 321
Keras and TensorFlow / Keras 和 TensorFlow 321
PyTorch / PyTorch 323
MXNet, CNTK, Caffe, and So On /
MXNet、CNTK、Caffe 等 324
Software 2.0 / 软件2.0 324
Approaching Artificial General Intelligence /
走进广义人工智能 326
Summary / 小结 328
V Appendices / 附录 331
A Formal Neural Network Notation /
神经网络符号 333
B Backpropagation / 反向传播 335
C PyTorch / PyTorch 339
PyTorch Features / Pytorch特征 339
Autograd System / AutoGrade 机制 339
Define-by-Run Framework / 运行定义框架 339
PyTorch Versus TensorFlow /
PyTorch 与 TensorFlow 对比 340
PyTorch in Practice / PyTorch的实践 341
PyTorch Installation / PyTorch 的安装 341
The Fundamental Units Within PyTorch /
PyTorch 的基本单位 341
Building a Deep Neural Network in PyTorch /
PyTorch 实现一个深度神经网络 343

本目录推荐