本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • TensorFlow:你也能成為機器學習專家
  • 點閱:140
  • 作者: 喻儼等著
  • 出版社:深石
  • 出版年:2017[民106]
  • ISBN:978-986-500-051-6 ; 986-500-051-2
  • 格式:PDF
租期14天 今日租書可閱讀至2019-12-30

內容簡介

大師Jim Gray表示我們人類終於離開運算範式而進入資料範式,大量的資料集讓我們脫離了取樣的思考模式,取得資料的整體更讓沈寂多年的人工智慧重獲新生。從前因訓練資料只有數百或數千筆的資料缺乏年代,讓再棒的演算法也無用武之地。
 
但大數據時代的來臨,我們終可取得幾乎等於整體的資料量,讓人工智慧的訓練集瞬間到達數十億筆的等級,TensorFlow就是一個誕生在這個世代的寵兒。在巨量資料的基礎下,演算法的訓練越來越精準,從而產生了難以想像的高科技應用。無人車、辨視系統、自然語言處理,種種都需要靠深度學習,而TensorFlow就是一個讓不需要太多數學訓練的工程師,也能立即加入這個大時代的新趨勢。與其被機器淘汰,不如立即投身控制機器,TensorFlow會是你進入此領域的首選,本書也會是你學習TensorFlow最不可或缺的實用教材。
 
名人推薦

 
可能有的人還沒有覺察到,目前正是新的一場技術革命爆發的起始點。人工智慧時代從「即將來臨」已經變成了「正在來臨」。推動這場技術革命的正是深度學習技術的發展,Google 的圍棋演算法AlphaGo 戰勝了李世石,Google 的深度學習架構TensorFlow 也迅速風靡業界,一躍成為最活躍的深度學習架構。
本書作者們使用以TensorFlow 為基礎的一手實作,由淺入深地介紹了TensorFlow 架構和其上的各種深度神經網路演算法實現,並列出實際的實例,非常適合AI 同好學習,可以較全面地掌握深度學習的知識,並具備實戰的能力。未來的AI 時代裡,深度學習技術將成為程式設計師重要的基礎能力,向所有意識到這一點的人推薦此書!
—愛因互動創始人&CTO 洪強寧
 
TensorFlow 的出現和成熟,改變了深度學習的入門和深造路徑。今天我們完全有可能從實際需求出發,以實作主導,比較容易地入門這一前端人工智慧技術。但是要超越寫寫實例、做做Demo 的層次,創造性地解決新問題,必須在理論上達到一定的了解高度。本書就是沿著這樣一個想法開始進入的,本書作者開闢了一條由實作主導、兼顧理論的深度學習成功之路,而且語言生動,行文細膩,交代清晰,對後來的內容者是一份難得的指南。—AI100 聯合創始人孟岩
 
本書深入淺出地介紹了TensorFlow 的技術架構以及深度學習領域常見的網路結構和相關理論,並結合影像、文字分析處理等多個實用的實際實例示範了如何使用TensorFlow 實戰深度學習開發,是一本內容充實的TensorFlow 開發指導書,強烈推薦!—東方網力科技股份有限公司CTO 蔣宗文


作者簡介
 
喻儼
 
百納資訊(海豚瀏覽器)研發副總裁。2007 年加入微軟亞洲工程院,2011 年加入百納資訊負責海外業務線,從0 到1 做過多個專案,現致力於AI 和大數據產品的研究與應用。

 
莫瑜
 
先後任職於微軟和海豚瀏覽器,從事搜尋引擎、音樂檢索/ 哼唱搜索、內容分發推薦演算法和對話機器人技術研發。長期以來持續關注和實作大規模資料演算法效能最佳化、搜尋引擎、推薦系統和人工智慧技術。
 
王琛
 
英國愛丁堡大學人工智慧專業碩士,現為百納資訊技術有限公司人工智慧方向負責人。早年參加過資訊學奧林匹克競賽獲得河北省第一名、全國三等獎,並保送進入中山大學。大學期間,在ACM 競賽上也屢獲佳績。碩士畢業後就職於百度基礎架構部,參與大數據平台研發工作,對大數據分析處理、分散式系統架構等方面都有比較深刻的了解。2014 年加入百納,負責多個專案的研發,自2016 年起負責人工智慧方向的探索。
 
