《深度学习之美：AI时代的数据处理与最佳实践》内容简介与阅读建议

Name: 深度学习之美：AI时代的数据处理与最佳实践
Author: 张玉宏
ISBN: 9787121342462

获取这本书 暂无已核验电子书资源

下载

作者: 张玉宏
分类: 科技技术
出版年份: 2018
出版社: 电子工业出版社
页数: 682 页
语言: 中文
豆瓣评分: ★ 7.7

深度学习人工智能计算机类

《深度学习之美：AI时代的数据处理与最佳实践》内容简介

深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和实践，全书共分16章，采用理论和实践双主线写作方式。

《深度学习之美：AI时代的数据处理与最佳实践》书籍信息摘要

《深度学习之美：AI时代的数据处理与最佳实践》内容简介与阅读建议，作者张玉宏，科技技术，2018年。获取前建议核对作者、出版社、年份、ISBN、版本和正版渠道。相关主题：深度学习、人工智能、计算机类。

作者：张玉宏
分类：科技技术
出版年份：2018
出版社：电子工业出版社
页数：682 页
语言：中文
格式：暂无已核验合规下载格式

《深度学习之美：AI时代的数据处理与最佳实践》适合哪些读者？

适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。评分 7.7 可作为选书参考。

查看张玉宏的作品顺序浏览科技技术书籍查看“深度学习”相关书籍读完这本读什么查看书籍排行榜

获取建议

《深度学习之美：AI时代的数据处理与最佳实践》怎么获取更合适？

优先确认版本和阅读目的；下载区只展示已核验的公版、授权、开放许可或官方试读资源。

下载

暂无已核验电子书资源；本站不展示未授权完整文件。

下载

版本

优先选择作者、译者、出版社、出版年份和 ISBN 信息明确的版本；经典作品可优先选择校注、导读或权威出版社版本。

第1章一入侯门“深”似海，深度学习深几许 ........... 1
1.1 深度学习的巨大影响 .....................................2
1.2 什么是学习 ..... 4
1.3 什么是机器学习 ........................................... 4
1.4 机器学习的4个象限 ......................................5
1.5 什么是深度学习 .......................................... 6
1.6 “恋爱”中的深度学习 .................................... 7
1.7 深度学习的方法论 .......................................9

