《智慧型之門》是高等教育出版社出版的圖書，作者是胡曉武、秦婷婷、李超、鄒欣。
基本介紹
- 書名：智慧型之門
- 作者：胡曉武、秦婷婷、李超、鄒欣
- 出版社：高等教育出版社
- ISBN：9787040541410
內容簡介,目錄 ,
內容簡介
本書是作者在總結多年的實際工程套用經驗的基礎上編著而成的，是一本面向本科生的神經網路與深度學習的入門教材。通過閱讀本書，讀者可以掌握神經網路與深度學習的基本理論，並通過大量的代碼練習，在做中學，提高將理論知識運用於實際工程的能力。 本書內容豐富，以“提出問題-解決方案-原理分析-可視化理習承墊您解”的方式向讀者介紹了深度學習的入門知識，並總結了“9步學習法”，分為基本概念、線性回歸、線性分類、非線性回歸、非線性分類、模型的推理與套用部深度神經網路、卷積神經網路以及循環神經網路9個步驟，對神經網路和深度學習進行了系統全面的講解。 本書既可以作為高等院校計算機、人工智慧等專業的教學用書，也可供對深度學習感興趣的研究人員和工程技術人員閱讀參考。
目錄
第一步 基本概念
第1章 概論
1.1 人工智慧發展簡史
1.2 科學範式的演化
第2章 神經網路中的三個基本概念
2.1 通俗地理解三大概念民影棄
2.2 線性反向傳播
2.3 梯度下降
第3章 損失函式
3.1 損失函式概論
3.2 均方差函式
3.3 交叉熵損失函式
第二步 線性回歸
第4章 單入單出的單層神經網路——單變數線性回歸
4.1 單變數線性回歸問題
4.2 最小二乘法
4.3 梯度下降法
4.4 神經網路法
4.5 梯度下降的三種形式
第5章 多入單出的單層神經網路——多變數線性回歸
5.1 多變數線性回歸問題
5.2 正規方程贈墓解法
5.3 神經網路解法
5.4 樣本特徵數據歸一化
5.5 正確的推理預測方法
第三步 線性分類
第6章 多入單出的單層神經網路——線性二分類
6.1 線性二分類
6.2 二分類函式
6.3 用神經網路實現線性二分類
第7章 多入多出的單層神經網路——線性多分類
7.1 線性多分類
7.2 多分類函式
7.3 用神經網路實現線性多分類
第四步 非線性回歸
第8章 激活函式
8.1 激活函式概論
8.2 擠壓型激活函式
8.3 半線性激活主榆舉埋函式
第9章 單入單出的雙層神經網路——非線性回歸
9.1 非線性回歸
9.2 用多項式回歸法擬合正弦曲線
9.3 用多項式回歸法擬合複合函式曲線
9.4 驗證與測試
9.5 用雙層神經網路實現非線性回歸
9.6 曲線擬合
第五步 非線性分類
第10章 多入單出的雙層神經網路——非線性二分類
10.1 雙變數非線性二分類
10.2 使用雙層神經網路的必要性
10.3 非線性二分類的實現
10.4 實現邏輯異或門
10.5 實現雙弧形二分類
10.6 雙弧形二分類的工作原理
第11章 多入多出的雙層神經網路——非線性多分類
11.1 雙變數非線性多分類
11.2 非線性多分類
第12章 多入多出的三層神經網路——深度非線性多分類
12.1 多變數非線性多分類
12.2 三鍵舟舉層神經網路的實現
第六步 模型推理與套用部署
第13章 模型推理與套用部署
13.1 手工測試訓練效果
13.2 模型檔案概述
13.3 ONNX模型檔案
第七步 深度神經網路
第14章 搭建深度神經網路框架
14.1 框架設計
14.2 回歸任務功能測試
14.3 二分類任務功能測試
14.4 多分類功能測試
14.5 MNIST手寫體識別
第15章 網路最佳化
15.1 權重矩陣初始化
15.2 梯度下降最佳化算法
15.3 自適應學習率算法
第16章 正則化
16.1 過擬合
16.2 L2正則
16.3 L1正則
16.4 丟棄法
第八步 卷積神經網路
第17章 卷積神經網路的原理
17.1 卷積神經網路概論
17.2 卷積的前向計算
17.3 卷積層的訓練
17.4 池化層
第18章 卷積神經網路的套用
18.1 經典的卷積神經網路模型
18.2 實現顏色分類
18.3 實現幾何嫌詢和圖形分類
18.4 解決MNIST分類問題
第九步 循環神經網路
第19章 普通循環神經網路
19.1 循環神經網路概論
19.2 兩個時間步的循環神經網路
19.3 四個時間步的循環神經網路
19.4 通用的循環神經網路
19.5 實現空氣品質預測
第20章 高級循環神經網路
20.1 高級循環神經網路概論
20.2 LSTM的基本原理
20.3 LSTM的代碼實現
20.4 GRU的基本驗厚滲原理
20.5 序列到序列模型
結束語
第五步 非線性分類
第10章 多入單出的雙層神經網路——非線性二分類
10.1 雙變數非線性二分類
10.2 使用雙層神經網路的必要性
10.3 非線性二分類的實現
10.4 實現邏輯異或門
10.5 實現雙弧形二分類
10.6 雙弧形二分類的工作原理
第11章 多入多出的雙層神經網路——非線性多分類
11.1 雙變數非線性多分類
11.2 非線性多分類
第12章 多入多出的三層神經網路——深度非線性多分類
12.1 多變數非線性多分類
12.2 三層神經網路的實現
第六步 模型推理與套用部署
第13章 模型推理與套用部署
13.1 手工測試訓練效果
13.2 模型檔案概述
13.3 ONNX模型檔案
第七步 深度神經網路
第14章 搭建深度神經網路框架
14.1 框架設計
14.2 回歸任務功能測試
14.3 二分類任務功能測試
14.4 多分類功能測試
14.5 MNIST手寫體識別
第15章 網路最佳化
15.1 權重矩陣初始化
15.2 梯度下降最佳化算法
15.3 自適應學習率算法
第16章 正則化
16.1 過擬合
16.2 L2正則
16.3 L1正則
16.4 丟棄法
第八步 卷積神經網路
第17章 卷積神經網路的原理
17.1 卷積神經網路概論
17.2 卷積的前向計算
17.3 卷積層的訓練
17.4 池化層
第18章 卷積神經網路的套用
18.1 經典的卷積神經網路模型
18.2 實現顏色分類
18.3 實現幾何圖形分類
18.4 解決MNIST分類問題
第九步 循環神經網路
第19章 普通循環神經網路
19.1 循環神經網路概論
19.2 兩個時間步的循環神經網路
19.3 四個時間步的循環神經網路
19.4 通用的循環神經網路
19.5 實現空氣品質預測
第20章 高級循環神經網路
20.1 高級循環神經網路概論
20.2 LSTM的基本原理
20.3 LSTM的代碼實現
20.4 GRU的基本原理
20.5 序列到序列模型
結束語
