Нейронные сети и глубокое обучение - внедренные на основе структуры Tensorflow и технологии Python
Цена: 706руб. (¥33.4)
Артикул: 597675159545
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥63.41 340руб.
¥61.91 308руб.
¥38.5814руб.
¥61.31 296руб.
......
Глава 1 Введение 1
1.1 Искусственный интеллект 2
1.2 Машинное обучение 3
1.2.1 Обучение под наблюдением 3
1.2.2 Обучение без учителя 3
1.2.3 Полуконтролируемое обучение 4
1.3 Глубокое обучение 4
1.3.1 Сверточная нейронная сеть 4
1.3.2 Рекуррентная нейронная сеть 5
1.4 Инструменты реализации 6
1.4.1 Python 6
1.4.2 TensorFlow 6
Глава 2 Основы Python 9
2.1 Введение в Python 10
2.1.1 Обзор 10
2.1.2 Особенности Python 10
2.1.3 Питон версии 11
2.2 Установка Python 11
2.2.1 Загрузка и установка с официального сайта Python 11
2.2.2 Установка Анаконды 14
2.3 Редактор Spyder 16
2.3.1 Интерфейс Spyder 16
2.3.2 Сочетания клавиш Spyder 19
2.4 Основы Python 19
2.4.1 Основной синтаксис 20
2.4.2 Основные типы данных и операции 23
2.4.3 Списки, кортежи и строки 25
2.4.4 Словари и сборники 32
2.4.5 Ветви и циклы 35
2.4.6 Функции и классы 37
2.4.7 Модуль 40
Глава 3. Базовая библиотека Python 43
3.1 Библиотека Numpy 44
3.1.1 Создание массивов 44
3.1.2 класс 47
3.1.3 Операции с массивами 48
3.1.4 Операции с фигурами 55
3.2 Библиотека Matplotlib 58
3.2.1 Быстрое рисование 58
3.2.2 Построение многоосных графиков 61
3.2.3 Рисование 3D-схем 64
3.3 Библиотека Scipy 67
3.3.1 scipy.io 67
3.3.2 scipy.linalg 68
3.3.3 scipy.fftpack 69
3.3.4 scipy.optimize 70
3.3.5 scipy.interpolate 71
3.3.6 scipy.stats 72
Глава 4. Основы TensorFlow 75
4.1 Обзор 76
4.2 Установка TensorFlow 77
4.3 Основные понятия TensorFlow 79
4.3.1 График и сеанс 79
4.3.2 placeholder 82
4.3.3 tensor 82
4.3.4 Variable 85
4.3.5 выборка и подача 87
4.4 MNIST 89
4.4.1 Введение в MNIST 89
4.4.2 Анализ MNIST 90
Глава 5. Основы нейронной сети 95
5.1 Обзор нейронных сетей 96
5.1.1 Часто используемые термины для нейронных сетей 97
5.1.2 Модель нейронной сети 99
5.1.3 Работа нейронных сетей 99
5.1.4 Характеристики нейросетевого алгоритма 100
5.2 Модель нейрона 101
5.3 Функция активации 103
5.4.1 сигмовидная функция 104
5.4.2 функция Тан 104
5.4.3 Функция ReLU 105
5.4.4 функция softmax 106
5.4 Функция потерь 106
5.4.1 Функция среднеквадратической ошибки 106
5.4.2 Функция перекрестной энтропии 107
5.5 Алгоритм градиентного спуска 107
5.5.1 Вывод алгоритма градиентного спуска 108
5.5.2 Типы алгоритмов градиентного спуска 108
5.5 Алгоритм БП 109
5.5.1 Знакомство с сетью BP 109
5.5.2 Процесс алгоритма BP 110
5.6 Пример моделирования 112
Глава 6. Базовое применение нейронной сети 117
6.1 Персептрон 118
6.1.1 Структура сети перцептрона 119
6.1.2 Правила обучения перцептрона 120
6.1.3 Обучение сети персептрон 120
6.1.5 Пример моделирования 121
6.2 Линейная регрессия 123
6.2.1 Теория линейной регрессии 123
6.2.2 Пример моделирования 126
6.3 Логистическая регрессия 129
6.3.1 Теория логистической регрессии 129
6.3.2 Пример моделирования 131
Глава 7. Сверточные нейронные сети 137
7.1 Обзор 138
7.2. Структура сверточной нейронной сети 139
7.2.1 Сверточный слой 141
7.2.2 Уровень объединения 144
7.2.3 Полносвязный уровень 147
7.2.4 Выпадающий слой 148
7.3 Тренировочный процесс 148
7.4 Классическая модель сверточной нейронной сети 149
7.4.1 LeNet-5 модель 149
7.4.2 AlexNet модель 150
7.5 Пример моделирования 152
Глава 8. Рекуррентные нейронные сети 159.
8.1 Обзор рекуррентных нейронных сетей 160
8.1.1. Структура рекуррентной нейронной сети 160
8.1.2. Рекуррентное прямое распространение нейронной сети 162
8.1.3 Алгоритм рекуррентного обучения нейронной сети 163
8.2 Сеть долговременной краткосрочной памяти (LSTM) 163
8.2.1 Структура LSTM 164
8.2.2 Прямой расчет LSTM 165
8.2.3 Алгоритм обучения LSTM 169
8.2.4 Реализация программы LSTM 169
8.3. Варианты рекуррентных нейронных сетей 170
8.3.1 Двунаправленная рекуррентная нейронная сеть 170
8.3.2 Глубокая рекуррентная нейронная сеть 171
8.4 Пример моделирования 172
Приложение A. Основные функции Python 181
Приложение Б. Основные функции TensorFlow 189
Ссылки 198
......Python, TensorFlow, нейронные сети и глубокое обучение стали горячими ключевыми словами в современной ИТ-сфере из-за популярности искусственного интеллекта. В этой книге впервые представлены основы использования Python и его часто используемых библиотек Numpy, Matplotlib и Scipy; во-вторых, знакомит с базовыми знаниями и использованием TensorFlow; затем знакомит с базовыми знаниями о нейронных сетях и базовыми приложениями нейронных сетей.—&-Теория и реализация перцептрона, линейной регрессии и логистической регрессии; наконец, представлены две популярные глубокие нейронные сети—&- Теория и реализация сверточных нейронных сетей и рекуррентных нейронных сетей. Содержание этой книги идет от более поверхностного к более глубокому, шаг за шагом, очень практично и содержит множество примеров моделирования.......Бао Цзыян: старший инженер, работает в Пекинском институте радиоизмерений с 2009 года. В июне 2009 года он окончил Университет электронных наук и технологий Китая со степенью магистра в области обработки сигналов и информации. Занимается исследовательской работой в области радиолокационной электротехники, интеллектуальных алгоритмов и глубокого обучения.На данный момент он опубликовал 3 монографии;поданы заявки на 6 изобретений (3 одобрено);опубликовал более десяти научных статей на международных конференциях по радиолокации: «Системная инженерия и технологии», «Современные радиолокаторы», «Радары и их применение», «Радиолокационная наука и технологии», «Космические технологии», Ежегодная конференция по радиолокации, Ежегодная конференция по антеннам и т. д.