Предварительно подлинная импортная импортная книга Masanori akaishi «Математическая карта глубокого обучения: математические модели математической сети Python (знамени о баннере по математическому экзамену)« Баннер »« Баннер ».
Цена: 2 590руб. (¥144)
Артикул: 618439293864
Доставка по Китаю (НЕ включена в цену):
90 руб. (¥5)
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:拓特图书专营店
Адрес:Чжэцзян
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥991 781руб.
¥721 295руб.
¥721 295руб.
¥691 241руб.
Математическая карта глубокого обучения: математические модели с использованием Python для внедрения нейронных сетей (прикрепленных к быстрому образованию учебных карт)
Математическая математика
Автор: Масанори Акайши
Издательство: баннер
Дата публикации: 2020/05/20
Язык: традиционный китайский
ISBN: 9789863126263
Спецификация: Pacific/352 Page /17x23x2.1cm/ Обычный уровень/часть Полный цвет/издание
Место публикации: Тайвань, Китай
«Математика ╳ глубокое обучение ╳ Python Three Effect»
Глубокое обучение может быть закончено в одном предложении: «Узнайте математическую функцию, обучая, чтобы отобразить входные данные с правильным ответом».Дело в том, как вы находите правильную математическую функцию!После того, как эта книга получает глубокие математические модели и типы вычислений, она также может активно выполнять программу Python, чтобы помочь понять процесс всей операции.
«Откройте черный ящик машинного обучения, только чтобы обнаружить, что это все математика!"
Мы часто видим существительные линейной регрессии, двойную классификацию, многогранную классификацию и глубокое обучение в статьях или книгах по глубокому обучению.Конечно, это действительно относится к людям, которые не понимают математики.Однако, как только вы поймете математические принципы глубокого обучения, вы обнаружите, что оригинальная архитектура немного изменилась.
Чтобы иметь эту способность, вы должны быть исчислением, операцией вектора/матрицы, многократной функции различных функций, функции индекса/пары и вероятности/статистики.Они потратили много времени в школах, но в этой книге считается, что вы не хотите быть математиком или статистическим ученом, так что вы можете забрать самую важную часть глубокого обучения в первой половине, чтобы помочь вам использовать кратчайшее время Чтобы быстро быстро быстро быстро использовать самое короткое время быстро освоить математическую способность.
Эта книга контролируется исследовательским офисом Ши Вейминг, который своевременно добавляет дополнительное контент «Редактирование», чтобы помочь понять.Если у вас есть сила, вы можете продолжать читать книгу «Математика машинного обучения: ИИ, глубокое обучение, которое должно читать», которая содержит более подробный вывод математической формулы.
«Действительно шаг за шагом, я не буду слишком быстро прыгать»
Одна из основных особенностей этой книги заключается в том, что каждый шаг лишь немного отличается, и он не будет прыгать слишком быстро.Начиная с линейной регрессионной модели, добавление функции активации Sigmoid (функция запуска) будет превращена в двойную классификационную модель, а затем обменивается Sigmoid с функцией SoftMax, чтобы расширить на несколько моделей классификации нескольких категорий.Затем в глубоком обучении начните с скрытого уровня, чтобы вывести и реализовать его, и повысить скорость точности в ответ на необходимость корректировки скорости обучения и использования функции RELU и других методов.А затем расширитесь до двух слоев скрытых слоев, чтобы сделать модель более точной.Сяобиан действительно верит, что этот метод расположения позволяет читателям постепенно улучшать свою силу из существующего фундамента, что вполне способствует обучению.
Эта книга поставляется с цветной страницей «Математическая быстрая проверка карт обучения» и сортируйте взаимосвязь между математическими основаниями, используемыми в книге, в таблицу, чтобы помочь вам использовать картину, чтобы понять архитектуру этой книги, и и Даже сократить это в любое время.Автор содержит пример формата ноутбуков Jupyter в Github.
Характеристика
1. Математические модели с Python Renoor -регрессионная модель, бинарная классификация, многогранорийная классификация, один скрытый слой и два скрытого слоя.
2. Эта книга контролируется исследовательским офисом Ши Вайминга и своевременно добавляет дополнительное контент «Редактирование», чтобы помочь понять.
3. С книгой «Математика быстро проверьте карту».Внутренний текст использует цвета, которые более благоприятствуют презентации.