胡振邦
 
百納資訊技術有限公司進階演算法研究員,畢業於中國地質大學電腦學院地學資訊工程專業。讀博期間,參與了關於遙測衛星影像識別分析的863 專案,並且是主要的研發人員。畢業以來,一直從事影像識別方面的演算法研發工作,主要方向包含目標檢測、圖文檢索、影像分類與驗證等,在影像處理、電腦視覺等方面都有深厚的累積和經驗。
 
高傑
 
曾任德國西門子內部SAP 諮詢師,還在中銀國際TMT 投行、金山軟體集團投資部任過職,2015 年與合夥人聯合創立了圖靈科技集團,與華爾街頂尖交易團隊一起致力於量化交易、演算法模型和人工智慧在金融領域的應用,目前這家公司管理著超過20 億元的資產,是利基市場的領先公司。


  • Chapter 1 深度學習簡介(第1-1頁)
    • 1.1 深度學習介紹(第1-2頁)
    • 1.2 深度學習的趨勢(第1-9頁)
    • 1.3 參考資料(第1-13頁)
  • Chapter 2 TensorFlow 系統介紹(第2-1頁)
    • 2.1 TensorFlow 誕生的動機(第2-2頁)
    • 2.2 TensorFlow 系統簡介(第2-4頁)
    • 2.3 TensorFlow 基礎概念(第2-6頁)
    • 2.4 系統架構(第2-10頁)
    • 2.5 原始程式結構(第2-12頁)
    • 2.6 小結(第2-16頁)
    • 2.7 參考資料(第2-16頁)
  • Chapter 3 Hello TensorFlow(第3-1頁)
    • 3.1 環境準備(第3-2頁)
    • 3.2 Titanic 題目實戰(第3-11頁)
    • 3.3 資料採擷的技巧(第3-30頁)
    • 3.4 TensorBoard 視覺化(第3-37頁)
    • 3.5 資料讀取(第3-42頁)
    • 3.6 SkFlow、TFLearn 與 TF-Slim(第3-47頁)
    • 3.7 小結(第3-49頁)
    • 3.8 參考資料(第3-50頁)
  • Chapter 4 CNN「看懂」世界(第4-1頁)
    • 4.1 影像識別的難題(第4-3頁)
    • 4.2 CNNs 的基本原理(第4-5頁)
    • 4.3 經典 CNN 模型(第4-20頁)
    • 4.4 影像風格轉換(第4-43頁)
    • 4.5 小結(第4-56頁)
    • 4.6 參考資料(第4-56頁)
  • Chapter 5 RNN「能說會道」(第5-1頁)
    • 5.1 文字了解和文字產生問題(第5-3頁)
    • 5.2 標準 RNN 模型(第5-7頁)
    • 5.3 LSTM 模型(第5-18頁)
    • 5.4 更多 RNN 的變形(第5-25頁)
    • 5.5 語言模型(第5-26頁)
    • 5.6 對話機器人(第5-46頁)
    • 5.7 小結(第5-62頁)
    • 5.8 參考資料(第5-63頁)
  • Chapter 6 CNN + LSTM 看圖說話(第6-1頁)
    • 6.1 CNN + LSTM 網路模型與影像檢測問題(第6-3頁)
    • 6.2 CNN+LSTM 網路模型與影像摘要問題(第6-30頁)
    • 6.3 小結(第6-75頁)
    • 6.4 參考資料(第6-76頁)
  • Chapter 7 損失函數與最佳化演算法(第7-1頁)
    • 7.1 目標函數最佳化策略(第7-3頁)
    • 7.2 類別取樣(Candidate Sampling)損失函數(第7-8頁)
    • 7.3 小結(第7-38頁)
    • 7.4 參考資料(第7-39頁)
紙本書 NT$ 680
單本電子書
NT$ 476

點數租閱 20點
租期14天
今日租書可閱讀至2019-12-30
還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code