人工智能
类型
可以朗读
语音朗读
319千字
字数
2020-10-01
发行日期
展开全部
主编推荐语
迁移学习指南: 深度学习基础、精要概念及案例研究
内容简介
迁移学习是机器学习技术的一种，它可以从一系列机器学习问题的训练中获得知识，并将这些知识用于训练其他相似类型的问题。 本书分为3个部分，第1部分介绍深度学习基础，介绍了机器学习的基础知识、深度学习的基础知识和深度学习的架构；第2部分是迁移学习精要，介绍了迁移学习的基础知识和迁移学习的威力；第3部分是迁移学习案例研究，介绍了图像识别和分类、文本文档分类、音频事件识别和分类、DeepDream算法、风格迁移、自动图像扫描生成器、图像着色等内容。 本书适合数据科学家、机器学习工程师和数据分析师阅读，也适合对机器学习和迁移学习感兴趣的读者阅读。在阅读本书之前，希望读者对机器学习和Python编程有基本的掌握。
目录
- 版权信息
- 版权
- 版权声明
- 内容提要
- 序言
- 作者简介
- 审稿人简介
- 致谢
- 前言
- 资源与支持
- 第1部分 深度学习基础
- 第1章 机器学习基础
- 1.1 什么是机器学习
- 1.1.1 机器学习的正式定义
- 1.1.2 浅层学习和深度学习
- 1.2 机器学习算法
- 1.2.1 监督学习
- 1.2.2 无监督学习
- 1.3 CRISP-DM
- 1.3.1 业务理解
- 1.3.2 数据理解
- 1.3.3 数据准备
- 1.3.4 建模
- 1.3.5 评估
- 1.3.6 部署
- 1.4 标准机器学习工作流
- 1.4.1 数据检索
- 1.4.2 数据准备
- 1.4.3 建模
- 1.4.4 模型评估和调优
- 1.4.5 部署和监控
- 1.5 探索性数据分析
- 1.6 特征提取和特征工程
- 特征工程策略
- 1.7 特征选择
- 1.8 总结
- 第2章 深度学习精要
- 2.1 什么是深度学习
- 2.2 深度学习框架
- 2.3 创建一个支持GPU的云端深度学习环境
- 2.3.1 选择一个云供应商
- 2.3.2 设置虚拟服务器
- 2.3.3 配置虚拟服务器
- 2.3.4 安装和升级深度学习依赖项
- 2.3.5 访问深度学习云环境
- 2.3.6 在深度学习环境中验证启用GPU
- 2.4 创建一个支持GPU的、健壮的内部深度学习环境
- 2.5 神经网络基础
- 2.5.1 一个简单的线性神经元
- 2.5.2 基于梯度的最优化问题
- 2.5.3 雅可比矩阵和海森矩阵
- 2.5.4 导数的链式法则
- 2.5.5 随机梯度下降法
- 2.5.6 非线性神经单元
- 2.5.7 学习一个简单的非线性单元——逻辑单元
- 2.5.8 损失函数
- 2.5.9 数据表示
- 2.5.10 多层神经网络
- 2.5.11 反向传播——训练深度神经网络
- 2.5.12 神经网络学习中的挑战
- 2.5.13 模型参数初始化
- 2.5.14 提升SGD
- 2.5.15 神经网络的过拟合和欠拟合
- 2.5.16 神经网络的超参数
- 2.6 总结
- 第3章 理解深度学习架构
- 3.1 神经网络架构
- 为什么需要不同的架构
- 3.2 各种神经网络架构
- 3.2.1 多层感知机和深度神经网络
- 3.2.2 自编码神经网络
- 3.2.3 变分自编码器
- 3.2.4 生成式对抗网络
- 3.2.5 卷积神经网络
- 3.2.6 胶囊网络
- 3.2.7 递归神经网络
- 3.2.8 记忆神经网络
- 3.2.9 神经图灵机
- 3.2.10 基于注意力的神经网络模型
- 3.3 总结
- 第2部分 迁移学习精要
- 第4章 迁移学习基础
- 4.1 迁移学习简介
- 迁移学习的优点
- 4.2 迁移学习策略
- 4.3 迁移学习和深度学习
- 4.3.1 迁移学习方法论
- 4.3.2 预训练模型
- 4.3.3 应用
- 4.4 深度迁移学习类型
- 4.4.1 领域适应
- 4.4.2 领域混淆
- 4.4.3 多任务学习
- 4.4.4 一次性学习
- 4.4.5 零样本学习
- 4.5 迁移学习的挑战
- 4.5.1 负向迁移
- 4.5.2 迁移边界
- 4.6 总结
- 第5章 释放迁移学习的威力
- 5.1 迁移学习的必要性
- 5.1.1 阐述现实世界问题
- 5.1.2 构建数据集
- 5.1.3 描述方法
- 5.2 从零开始构建CNN模型
- 5.2.1 基本CNN模型
- 5.2.2 正则化的CNN模型
- 5.2.3 图像增强的CNN模型