Глубокое обучение может быть закончено в одном предложении: «Узнайте математическую функцию, обучая, чтобы отобразить входные данные с правильным ответом».Дело в том, как вы находите правильную математическую функцию!После того, как эта книга получает глубокие математические модели и типы вычислений, она также может активно выполнять программу Python, чтобы помочь понять процесс всей операции.
«Откройте черный ящик машинного обучения, только чтобы обнаружить, что это все математика!"
Мы часто видим существительные линейной регрессии, двойную классификацию, многогранную классификацию и глубокое обучение в статьях или книгах по глубокому обучению.Конечно, это действительно относится к людям, которые не понимают математики.Однако, как только вы поймете математические принципы глубокого обучения, вы обнаружите, что оригинальная архитектура немного изменилась.
Чтобы иметь эту способность, вы должны быть исчислением, операцией вектора/матрицы, многократной функции различных функций, функции индекса/пары и вероятности/статистики.Они потратили много времени в школах, но в этой книге считается, что вы не хотите быть математиком или статистическим ученом, так что вы можете забрать самую важную часть глубокого обучения в первой половине, чтобы помочь вам использовать кратчайшее время Чтобы быстро быстро быстро быстро использовать самое короткое время быстро освоить математическую способность.
Эта книга контролируется исследовательским офисом Ши Вейминг, который своевременно добавляет дополнительное контент «Редактирование», чтобы помочь понять.Если у вас есть сила, вы можете продолжать читать книгу «Математика машинного обучения: ИИ, глубокое обучение, которое должно читать», которая содержит более подробный вывод математической формулы.
«Действительно шаг за шагом, я не буду слишком быстро прыгать»
Одна из основных особенностей этой книги заключается в том, что каждый шаг лишь немного отличается, и он не будет прыгать слишком быстро.Начиная с линейной регрессионной модели, добавление функции активации Sigmoid (функция запуска) будет превращена в двойную классификационную модель, а затем обменивается Sigmoid с функцией SoftMax, чтобы расширить на несколько моделей классификации нескольких категорий.Затем в глубоком обучении начните с скрытого уровня, чтобы вывести и реализовать его, и повысить скорость точности в ответ на необходимость корректировки скорости обучения и использования функции RELU и других методов.А затем расширитесь до двух слоев скрытых слоев, чтобы сделать модель более точной.Сяобиан действительно верит, что этот метод расположения позволяет читателям постепенно улучшать свою силу из существующего фундамента, что вполне способствует обучению.
Эта книга поставляется с цветной страницей «Математическая быстрая проверка карт обучения» и сортируйте взаимосвязь между математическими основаниями, используемыми в книге, в таблицу, чтобы помочь вам использовать картину, чтобы понять архитектуру этой книги, и и Даже сократить это в любое время.Автор содержит пример формата ноутбуков Jupyter в Github.
Характеристика
1. Математические модели с Python Renoor -регрессионная модель, бинарная классификация, многогранорийная классификация, один скрытый слой и два скрытого слоя.
2. Эта книга контролируется исследовательским офисом Ши Вайминга и своевременно добавляет дополнительное контент «Редактирование», чтобы помочь понять.
3. С книгой «Математика быстро проверьте карту».Внутренний текст использует цвета, которые более благоприятствуют презентации.
[Введение машинное обучение быстрое руководство]
Глава 1 Запись машинного обучения
1.1 Что такое машинное обучение
1.1.1 Что такое модель машинного обучения
1.1.2 Метод обучения для машинного обучения
