机械工业出版社智能系统与技术丛书PADEPADE深度学习实战

本书特色

[

本书采用由简入繁的原则撰写而成。我们希望本书能成为一名能带领读者领略PaddlePaddle精妙的精神导游。从较为简单的线性回归、逻辑回归到较为复杂的RNN数字识别、个性化推荐、云上部署等，本书结合若干实例，系统地介绍了PaddlePaddle的使用特点。教会读者如何使用框架就像教会了读者一套外功拳法。然而本书不仅关注框架本身的细节用法，还非常注重基础知识和理论，目的是教会读者内功心法。书中既详细描述了神经网络的各个细节，也深入讲解了算法性能优化的思路和技巧，旨在帮助读者深入理解深度学习的精髓。本书共分为10章，每一章都包含理论介绍和对应的代码实现。

]

内容简介

[

本书采用由简入繁的原则撰写而成。我们希望本书能成为一名能带领读者领略PaddlePaddle精妙的精神导游。从较为简单的线性回归、逻辑回归到较为复杂的RNN数字识别、个性化推荐、云上部署等，本书结合若干实例，系统地介绍了PaddlePaddle的使用特点。教会读者如何使用框架就像教会了读者一套外功拳法。然而本书不仅关注框架本身的细节用法，还很好注重基础知识和理论，目的是教会读者内功心法。书中既详细描述了神经网络的各个细节，也深入讲解了算法性能优化的思路和技巧，旨在帮助读者深入理解深度学习的精髓。本书共分为10章，每一章都包含理论介绍和对应的代码实现。

]

作者简介

[

刘祥龙
北航计算机学院、软件开发环境国家重点实验室副教授。主要研究视觉计算、深度学习、群体智能等，在国际上较系统地研究了多模式哈希和互补多哈希表检索方法。近年来，参与“核高基”国家重大专项、国家自然科学基金重大专项等多个国家课题。发表CVPR、ICCV、AAAI、IJCAI、IEEE TIP等人工智能、计算机视觉领域国际*/知名会议和期刊论文40余篇。担任SCI期刊FCS青年副主编，人工智能/多媒体*会议ACM MM、AAAI和PCM等多个知名国际会议的程序委员会委员，以及IEEE TIP、TNNLS、TMM等十余个国际知名期刊和会议审稿人。
杨晴虹
北航副教授，高级工程师。北航博士，美国南康涅狄格州立大学图书信息科学访问学者，美国耶鲁大学技术创新实验室数据分析专家。发表国际论文几十篇，主要研究领域有机器学习、知识挖掘、大数据分析、项目管理和科研管理等。在机器学习、深度学习、神经网络等领域有丰富的实践经验，曾主导和参与多个相关的项目并取得成功。
谭中意刘祥龙
北航计算机学院、软件开发环境国家重点实验室副教授。主要研究视觉计算、深度学习、群体智能等，在国际上较系统地研究了多模式哈希和互补多哈希表检索方法。近年来，参与“核高基”国家重大专项、国家自然科学基金重大专项等多个国家课题。发表CVPR、ICCV、AAAI、IJCAI、IEEE TIP等人工智能、计算机视觉领域国际*/知名会议和期刊论文40余篇。担任SCI期刊FCS青年副主编，人工智能/多媒体*会议ACM MM、AAAI和PCM等多个知名国际会议的程序委员会委员，以及IEEE TIP、TNNLS、TMM等十余个国际知名期刊和会议审稿人。
杨晴虹
北航副教授，高级工程师。北航博士，美国南康涅狄格州立大学图书信息科学访问学者，美国耶鲁大学技术创新实验室数据分析专家。发表国际论文几十篇，主要研究领域有机器学习、知识挖掘、大数据分析、项目管理和科研管理等。在机器学习、深度学习、神经网络等领域有丰富的实践经验，曾主导和参与多个相关的项目并取得成功。
谭中意
百度研发工程师，负责百度开源的整体推进工作，有近20年的开发和运营经验。在百度多个部门工作过，现负责以平台化/开源的方式提升百度内部整体的研发效率，并包括组织开源技术委员会，对百度对外的开源进行整体的推动工作。中国开源推进联盟（COPU）副秘书长。
蒋晓琳
百度公司技术管理部高级工程师，之前任职于中国信息通信研究院。曾参与主导超过30余项国家/行业标准，以及多项国际标准。在人工智能、云计算、大数据等领域参与申报和管理的国家重大专项达10余个。
白浩杰
北航特聘讲师，美国佛罗里达国际大学高性能数据实验室访问学者，致力于移动对象数据库、数据可视化、机器学习、深度学习等方向的研究。径点科技有限公司高级工程师，尚硅谷IT教育前端教学总监。

]

