租期14天
今日租書可閱讀至2021-02-10
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
- 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)
同分類熱門書
JPG
PDF
PDF
EPUB
PDF