1.1.3 Модель возврата и классификации обучения надзору
1.1.4 Фаза обучения и этап прогнозирования
1.1.5 Функция потерь и метод снижения градиента
1.2 Первая модель машинного обучения: простая модель линейной регрессии
1.3 Модель машинного обучения, обсуждаемая в этой книге
1.4 Математика является основой глубокого обучения
1.5 Эта книга архитектура
[Теория математическая скоростная курс]
Глава 2 Микро -баллы, очки
2.1 Функция
2.1.1 Функциональное поведение
2.1.2 График функции
2.2 Синтетическая функция и анти -функция
2.2.1 Синтетическая функция
Нажатие функции синтеза столбца
2.2.2 Анти -функция
2.3 Микро -шкаф и ограничение
2.3.1 Определение дифференциальных точек
2.3.2 Связь между увеличением значения функции и дифференциальной точкой
2.3.3 Уравнения линии разреза
Взаимосвязь между уравнением столбцов и фазой обучения и этапом прогнозирования
2.4 Отличное значение и минимальное значение
2.5 точки полиномиальных дифференциал
2.5.1 x^n незначительный результат (n - положительное целое число)
2.5.2 Линейная взаимосвязь между дифференциальными расчетами и дифференциалами полиномов
2.5.3 x^r слегка разделен (R реально)
Объединение (комбинация) и теорема с двойным
2.6 Две функции, умноженные на разные точки
2.7 Фильтрация синтетической функции
2.7.1 Используйте правило блокировки цепи, чтобы сделать синтетическую функцию слегка разделенной
2.7.2 Фильм анти -функции
2.8 Две функции разделены на разные точки
2,9 балла
Значение символа точек столбца
Глава 3 Вектор, Матрица
3.1 Начало работы
3.1.1 Что такое вектор
3.1.2 Метод маркировки вектора
3.1.3
3.1.4 Расширение на многомерное
3.1.5 Символы
3.2 Vector и, плохой вектор и чистый объемный продукт
3.2.1 Вектор и вектор
3.2.2 Плохой вектор
3.2.3 Умножение вектора и чистоты
3.3 Длина вектора (абсолютное значение) и расстояния
3.31 Длина вектора (абсолютное значение)
3.3.2&Сигма;
3.3.3 Расстояние между вектором
3.4 Функция треугольника
3.4.1 Треугольное соотношение: базовое определение треугольных функций
3.4.2 мест на круге устройства
3.4.3 Графика треугольной функции
3.4.4 Используйте функцию треугольника, чтобы представить боковую длину правого треугольника
3.5 Венчур в векторе
3.5.1 Геометрическое определение в векторе
3.5.2. Используйте компонент, чтобы представить формулу внутреннего накопления
3.6 Сходство Ю Сяна
3.6.1 Угол двух двухмерных векторов
3.6.2 n -димерное вектор сходства строки
Пример применения столбца Юсианского сходства
3.7 Матричная работа
3.7.1 Внутреннее накопление выходного узла
3.7.2 Матрица трех выходных узлов умножается
Глава 4 Дифференциальные точки нескольких функций
4.1 взаимная функция
4.2
4.3 Полные дифференциальные точки
4.4 Полная функция микроэлемента и синтеза
4.5 Метод падения градиента (GD)
Метод падения градиента столбца и частичное лучшее решение
Глава 5 Индексная функция, патриотическая функция
5.1 Индексная функция
5.1.1 Определение и формула для соединения
5.1.2 Продвижение концептуальных концепций
5.1.3 Напишите соединение в виде формы функции индекса
5.2 Числовая функция
Значение столбца к функции числа
5.3 Микроценная оценка функции числа
Используйте Python для расчета эры подсчета Yula
5.4 Удача индексной функции
Индексная функция с E в качестве нижней части столбца также может быть представлена Exp
5.5 Сигмоидальная функция
5.6 Функция Softmax
Взаимосвязь между сигмоидным и функцией Softmax
Глава 6 Вероятность, статистика
6.1 Случайная переменная и распределение вероятностей
6.2 Функция плотности скорости и совокупная функция распределения
Функция плотности вероятности функции сигмида столбца
6.3 Подобные функции и наиболее вероятный метод оценки
Почему столбец выглядит как максимальное значение функции, а не минимальное значение?
