《深度学习基础与案例教程》主要介绍深度学习基础理论及案例实战，共11章内容，从人工智能基础，到深度学习算法原理，再到深度学习项目实战，逻辑清晰，由浅入深，内容层次分明，从简单的线性模型引出非线性的深度学习模型。深度学习模型部分主要讲解卷积神经网络、循环神经网络、Transformer模型、生成对抗网络、迁移学习等。《深度学习基础与案例教程》在介绍理论内容时配有公式推导和详细的阐述，便于读者理解。在项目实战方面，本书每个算法理论都对应一个案例进行巩固，并在最后两章结合深度学习的两大领域——自然语言处理与计算机视觉，选取电影评论情感分析与图像分类作为全书的综合实战项目，对全书内容进行总结。《深度学习基础与案例教程》基于TensorFlow框架开发，代码简洁明了，每个项目实战案例都配有完整的项目实现代码，并对代码进行了详细的注解。《深度学习基础与案例教程》可以作为高等院校人工智能相关专业本科生、研究生的入门教材，也可作为相关工程技术人员的参考书。
1.涉及人工智能基础、深度学习算法原理、深度学习项目实战。2.在介绍理论内容时配有公式推导和详细的阐述。3.每个算法理论都对应一个案例进行巩固。
深度学习作为机器学习的一个重要分支，近年来在人工智能领域取得了显著的突破和进展。凭借强大的表示学习和特征学习能力，深度学习在图像识别、语音识别、自然语言处理等多个领域取得了超越传统方法的性能表现。随着大数据、高性能计算和算法理论的不断发展，深度学习的应用范围和影响力也在不断扩大，目前已经被广泛应用于各个领域。为了满足社会对相关人才的需求，亟待提高学生对深度学习及其技术的理解和掌握能力，提升模型综合应用能力。《深度学习基础与案例教程》首先对人工智能基础进行概述，由浅入深地介绍深度学习的基础知识，以简单的线性模型作为切入点，逐步过渡到非线性的神经网络。《深度学习基础与案例教程》对深度学习几大经典算法进行了细致的讲解，包括用于处理图像数据的卷积神经网络，用于处理序列数据的循环神经网络和Transformer模型。除深度学习领域的经典算法外，《深度学习基础与案例教程》还详细阐述了深度学习中的几种处理问题的思路，包括迁移学习、生成对抗网络，帮助读者建立解决问题的思维模式。最后，《深度学习基础与案例教程》结合讲解过的深度学习技术与实际生活中的场景，提供两个综合案例来进行巩固提升。第一个案例是电影评论情感分析，涉及循环神经网络和文本语义处理等知识的综合应用。第二个案例是图像分类，涉及卷积神经网络及图像处理、数据可视化、模型的部署等知识的综合应用。《深度学习基础与案例教程》特点鲜明，算法理论与实战相结合。在每个算法理论讲解完成后，都会通过一个案例对算法理论进行巩固，并为案例提供了详细的解析步骤，从而加深读者对理论的理解。最后，通过两个综合实战对全书内容进行总结，涵盖深度学习的两大领域，即自然语言处理与计算机视觉。《深度学习基础与案例教程》的第1~7章主要由迟殿委编写，第8章主要由徐红梅、黄茵茵、刘梦瑶编写，第9~11章主要由贾泽豪编写，教材课件制作和文档资料整理由刘丽贞负责，刘衍琦、黄琪、孔德昱、黄甜甜、杜广勋参与了项目代码调试和整理工作。迟殿委对全文进行了统一的内容校对与格式编辑。《深度学习基础与案例教程》基于TensorFlow框架编写深度学习经典算法，环境搭建步骤清晰、简洁，易于上手，重点放在算法理解和应用。《深度学习基础与案例教程》配套了全部源代码、电子课件、教学大纲等教学资源，可以作为高等院校人工智能相关专业教材或教参用书，也可以作为工程师的参考用书。感谢各位读者对本书的关注和实践。在编写过程中，由于技术的快速发展，书中可能存在一些不足之处。我们诚挚地欢迎读者们提出宝贵的反馈意见，以帮助我们不断完善和改进教材内容及案例。
迟殿委，计算机软件与理论专业硕士，副教授、高级工程师。有丰富企业软件研发经验和技术培训经验，企业系统架构设计师。研究方向为机器学习，已出版多部与大数据分析与挖掘相关教材，发表与深度学习相关学术论文10余篇。立项省厅级教学改革课题1项，立项协同育人项目1项，参与厅级项目多项。发表SCI、EI检索论文10余篇，立项厅级项目2项。