展开全部（共 136 章节）

1.8 有没有浅层学习 ..........................................13
1.9 本章小结 ....... 14
1.10 请你思考 ..... 14
参考资料 ................ 14
第2章人工“碳”索意犹尽，智能“硅”来未可知 . 16
2.1 信数据者得永生吗 .....................................17
2.2 人工智能的“江湖定位”............................... 18
2.3 深度学习的归属 ........................................19
2.4 机器学习的形式化定义 ...............................21
2.5 为什么要用神经网络 ...................................24
2.6 人工神经网络的特点 .................................. 26
2.7 什么是通用近似定理 .................................. 27
2.8 本章小结 ....... 31
2.9 请你思考 ....... 31
参考资料 ................ 31
第3章 “机器学习”三重门，“中庸之道”趋若人 ... 33
3.1 监督学习 ....... 34
3.1.1 感性认知监督学习 ..................................34
3.1.2 监督学习的形式化描述 ........................... 35
3.1.3 k-近邻算法 ...........................................37
3.2 非监督学习 ... 39
3.2.1 感性认识非监督学习 .............................. 39
3.2.2 非监督学习的代表—K均值聚类 ........... 41
3.3 半监督学习 ... 45
3.4 从“中庸之道”看机器学习............................ 47
3.5 强化学习 ....... 49
3.6 本章小结 ....... 52
3.7 请你思考 ....... 53
参考资料 ................ 53
第4章人生苦短对酒歌，我用Python乐趣多 ........55
4.1 Python概要 ... 56
4.1.1 为什么要用Python ................................. 56
4.1.2 Python中常用的库 ..................................58
4.2 Python的版本之争 .....................................61
4.3 Python环境配置 ....................................... 65
4.3.1 Windows下的安装与配置 .........................65
4.3.2 Mac下的安装与配置 .................................72
4.4 Python编程基础 ....................................... 76
4.4.1 如何运行Python代码 ................................77
4.4.2 代码缩进 ................................................79
4.4.3 注释 ... 80
4.4.4 Python中的数据结构 ................................ 81
4.4.5 函数的设计 ............................................. 93
4.4.6 模块的导入与使用 .................................... 101
4.4.7 面向对象程序设计 .................................... 102
4.5 本章小结 ..... 112
4.6 请你思考 ..... 112
参考资料 .............. 113
第5章机器学习终觉浅，Python带我来实践 ......... 114
5.1 线性回归 ..... 115
5.1.1 线性回归的概念 .......................................115
5.1.2 简易线性回归的Python实现详解 ........... 119
5.2 k-近邻算法 .. 139
5.2.1 k-近邻算法的三个要素 ............................. 140
5.2.2 k-近邻算法实战 .......................................143
5.2.3 使用scikit-learn实现k-近邻算法 ............ 155
5.3 本章小结 ..... 162
5.4 请你思考 ..... 162
参考资料 .............. 162
第6章神经网络不胜语，M-P模型似可寻 ............. 164
6.1 M-P神经元模型是什么 ................................165
6.2 模型背后的那些人和事 .................................167
6.3 激活函数是怎样的一种存在............................175
6.4 什么是卷积函数 ..........................................176
6.5 本章小结 ..... 177
6.6 请你思考 ..... 178
参考资料 .............. 178
第7章 Hello World感知机，懂你我心才安息 ......... 179
7.1 网之初，感知机 ...........................................180
7.2 感知机名称的由来 ........................................180
7.3 感性认识“感知机” ........................................183
7.4 感知机是如何学习的 ......................................185
7.5 感知机训练法则 ............................................187
7.6 感知机的几何意义 .........................................190
7.7 基于Python的感知机实战 ..............................191
7.8 感知机的表征能力 .........................................196
7.9 本章小结 ..... 199
7.10 请你思考 ... 199
参考资料 .............. 199
第8章损失函数减肥用，神经网络调权重 ............201
8.1 多层网络解决“异或”问题........................... 202
8.2 感性认识多层前馈神经网络........................ 205
8.3 是浅而“胖”好，还是深而“瘦”佳 ................. 209
8.4 分布式特征表达 ......................................... 210
8.5 丢弃学习与集成学习 ................................... 211
8.6 现实很丰满，理想很骨感.............................. 212
8.7 损失函数的定义 ......................................... 213
8.8 热力学定律与梯度弥散 ................................ 215
8.9 本章小结 ..... 216
8.10 请你思考 ... 216
参考资料 .............. 217
第9章山重水复疑无路，最快下降问梯度 .............. 219
9.1 “鸟飞派”还飞不 ......................................... 220
9.2 1986年的那篇神作 .................................... 221
9.3 多层感知机网络遇到的大问题 ....................... 222
9.4 神经网络结构的设计 ................................... 225
9.5 再议损失函数 ............................................ 227
9.6 什么是梯度 . 229
9.7 什么是梯度递减 .......................................... 231
9.8 梯度递减的线性回归实战............................... 235
9.9 什么是随机梯度递减 .................................... 238
9.10 利用SGD解决线性回归实战 ........................ 240
9.11 本章小结 ... 247
9.12 请你思考 ... 248
参考资料 .............. 248
第10章 BP算法双向传，链式求导最缠绵 ............. 249
10.1 BP算法极简史 ........................................... 250
10.2 正向传播信息 ............................................ 251
10.3 求导中的链式法则 ...................................... 255
10.4 误差反向传播 ............................................ 264
10.4.1 基于随机梯度下降的BP算法 .............. 265
10.4.2 输出层神经元的权值训练 ..................... 267
10.4.3 隐含层神经元的权值训练 ..................... 270
10.4.4 BP算法的感性认知 ............................... 273
10.4.5 关于BP算法的补充说明 ...................... 278
10.5 BP算法实战详细解释 ................................ 280
10.5.1 初始化网络 .......................................... 280
10.5.2 信息前向传播 ....................................... 282
10.5.3 误差反向传播 ....................................... 285
10.5.4 训练网络(解决异或问题) ................. 288
10.5.5 利用BP算法预测小麦品种的分类 ...... 293
10.6 本章小结 ... 301
10.7 请你思考 ... 302
参考资料 .............. 304
第11章一骑红尘江湖笑，TensorFlow谷歌造 ....... 305
11.1 TensorFlow概述 ..................................... 306
11.2 深度学习框架比较 ..................................... 309
11.2.1 Theano .............................................. 309

合规获取说明

当前暂无已核验电子书资源。若是商业出版物，建议优先通过出版社、书店或官方电子书平台获取。

常见问题

《深度学习之美：AI时代的数据处理与最佳实践》适合谁读？

适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。评分 7.7 可作为选书参考。

《深度学习之美：AI时代的数据处理与最佳实践》阅读难度高吗？

建议先看简介、目录、作者和相关书籍，再判断是否适合当前阶段阅读。

《深度学习之美：AI时代的数据处理与最佳实践》纸质书值得买吗？

当前暂未接入已核验的纸质书购买链接，建议通过出版社、京东、当当等正版渠道核对版本后购买。

《深度学习之美：AI时代的数据处理与最佳实践》哪个版本更适合？

优先选择作者、译者、出版社、出版年份和 ISBN 信息清楚的版本；经典作品可优先选择校注、导读或权威出版社版本。

在哪里可以合法获取《深度学习之美：AI时代的数据处理与最佳实践》？

当前没有确认授权的电子书下载资源，也暂未接入已核验购买链接；商业出版物不提供未授权下载，建议通过出版社、京东、当当或官方电子书平台核对获取。

如何继续查找《深度学习之美：AI时代的数据处理与最佳实践》相关书籍？

可以进入张玉宏作者页查看其他作品，也可以通过分类、标签、排行榜、人工推荐和“读完这本还可以读”继续发现相近主题。