[Практика машинного обучения, внедрение глубокого обучения]
Глава 7 Модель линейной регрессии (возврат)
7.1 Частичное незначительное и градиентное снижение функции потери
7.2 Пример настройки вопросов
7.3 Метод маркировки математического символа для обучающих данных и значений прогнозирования
7.4 Концепция метода падения градиента
7.5 Установить модель прогнозирования
7.6 Установить функцию потери
7.7 Потерянная функция функции потери
7.8 Использование метода градиентного падения
7.9 Реализация программы
Колонка использует Numpy
7.10 Продвижение в многолинейную регрессионную модель
Метод корректировки скорости обучения столбца и количество операций итерации
Глава 8 Модель возврата логики (двоичная категория)
81 Пример настройки проблемы
8.2 Разница между моделью линейной регрессии и моделью классификации
8.3 Обсуждение моделей прогнозирования
Столбец преобразует значимость прогнозируемого значения в
8.4 Функция потерь (поперечная энтропия поперечной энтропии)
8.5 Расчет потери функции
8.6 Применение метода падения градиента
8.7 Реализация программы
Сравнение трех моделей Scikit-learn в столбце
Cross Cross Cross Entropy и проблемы королей, которые любят футбол
ГЛАВА 9 ЛОГИЧЕСКАЯ ВОЗВРАЩАЯ МОДЕЛЯ (НЕКОТОРЫЕ категории)
9.1 Настройки вопросов
9.2 Установите модель модели
9.3 Матрица веса
9.4 Функция Softmax
9.5 Функция потери
9.6 Расчет потери функции
9.7 Применение метода падения градиента
9.8 Реализация программы
Роль параметра оси функции агломерации столбца
Глава 10 Глубокое обучение
10.1 Пример настройки вопросов
10.2 Функция архитектуры и прогнозирования модели
10.3 Функция потери
10.4 Потерянная функция функции потери
10.5 обратная связь
10.6 Применение метода падения градиента
10.7 Программирование 1: оригинальная версия
10.8 Практика программирования II: отрегулируйте начальное значение матрицы веса
10.9 Реализация программы три: замените версию функции активации на Relu
10.10 Реализация программы 4: Скрытый слой увеличивается до 2 -х слойной версии
[Решение в практике разработки]
Глава 11, направленная на практическое глубокое обучение
11.1 Хорошее использование структуры разработки
11.2 Служба нейронная сеть (CNN)
11.3 Круглой нейронная сеть (RNN) и длинная память (LSTM)
11,4 Численные немного разные
11.5 Оптимизированный метод обучения
11.6 Чрезмерное соответствующее решение
11.7 Размер данных для каждого обучения (партия)
11.8 Инициализация матрицы веса
11.9 Target Next Hill
Приложение Jupyter Notebook Tool
A.1 Начать ноутбук Юпитера
A.2 Попробуйте написать программу
A.3 Вывод файла в простой файл Python
Глава 1 Запись машинного обучения
1.1 Что такое машинное обучение
1.1.1 Что такое модель машинного обучения
1.1.2 Метод обучения для машинного обучения
1.1.3 Модель возврата и классификации обучения надзору
1.1.4 Фаза обучения и этап прогнозирования
1.1.5 Функция потерь и метод снижения градиента
1.2 Первая модель машинного обучения: простая модель линейной регрессии
1.3 Модель машинного обучения, обсуждаемая в этой книге
1.4 Математика является основой глубокого обучения
1.5 Эта книга архитектура
[Теория математическая скоростная курс]
Глава 2 Микро -баллы, очки
2.1 Функция
2.1.1 Функциональное поведение
2.1.2 График функции
2.2 Синтетическая функция и анти -функция
2.2.1 Синтетическая функция
Нажатие функции синтеза столбца
2.2.2 Анти -функция
2.3 Микро -шкаф и ограничение
2.3.1 Определение дифференциальных точек
2.3.2 Связь между увеличением значения функции и дифференциальной точкой
2.3.3 Уравнения линии разреза
Взаимосвязь между уравнением столбцов и фазой обучения и этапом прогнозирования
2.4 Отличное значение и минимальное значение
2.5 точки полиномиальных дифференциал
2.5.1 x^n незначительный результат (n - положительное целое число)
2.5.2 Линейная взаимосвязь между дифференциальными расчетами и дифференциалами полиномов
2.5.3 x^r слегка разделен (R реально)
Объединение (комбинация) и теорема с двойным
2.6 Две функции, умноженные на разные точки
2.7 Фильтрация синтетической функции
2.7.1 Используйте правило блокировки цепи, чтобы сделать синтетическую функцию слегка разделенной
2.7.2 Фильм анти -функции
2.8 Две функции разделены на разные точки
2,9 балла
Значение символа точек столбца
Глава 3 Вектор, Матрица
3.1 Начало работы
3.1.1 Что такое вектор
3.1.2 Метод маркировки вектора
3.1.3
3.1.4 Расширение на многомерное
3.1.5 Символы
3.2 Vector и, плохой вектор и чистый объемный продукт
3.2.1 Вектор и вектор
3.2.2 Плохой вектор
3.2.3 Умножение вектора и чистоты
