《深度學習基礎與案例教程》主要介紹深度學習基礎理論及案例實戰(zhàn)，共11章內容，從人工智能基礎，到深度學習算法原理，再到深度學習項目實戰(zhàn)，邏輯清晰，由淺入深，內容層次分明，從簡單的線性模型引出非線性的深度學習模型。深度學習模型部分主要講解卷積神經網絡、循環(huán)神經網絡、Transformer模型、生成對抗網絡、遷移學習等。《深度學習基礎與案例教程》在介紹理論內容時配有公式推導和詳細的闡述，便于讀者理解。在項目實戰(zhàn)方面，本書每個算法理論都對應一個案例進行鞏固，并在最后兩章結合深度學習的兩大領域——自然語言處理與計算機視覺，選取電影評論情感分析與圖像分類作為全書的綜合實戰(zhàn)項目，對全書內容進行總結�！渡疃葘W習基礎與案例教程》基于TensorFlow框架開發(fā)，代碼簡潔明了，每個項目實戰(zhàn)案例都配有完整的項目實現(xiàn)代碼，并對代碼進行了詳細的注解�！渡疃葘W習基礎與案例教程》可以作為高等院校人工智能相關專業(yè)本科生、研究生的入門教材，也可作為相關工程技術人員的參考書。
1.涉及人工智能基礎、深度學習算法原理、深度學習項目實戰(zhàn)。2.在介紹理論內容時配有公式推導和詳細的闡述。3.每個算法理論都對應一個案例進行鞏固。
深度學習作為機器學習的一個重要分支，近年來在人工智能領域取得了顯著的突破和進展。憑借強大的表示學習和特征學習能力，深度學習在圖像識別、語音識別、自然語言處理等多個領域取得了超越傳統(tǒng)方法的性能表現(xiàn)。隨著大數(shù)據(jù)、高性能計算和算法理論的不斷發(fā)展，深度學習的應用范圍和影響力也在不斷擴大，目前已經被廣泛應用于各個領域。為了滿足社會對相關人才的需求，亟待提高學生對深度學習及其技術的理解和掌握能力，提升模型綜合應用能力�！渡疃葘W習基礎與案例教程》首先對人工智能基礎進行概述，由淺入深地介紹深度學習的基礎知識，以簡單的線性模型作為切入點，逐步過渡到非線性的神經網絡�！渡疃葘W習基礎與案例教程》對深度學習幾大經典算法進行了細致的講解，包括用于處理圖像數(shù)據(jù)的卷積神經網絡，用于處理序列數(shù)據(jù)的循環(huán)神經網絡和Transformer模型。除深度學習領域的經典算法外，《深度學習基礎與案例教程》還詳細闡述了深度學習中的幾種處理問題的思路，包括遷移學習、生成對抗網絡，幫助讀者建立解決問題的思維模式。最后，《深度學習基礎與案例教程》結合講解過的深度學習技術與實際生活中的場景，提供兩個綜合案例來進行鞏固提升。第一個案例是電影評論情感分析，涉及循環(huán)神經網絡和文本語義處理等知識的綜合應用。第二個案例是圖像分類，涉及卷積神經網絡及圖像處理、數(shù)據(jù)可視化、模型的部署等知識的綜合應用�！渡疃葘W習基礎與案例教程》特點鮮明，算法理論與實戰(zhàn)相結合。在每個算法理論講解完成后，都會通過一個案例對算法理論進行鞏固，并為案例提供了詳細的解析步驟，從而加深讀者對理論的理解。最后，通過兩個綜合實戰(zhàn)對全書內容進行總結，涵蓋深度學習的兩大領域，即自然語言處理與計算機視覺�！渡疃葘W習基礎與案例教程》的第1~7章主要由遲殿委編寫，第8章主要由徐紅梅、黃茵茵、劉夢瑤編寫，第9~11章主要由賈澤豪編寫，教材課件制作和文檔資料整理由劉麗貞負責，劉衍琦、黃琪、孔德昱、黃甜甜、杜廣勛參與了項目代碼調試和整理工作。遲殿委對全文進行了統(tǒng)一的內容校對與格式編輯�！渡疃葘W習基礎與案例教程》基于TensorFlow框架編寫深度學習經典算法，環(huán)境搭建步驟清晰、簡潔，易于上手，重點放在算法理解和應用�！渡疃葘W習基礎與案例教程》配套了全部源代碼、電子課件、教學大綱等教學資源，可以作為高等院校人工智能相關專業(yè)教材或教參用書，也可以作為工程師的參考用書。感謝各位讀者對本書的關注和實踐。在編寫過程中，由于技術的快速發(fā)展，書中可能存在一些不足之處。我們誠摯地歡迎讀者們提出寶貴的反饋意見，以幫助我們不斷完善和改進教材內容及案例。
