目錄(82章)
倒序
- 封面
- 版權信息
- 內容簡介
- 前言
- 第1章 走進TensorFlow
- 1.1 TensorFlow介紹
- 1.2 TensorFlow的環境搭建
- 1.3 TensorFlow基本使用
- 1.4 變量
- 1.5 TensorFlow的隊列
- 1.6 TensorBoard可視化
- 第2章 計算機視覺與深度學習
- 2.1 計算機視覺
- 2.2 深度學習在視覺上的應用
- 2.3 計算機視覺的學習方式和未來趨勢
- 2.4 機器學習
- 第3章 深度神經網絡的基礎
- 3.1 生物神經元
- 3.2 人工神經元
- 3.3 激活函數
- 3.4 softmax處理分類問題
- 3.5 損失函數
- 3.6 梯度下降法
- 3.7 優化函數
- 3.8 擬合
- 第4章 全連接神經網絡
- 4.1 前饋神經網絡簡介
- 4.2 感知機
- 4.3 全連接
- 4.4 線性模型的局限性
- 4.5 多層網絡解決異域運算
- 4.6 全連接神經網絡的經典實戰
- 第5章 卷積神經網絡
- 5.1 人類視覺原理
- 5.2 卷積運算
- 5.3 反卷積、反池化操作
- 5.4 卷積神經網絡的介紹
- 5.5 圖像數據處理
- 第6章 高級卷積神經網絡
- 6.1 LeNet-5卷積神經網絡
- 6.2 AlexNet卷積神經網絡
- 6.3 VGGNet卷積神經網絡
- 6.4 Inceptionv3卷積神經網絡
- 6.5 ResNet卷積神經網絡
- 第7章 循環神經網絡
- 7.1 RNN基礎概念和結構
- 7.2 RNN前后向傳播算法
- 7.3 循環神經網絡的梯度
- 7.4 LSTM單元
- 7.5 RNN的實現
- 7.6 自然語言建模與詞向量
- 7.7 LSTM實現語音識別
- 第8章 對抗神經網絡
- 8.1 理論知識
- 8.2 DCGAN網絡
- 8.3 InfoGAN網絡
- 8.4 WGAN-GP網絡
- 8.5 SRGAN網絡
- 第9章 其他監督學習
- 9.1 支持向量機
- 9.2 樸素貝葉斯
- 9.3 決策樹
- 9.4 k近鄰算法
- 第10章 非監督學習
- 10.1 主成分分析
- 10.2 k均值聚類
- 10.3 自組織映射神經網絡
- 10.4 受限玻爾茲曼機
- 10.5 譜聚類
- 第11章 自動編碼機
- 11.1 自動編碼機原理
- 11.2 標準自動編碼機
- 11.3 稀疏自動編碼機
- 11.4 去噪自動編碼機
- 11.5 卷積自動編碼機
- 第12章 強化學習
- 12.1 強化學習的概述
- 12.2 強化學習的學習過程
- 12.3 OpenAl Gym原理及應用
- 12.4 Q learning原理及應用
- 12.5 DQN原理及應用
- 參考文獻 更新時間：2021-05-19 18:19:12
推薦閱讀
- 現代推薦算法
- 虛擬偶像AI實現
- 大模型工程化：AI驅動下的數據體系
- 人工智能及其應用
- 智能機器人（第二版）
- 自動調節系統解析與PID整定
- 機器人驅動與控制及應用實例
- 人工智能數據處理
- 奇點臨近
- 虛擬現實VRP深度交互實例精解
- 商業周刊（中文版）：測試與突破：人工智能與大數據
- 基于深度學習的高分辨率遙感圖像場景分類
- 預訓練語言模型：方法、實踐與應用
- 機器學習編程：從編碼到深度學習
- ChatGLM3大模型本地化部署、應用開發與微調
- 智能城市治理
- AI游戲開發和深度學習進階
- 機器學習中的加速一階優化算法
- 人工智能數學基礎
- 解碼智能時代2021：從中國國際智能產業博覽會瞭望全球智能產業
- 測算與判斷：人工智能的終極未來
- 移動終端人工智能技術與應用開發
- PaddlePaddle Fluid 深度學習入門與實戰
- 人工智能導論
- 增強型分析：AI驅動的數據分析、業務決策與案例實踐
- 人工智能：未來商業與場景落地實操
- 未知環境中移動機器人自定位技術
- 輕松上手AIGC：如何更好地向ChatGPT提問
- 一本書讀懂人工智能
- 大圣陪你學AI：人工智能從入門到實驗（第2版）