前言第1章人工智能基础11人工智能简介111人工智能的背景112人工智能的历史113人工智能的定义12人工智能的特征13人工智能参考框架14人工智能研究内容141研究领域142人工智能算法及分类15人工智能研究方向151知识图谱152自然语言处理153人机交互154计算机视觉16思考与练习第2章机器学习与深度学习入门21机器学习简介211什么是机器学习212机器学习的发展史213机器学习的分类22机器学习的基础理论221机器学习三要素与核心222机器学习开发流程22315种经典机器学习算法224机器学习常用术语23深度学习简介231什么是深度学习232深度学习开发框架233TensorFlow框架介绍24人工智能、机器学习、深度学习的关系25思考与练习第3章线性模型31线性回归算法311线性回归简介312回归算法的评价指标32梯度下降法321算法理解322随机梯度下降法理论323案例：波士顿房价预测实战33过拟合331过拟合产生的原因332常见线性回归正则化方法333案例：波士顿房价预测正则化实战34逻辑斯谛回归341逻辑斯谛回归算法342案例：求职录用情况回归实战35SVM351SVM算法概述352案例：面部识别应用实战36思考与练习第4章神经网络基础41神经网络简介411神经网络理论412发展历史及现状413发展趋向及前沿问题414神经网络的学习方法415神经网络的研究趋势42感知机421单层感知机422多层感知机43全连接神经网络431全连接神经网络与多层感知机432全连接神经网络的结构44BP神经网络441梯度下降法442反向传播算法443案例：基于BP神经网络模型的房价预测实战45Dropout正则化46批标准化461批标准化的实现方式462批标准化的使用方式463案例：手写数字识别分类实战47思考与练习第5章卷积神经网络51卷积神经网络简介511什么是卷积神经网络512卷积神经网络的基本模型513卷积神经网络典型的应用开发流程52AlexNet模型521AlexNet模型简介522AlexNet的特点523AlexNet的网络结构524案例：基于AlexNet的Cifar10分类实战53VGGNet模型531 VGGNet模型简介532 VGG16的网络架构533案例：基于VGG16的Cifar10分类实战54ResNet模型541ResNet模型简介542残差学习543ResNet的网络结构544案例：基于ResNet的Cifar10分类实战55DenseNet模型551DenseNet模型简介552DenseNet的结构553案例：基于DenseNet的猫狗图像分类实战56思考与练习第6章循环神经网络61循环神经网络简介611什么是循环神经网络612循环神经网络的结构613案例：基于循环神经网络的文本情感分析实战62LSTM模型621LSTM简介622LSTM结构623BiLSTM624案例：基于LSTM的文本情感分析实战63思考与练习第7章Transformer模型71自注意力机制72自编码器721自编码器简介722最简单的自编码器723案例：基于自编码器的MNIST数据集重建实战73Transformer机制及应用731Transformer机制732Transformer模型的应用及研究进展733案例：Transformer编码器的简单实现74思考与练习第8章生成对抗网络81生成对抗网络简介811GAN模型812案例：基于GAN的手写数字识别实战82DCGAN821DCGAN模型822案例：基于DCGAN的手写数字数据生成83CGAN831CGAN模型832案例：基于CGAN的手写数字数据生成84思考与练习第9章迁移学习91迁移学习简介911迁移学习的背景912迁移学习的理论913迁移学习的分类914迁移学习的实现方法915应用、挑战及意义916案例：基于迁移学习的Cifar10分类实战92迁移学习的应用921迁移学习在深度学习中的应用922迁移学习在强化学习中的应用93思考与练习第10章综合实战——电影评论情感分析101文本分类综述1011背景1012文本分类的概念102项目实现过程1021词嵌入向量1022IMDb数据集及处理1023使用RNN进行情感分析1024使用LSTM进行情感分析103思考与练习第11章综合实战——图像分类111项目需求和数据集1111项目需求1112数据集112项目实现过程1121导入数据包1122处理数据1123搭建神经网络1124设置优化器、损失函数1125存取模型、断点续训1126保存参数1127可视化1128预测测试集1129打包程序113思考与练习参考文献
新书资讯