- 5.3 使用预训练的CNN模型利用迁移学习
- 5.3.1 理解VGG-16模型
- 5.3.2 作为特征提取器的预训练CNN模型
- 5.3.3 作为特征提取器并使用图像增强的预训练CNN模型
- 5.3.4 使用微调和图像增强的预训练CNN模型
- 5.4 评估我们的深度学习模型
- 5.4.1 模型在一个样本测试图像上进行预测
- 5.4.2 将CNN模型的感知可视化
- 5.4.3 在测试数据上评估模型性能
- 5.5 总结
- 第3部分 迁移学习案例研究
- 第6章 图像识别和分类
- 6.1 基于深度学习的图像分类
- 6.2 基准数据集
- 6.3 最先进的深度图像分类模型
- 6.4 图像分类和迁移学习
- 6.4.1 CIFAR-10数据集
- 6.4.2 犬种鉴定数据集
- 6.5 总结
- 第7章 文本文档分类
- 7.1 文本分类
- 7.1.1 传统文本分类
- 7.1.2 BoW模型的缺点
- 7.1.3 基准数据集
- 7.2 单词表示形式
- 7.2.1 Word2vec模型
- 7.2.2 使用gensim框架的Word2vec模型
- 7.2.3 GloVe模型
- 7.3 CNN文档模型
- 7.3.1 构建一个评论情感分类器
- 7.3.2 哪些单词嵌入变化最大
- 7.3.3 迁移学习在IMDB数据集中的应用
- 7.3.4 使用Wordvec嵌入在完整的IMDB数据集上进行训练
- 7.3.5 使用CNN模型创建文档摘要
- 7.3.6 使用CNN模型进行多类别分类
- 7.3.7 文档嵌入可视化
- 7.4 总结
- 第8章 音频事件识别和分类
- 8.1 理解音频事件分类
- 阐述现实世界问题
- 8.2 音频事件的探索性分析
- 8.3 音频事件的特征工程和表示方法
- 8.4 使用迁移学习进行音频事件分类
- 8.4.1 根据基本特征构建数据集
- 8.4.2 利用迁移学习进行特征提取
- 8.4.3 构建分类模型
- 8.4.4 评估分类器的性能
- 8.5 构建一个深度学习音频事件识别器
- 8.6 总结
- 第9章 DeepDream
- 9.1 介绍
- 9.1.1 计算机视觉中的算法幻想性视错觉
- 9.1.2 可视化特征图
- 9.2 DeepDream算法
- 例子
- 9.3 总结
- 第10章 风格迁移
- 10.1 理解神经风格迁移
- 10.2 图像预处理方法
- 10.3 构建损失函数
- 10.3.1 内容损失
- 10.3.2 风格损失
- 10.3.3 总变差损失
- 10.3.4 总体损失函数
- 10.4 创建一个自定义优化器
- 10.5 风格迁移实战
- 10.6 总结
- 第11章 自动图像扫描生成器
- 11.1 理解图像描述
- 11.2 明确目标
- 11.3 理解数据
- 11.4 构建自动图像描述系统的方法
- 11.4.1 概念方法
- 11.4.2 实际动手的方法
- 11.5 使用迁移学习的图像特征提取
- 11.6 为描述构建一个词汇表
- 11.7 构建一个图像描述数据集生成器
- 11.8 构建图像语言编码器-解码器深度学习模型
- 11.9 训练图像描述深度学习模型
- 11.10 评估图像描述深度学习模型
- 11.10.1 加载数据和模型
- 11.10.2 理解贪婪搜索和集束搜索
- 11.10.3 实现一个基于集束搜索的描述生成器
- 11.10.4 理解并实现BLEU分数
- 11.10.5 在测试数据上评估模型性能
- 11.11 自动图像描述实战
- 11.11.1 户外场景样本图像描述
- 11.11.2 流行运动样本图像描述
- 11.11.3 未来的改进空间
- 11.12 总结
- 第12章 图像着色
- 12.1 问题陈述
- 12.2 彩色图像
- 12.2.1 颜色理论
- 12.2.2 颜色模型和颜色空间
- 12.2.3 重审问题陈述
- 12.3 构建一个着色深度神经网络
- 12.3.1 预处理
- 12.3.2 损失函数
- 12.3.3 编码器
- 12.3.4 迁移学习——特征提取
- 12.3.5 融合层
- 12.3.6 解码器
- 12.3.7 后处理
- 12.3.8 训练和结果
- 12.4 挑战
- 12.5 进一步改进
- 12.6 总结
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
人民邮电出版社
人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。
