深度学习算法实践
  • 推荐0
  • 收藏1
  • 浏览240

深度学习算法实践

吴岸城 (作者) 

  • 书  号:978-7-121-31793-4
  • 出版日期:2017-07-17
  • 页  数:304
  • 开  本:16(170*240)
  • 出版状态:上市销售
  • 维护人:刘皎
纸质版 ¥79.00

相关图书

机器学习之路——Caffe、Keras、scikit-learn实战

阿布 胥嘉幸 (作者)

机器学习需要一条脱离过高理论门槛的入门之路。<br>本书《机器学习篇》从小红帽采蘑菇的故事开篇,介绍了基础的机器学习分类模型的训练(第1章)。如何评估、调试模型...

¥79.00

Python机器学习算法

赵志勇 (作者)

本书是一本机器学习入门读物,注重理论与实践的结合。全书主要包括6个部分,每个部分均以典型的机器学习算法为例,从算法原理出发,由浅入深,详细分析算法的理论,并配合...

¥69.00

零起点Python足彩大数据与机器学习实盘分析

何海群 (作者)

本书采用Python编程语言、Pandas数据分析模块、机器学习和人工智能算法,对足彩大数据进行实盘分析。设计并发布了开源大数据项目zc-dat足彩数据包,汇总...

¥69.00

零起点Python机器学习快速入门

何海群 (作者)

本书采用独创的黑箱模式,MBA案例教学机制,结合一线实战案例,介绍Sklearn人工智能模块库和常用的机器学习算法。书中配备大量图表说明,没有枯燥的数学公式,普...

¥39.00

大数据时代的算法:机器学习、人工智能及其典型实例

刘凡平 张启玉 (作者)

本书介绍在互联网行业中经常涉及的算法,包括排序算法、查找算法、资源分配算法、路径分析算法、相似度分析算法,以及与机器学习相关的算法,包括数据分类算法、聚类算法、...

¥49.00

R语言实战——机器学习与数据分析

左飞 (作者)

经典统计理论和机器学习方法为数据挖掘提供了必要的分析技术。本书系统地介绍统计分析和机器学习领域中最为重要和流行的多种技术及其基本原理,在详解有关算法的基础上,结...

¥79.00
本书以一位软件工程师的转型故事为线索,讲述算法思维的建立及实践。第1章主要讲解如何从传统的工程思维转入算法思维,第2-5章分别阐述文本处理、视觉识别、Bot机器人、强化学习方向的算法实践,第6章案例阐述预测与推荐的应用。
一站式了解深度学习算法,结合实际工作中的常见问题举一反三、快速上手!
前言
随着机器智能的进步,人类预测技能的价值将会降低。原因在于机器预测比人工预测更为低价和优质,正如机器算数肯定比人力算数更为迅速准确。然而,这却并不像许多专家预言的意味着人类工作的末日,因为人类判断技能的价值将得以凸显。用经济学语言表述就是,判断是预测的互补品,因此当预测的成本降低,对判断的需求就会增大。
——The Simple Economics of Machine Intelligence,《哈佛商业评论》
当年互联网的大潮席卷一切时,数字通信技术被认为将颠覆商业、改变一切。之后的移动互联网也在某种程度上被认为将颠覆商业。经济学家总体上并没有被当时的互联网泡沫所忽悠。
现如今,有关人工智能的报道铺天盖地,有昔日“新经济”泡沫之势。这一次,基本的经济学原理和框架就足以帮助我们理解和预测这一技术形态对商业产生的影响。技术革命往往会使某些重要活动的成本降低,比如说通信或搜索信息等活动。究其实质,人工智能或者机器智能(Machine Intelligence)是一项预测技术,因此它的经济影响将围绕降低预测成本这个中心来展开。
对于已经身处这个大潮中的开发者、架构师、数据分析人员等,只能去拥抱这项技术。深度学习并不是一项凭空冒出来的技术,它在机器学习之上做了很多优化。本质上所有的有监督学习都是在探讨怎样无限地逼近目标函数(强化学习另外讨论),而深度网络就是让机器代替人类提取特征的工作变得更有可能真正实现。在经济学家的眼里,现阶段人工智能的本质是从预测(或分类问题)开始,我想通过几个实际的例子来和大家聊聊这个话题;另一方面,我的团队在工作中积累了一些实际经验,我们也希望能将这些经验贡献出来,如果能在某种程度上对读者有所帮助那就最好不过了。以上两点,促成了本书的诞生。
我的前一本书(《神经网络与深度学习》,电子工业出版社出版)偏向于概念讲解,因为写的时候深度学习并不普及,让大众了解深度学习的基本概念是最急迫的目标。现在这本书大部分内容则偏向于应用,因为无论是降低社会成本,还是发明创造出新算法,都离不开实践;如果还能从实践中思考一些东西,那就是举一反三的能力了——这是我们人类独特的价值。所以在本书后面的强化学习、股票预测等章节,我们都会留一些问题,读者可以亲自实践,用深度学习这个工具创造出更多的价值,更长远地说,为推动强人工智能贡献自己的一份力量。
我一直相信,创造具有意识的AI,对所有的科技人员是一种诱惑,尽管有可能造出来就意味着人类的边缘化,但即便如此,仍然还要憋着劲去研究如何把它造出来——这简直就不像人类的自由意志了,更像背后有一只手在推动着,我想上帝在造人时的心情也不过如此吧。
本书面向有一定基础、在工作中对深度学习有一定实际需求的读者;另外也面向那些有志于从传统的软件工程领域转型的工程师们。
本书一共分为6 章。
第1 章,主要讲从工程思维到算法思维的转变,对于有基础的读者来说稍显啰嗦,但很重要,希望读者能仔细阅读。
第2 章,阐述文本分析、文本深度特征等内容,已有基础的读者可以根据自己的需求部分略过。
第3 章,主要介绍对话机器人的相关技术和发展。
第4 章,主要介绍视觉,以人脸检测为例,从传统的OpenCV 模式识别做人脸检测到用CNN 网络做人脸表情识别。勾勒CNN 的传承发展,讲述做图像分类、目标识别等其他一些应用。
第5 章,主要讲区别于一般的有监督学习的另一个问题:强化学习和DQN 网络实践。
第6 章,主要讲预测与推荐,以股票为例,并同时讨论了深度学习在推荐领域的应用。
本书的完成得到了团队的大力支持:张帅、郭晓璐提供了图像方面的支持;周维提供了强化学习内容上的支持,在此衷心地感谢他们。
下面是本书所用到的环境说明。
为保持一致性,本书所有的代码如无特殊说明都基于Python 2.7 版本,系统环境为Ubuntu 16.04,以及所用到的Keras、TensorFlow、MXNet、Caffe、Openface、openai、OpenCV、Dlib、NumPy、SciPy、gensim、Theano 等均为2016 年9 月的最新版本。
本书的部分源代码整理在: https://github.com/wac81/Book_DeepLearning_Practice,仅供研究使用,使用时请注明来源,如需用作商业或其他用途,请联系作者取得授权。