目录

CONTENTS目　　录序前言致谢第1章　数学基础与Python库 11.1　Python是进行人工智能编程的主要语言 11.2　数学基础 41.2.1　线性代数基础 41.2.2　微积分基础 81.3　Python库的操作 171.3.1　numpy操作 171.3.2　matplotlib操作 23本章小结 27第2章　深度学习概论与PaddlePaddle入门 282.1　人工智能、机器学习与深度学习 292.1.1　人工智能 302.1.2　机器学习 302.1.3　深度学习 312.2　深度学习的发展历程 322.2.1　神经网络的**次高潮 322.2.2　神经网络的**次寒冬 332.2.3　神经网络的第二次高潮 342.2.4　神经网络的第二次寒冬 352.2.5　深度学习的来临 352.2.6　深度学习崛起的时代背景 362.3　深度学习的应用场景 362.3.1　图像与视觉 372.3.2　语音识别 372.3.3　自然语言处理 382.3.4　个性化推荐 382.4　常见的深度学习网络结构 392.4.1　全连接网络结构 392.4.2　卷积神经网络 402.4.3　循环神经网络 412.5　机器学习回顾 412.5.1　线性回归的基本概念 422.5.2　数据处理 442.5.3　模型概览 452.5.4　效果展示 462.6　深度学习框架简介 472.6.1　深度学习框架的作用 472.6.2　常见的深度学习框架 482.6.3　PaddlePaddle简介 492.6.4　PaddlePaddle使用 492.7　PaddlePaddle实现 51本章小结 60第3章　深度学习的单层网络 613.1　Logistic回归模型 623.1.1　Logistic回归概述 623.1.2　损失函数 643.1.3　Logistic回归的梯度下降 663.2　实现Logistic回归模型 713.2.1　Python版本 723.2.2　PaddlePaddle版本 81本章小结 90第4章　浅层神经网络 924.1　神经网络 924.1.1　神经网络的定义及其结构 924.1.2　神经网络的计算 944.2　BP算法 1004.2.1　逻辑回归与BP算法 1014.2.2　单样本双层神经网络的BP算法 1014.2.3　多个样本神经网络BP算法 1054.3　BP算法实践 1084.3.1　Python版本 1094.3.2　PaddlePaddle版本 116本章小结 122第5章　深层神经网络 1235.1　深层网络介绍 1235.1.1　深度影响算法能力 1245.1.2　网络演化过程与常用符号 1255.2　传播过程 1275.2.1　神经网络算法核心思想 1275.2.2　深层网络前向传播过程 1285.2.3　深层网络后向传播过程 1295.2.4　传播过程总结 1305.3　网络的参数 1325.4　代码实现 1335.4.1　Python版本 1335.4.2　PaddlePaddle版本 136本章小结 140第6章　卷积神经网络 1416.1　图像分类问题描述 1416.2　卷积神经网络介绍 1426.2.1　卷积层 1426.2.2　ReLU激活函数 1476.2.3　池化层 1486.2.4　Softmax分类层 1496.2.5　主要特点 1516.2.6　经典神经网络架构 1526.3　PaddlePaddle实现 1596.3.1　数据介绍 1596.3.2　模型概览 1606.3.3　配置说明 1606.3.4　应用模型 168本章小结 169第7章　个性化推荐 1707.1　问题描述 1707.2　传统推荐方法 1717.2.1　基于内容的推荐 1727.2.2　协同过滤推荐 1737.2.3　混合推荐 1757.3　深度学习推荐方法 1767.3.1　YouTube的深度神经网络推荐系统 1767.3.2　融合推荐系统 1787.4　个性化推荐系统在PaddlePaddle上的实现 1807.4.1　数据准备 1807.4.2　模型配置 1827.4.3　模型训练 1847.4.4　模型测试 188本章小结 188第8章　个性化推荐的分布式实现 1908.1　PaddlePaddle Cloud介绍 1908.2　PaddlePaddle Cloud使用 1928.2.1　创建集群 1928.2.2　配置集群 1928.2.3　配置客户端 1938.3　个性化推荐在PaddlePaddle Cloud上的实现 1948.3.1　提交单节点任务 1948.3.2　个性化推荐在PaddlePaddle Cloud上的实现 196本章小结 199第9章　广告CTR预估 2009.1　CTR预估简介 2009.1.1　CTR定义 2019.1.2　CTR与推荐算法的异同 2029.1.3　CTR预估的评价指标 2029.2　CTR预估的基本过程 2059.2.1　CTR预估的三个阶段 2069.2.2　CTR预估中的特征预处理 2069.3　CTR预估的常见模型 2089.3.1　LR模型 2089.3.2　GBDT模型 2109.3.3　GBDT LR模型 2129.3.4　FM DNN模型 2149.3.5　MLR模型 2159.4　CTR预估在工业上的实现 2179.5　CTR预估在PaddlePaddle上的实现 2189.5.1　数据集 2189.5.2　预测模型选择和构建 2199.5.3　PaddlePaddle完整实现 222本章小结 226第10章　算法优化 22710.1　基础知识 22710.1.1　训练、验证和测试集 22710.1.2　偏差和方差 22810.2　评估 22910.2.1　选定评估目标 22910.2.2　迭代过程 23010.2.3　欠拟合和过拟合 23010.3　调优策略 23110.3.1　降低偏差 23110.3.2　降低方差 23610.4　超参数调优 24210.4.1　随机搜索和网格搜索 24210.4.2　超参数范围 24310.4.3　分阶段搜索 24310.4.4　例子：对学习率的调整 244本章小结 245

封面

书名:机械工业出版社智能系统与技术丛书PADEPADE深度学习实战

作者:刘祥龙　杨晴虹　谭中意　蒋晓琳　等

页数:245

定价:¥69.0

出版社:机械工业出版社

出版日期:2017-06-01

ISBN:9787111600466

PDF电子书大小:38MB 高清扫描完整版