3.3 Длина вектора (абсолютное значение) и расстояния
3.31 Длина вектора (абсолютное значение)
3.3.2&Сигма;
3.3.3 Расстояние между вектором
3.4 Функция треугольника
3.4.1 Треугольное соотношение: базовое определение треугольных функций
3.4.2 мест на круге устройства
3.4.3 Графика треугольной функции
3.4.4 Используйте функцию треугольника, чтобы представить боковую длину правого треугольника
3.5 Венчур в векторе
3.5.1 Геометрическое определение в векторе
3.5.2. Используйте компонент, чтобы представить формулу внутреннего накопления
3.6 Сходство Ю Сяна
3.6.1 Угол двух двухмерных векторов
3.6.2 n -димерное вектор сходства строки
Пример применения столбца Юсианского сходства
3.7 Матричная работа
3.7.1 Внутреннее накопление выходного узла
3.7.2 Матрица трех выходных узлов умножается
Глава 4 Дифференциальные точки нескольких функций
4.1 взаимная функция
4.2
4.3 Полные дифференциальные точки
4.4 Полная функция микроэлемента и синтеза
4.5 Метод падения градиента (GD)
Метод падения градиента столбца и частичное лучшее решение
Глава 5 Индексная функция, патриотическая функция
5.1 Индексная функция
5.1.1 Определение и формула для соединения
5.1.2 Продвижение концептуальных концепций
5.1.3 Напишите соединение в виде формы функции индекса
5.2 Числовая функция
Значение столбца к функции числа
5.3 Микроценная оценка функции числа
Используйте Python для расчета эры подсчета Yula
5.4 Удача индексной функции
Индексная функция с E в качестве нижней части столбца также может быть представлена Exp
5.5 Сигмоидальная функция
5.6 Функция Softmax
Взаимосвязь между сигмоидным и функцией Softmax
Глава 6 Вероятность, статистика
6.1 Случайная переменная и распределение вероятностей
6.2 Функция плотности скорости и совокупная функция распределения
Функция плотности вероятности функции сигмида столбца
6.3 Подобные функции и наиболее вероятный метод оценки
Почему столбец выглядит как максимальное значение функции, а не минимальное значение?
[Практика машинного обучения, внедрение глубокого обучения]
Глава 7 Модель линейной регрессии (возврат)
7.1 Частичное незначительное и градиентное снижение функции потери
7.2 Пример настройки вопросов
7.3 Метод маркировки математического символа для обучающих данных и значений прогнозирования
7.4 Концепция метода падения градиента
7.5 Установить модель прогнозирования
7.6 Установить функцию потери
7.7 Потерянная функция функции потери
7.8 Использование метода градиентного падения
7.9 Реализация программы
Колонка использует Numpy
7.10 Продвижение в многолинейную регрессионную модель
Метод корректировки скорости обучения столбца и количество операций итерации
Глава 8 Модель возврата логики (двоичная категория)
81 Пример настройки проблемы
8.2 Разница между моделью линейной регрессии и моделью классификации
8.3 Обсуждение моделей прогнозирования
Столбец преобразует значимость прогнозируемого значения в
8.4 Функция потерь (поперечная энтропия поперечной энтропии)
8.5 Расчет потери функции
8.6 Применение метода падения градиента
8.7 Реализация программы
Сравнение трех моделей Scikit-learn в столбце
Cross Cross Cross Entropy и проблемы королей, которые любят футбол
ГЛАВА 9 ЛОГИЧЕСКАЯ ВОЗВРАЩАЯ МОДЕЛЯ (НЕКОТОРЫЕ категории)
9.1 Настройки вопросов
9.2 Установите модель модели
9.3 Матрица веса
9.4 Функция Softmax
9.5 Функция потери
9.6 Расчет потери функции
9.7 Применение метода падения градиента
9.8 Реализация программы
Роль параметра оси функции агломерации столбца
Глава 10 Глубокое обучение
10.1 Пример настройки вопросов
10.2 Функция архитектуры и прогнозирования модели
10.3 Функция потери
10.4 Потерянная функция функции потери
10.5 обратная связь
10.6 Применение метода падения градиента
10.7 Программирование 1: оригинальная версия
10.8 Практика программирования II: отрегулируйте начальное значение матрицы веса
10.9 Реализация программы три: замените версию функции активации на Relu
10.10 Реализация программы 4: Скрытый слой увеличивается до 2 -х слойной версии
[Решение в практике разработки]
Глава 11, направленная на практическое глубокое обучение
11.1 Хорошее использование структуры разработки
11.2 Служба нейронная сеть (CNN)
11.3 Круглой нейронная сеть (RNN) и длинная память (LSTM)
11,4 Численные немного разные
11.5 Оптимизированный метод обучения
11.6 Чрезмерное соответствующее решение
11.7 Размер данных для каждого обучения (партия)
11.8 Инициализация матрицы веса
11.9 Target Next Hill
Приложение Jupyter Notebook Tool
A.1 Начать ноутбук Юпитера
A.2 Попробуйте написать программу
A.3 Вывод файла в простой файл Python