目录

1 开始 1
1.1 从传统的软件工程思维转型 1
1.2 建立算法思维 2
1.2.1 算法的开发流程 3
1.2.2 做算法的步骤 4
1.2.3 英特的总结 8
1.3 观察!观察!观察!重要的事情说三遍 11
2 文本分析实战 15
2.1 第一个文本问题 15
2.1.1 邮件标题的预处理 15
2.1.2 选用算法 18
2.1.3 用CNN 做文本分类 21
2.2 情感分类 24
2.2.1 先分析需求 24
2.2.2 词法分析 25
2.2.3 机器学习 28
2.2.4 试试LSTM 模型 30
2.3 文本深度特征提取 31
2.3.1 词特征表示 31
2.3.2 句子特征表示 42
目录
VII ?
2.3.3 深度语义模型 51
3 做一个对话机器人 53
3.1 理解人类提问 56
3.2 答案的抽取和选择 57
3.3 蕴含关系 62
3.4 生成式对话模型(Generative Model ) 63
3.5 判断机器人说话的准确性 69
3.6 智能对话的总结和思考 70
4 视觉识别 73
4.1 从人脸识别开始 74
4.1.1 OpenCV 能做什么 74
4.1.2 检测精度的进化:Dlib 79
4.1.3 表情识别:Openface 83
4.2 深度卷积网络 87
4.2.1 CNN 的演化过程 87
4.2.2 深度卷积和更深的卷积 96
4.2.3 实现更深的卷积网络 103
4.2.4 残差网络的实现 108
4.2.5 十全大补药:通用的提高精度的方法 111
4.2.6 图像训练需要注意的地方 116
4.3 目标检测 125
4.3.1 用SSD 来实现目标检测应用 133
4.3.2 SSD 训练源码提示 136
4.4 视觉领域的应用 138
4.4.1 艺术风格画 138
4.4.2 看图说话:用文字描述一幅图像(BiRNN+CNN) 140
4.4.3 CNN 的有趣应用:语音识别 142
5 强化学习实践 144
5.1 吃豆子和强化学习 144
5.2 马尔科夫决策过程 146
5.3 理解Q 网络 149
深度学习算法实践
? VIII
5.4 模拟物理世界:OpenAI 151
5.5 实现一个DQN 153
5.5.1 DQN 代码实现 153
5.5.2 DQN 过程的图表化 159
5.6 关于强化学习的思考 162
5.6.1 强化学习的特殊性 162
5.6.2 知识的形成要素:记忆 164
5.6.3 终极理想:终身学习 169
6 预测与推荐 172
6.1 从Google 的感冒预测说起 172
6.2 股票预测(一) 174
6.2.1 股票业务整理 175
6.2.2 数据获取和准备 178
6.2.3 模型搭建 182
6.2.4 优化 185
6.2.5 后续 186
6.3 股票预测(二) 188
6.4 深度学习在推荐领域的应用:Lookalike 算法 196
6.4.1 调研 197
6.4.2 实现 200
6.4.3 结果 204
6.4.4 总结探讨 204
参考文献 206

读者评论