遲殿委，計算機軟件與理論專業(yè)碩士，副教授、高級工程師。有豐富企業(yè)軟件研發(fā)經驗和技術培訓經驗，企業(yè)系統(tǒng)架構設計師。研究方向為機器學習，已出版多部與大數(shù)據(jù)分析與挖掘相關教材，發(fā)表與深度學習相關學術論文10余篇。立項省廳級教學改革課題1項，立項協(xié)同育人項目1項，參與廳級項目多項。發(fā)表SCI、EI檢索論文10余篇，立項廳級項目2項。
前言第1章人工智能基礎11人工智能簡介111人工智能的背景112人工智能的歷史113人工智能的定義12人工智能的特征13人工智能參考框架14人工智能研究內容141研究領域142人工智能算法及分類15人工智能研究方向151知識圖譜152自然語言處理153人機交互154計算機視覺16思考與練習第2章機器學習與深度學習入門21機器學習簡介211什么是機器學習212機器學習的發(fā)展史213機器學習的分類22機器學習的基礎理論221機器學習三要素與核心222機器學習開發(fā)流程22315種經典機器學習算法224機器學習常用術語23深度學習簡介231什么是深度學習232深度學習開發(fā)框架233TensorFlow框架介紹24人工智能、機器學習、深度學習的關系25思考與練習第3章線性模型31線性回歸算法311線性回歸簡介312回歸算法的評價指標32梯度下降法321算法理解322隨機梯度下降法理論323案例：波士頓房價預測實戰(zhàn)33過擬合331過擬合產生的原因332常見線性回歸正則化方法333案例：波士頓房價預測正則化實戰(zhàn)34邏輯斯諦回歸341邏輯斯諦回歸算法342案例：求職錄用情況回歸實戰(zhàn)35SVM351SVM算法概述352案例：面部識別應用實戰(zhàn)36思考與練習第4章神經網絡基礎41神經網絡簡介411神經網絡理論412發(fā)展歷史及現(xiàn)狀413發(fā)展趨向及前沿問題414神經網絡的學習方法415神經網絡的研究趨勢42感知機421單層感知機422多層感知機43全連接神經網絡431全連接神經網絡與多層感知機432全連接神經網絡的結構44BP神經網絡441梯度下降法442反向傳播算法443案例：基于BP神經網絡模型的房價預測實戰(zhàn)45Dropout正則化46批標準化461批標準化的實現(xiàn)方式462批標準化的使用方式463案例：手寫數(shù)字識別分類實戰(zhàn)47思考與練習第5章卷積神經網絡51卷積神經網絡簡介511什么是卷積神經網絡512卷積神經網絡的基本模型513卷積神經網絡典型的應用開發(fā)流程52AlexNet模型521AlexNet模型簡介522AlexNet的特點523AlexNet的網絡結構524案例：基于AlexNet的Cifar10分類實戰(zhàn)53VGGNet模型531 VGGNet模型簡介532 VGG16的網絡架構533案例：基于VGG16的Cifar10分類實戰(zhàn)54ResNet模型541ResNet模型簡介542殘差學習543ResNet的網絡結構544案例：基于ResNet的Cifar10分類實戰(zhàn)55DenseNet模型551DenseNet模型簡介552DenseNet的結構553案例：基于DenseNet的貓狗圖像分類實戰(zhàn)56思考與練習第6章循環(huán)神經網絡61循環(huán)神經網絡簡介611什么是循環(huán)神經網絡612循環(huán)神經網絡的結構613案例：基于循環(huán)神經網絡的文本情感分析實戰(zhàn)62LSTM模型621LSTM簡介622LSTM結構623BiLSTM624案例：基于LSTM的文本情感分析實戰(zhàn)63思考與練習第7章Transformer模型71自注意力機制72自編碼器721自編碼器簡介722最簡單的自編碼器723案例：基于自編碼器的MNIST數(shù)據(jù)集重建實戰(zhàn)73Transformer機制及應用731Transformer機制732Transformer模型的應用及研究進展733案例：Transformer編碼器的簡單實現(xiàn)74思考與練習第8章生成對抗網絡81生成對抗網絡簡介811GAN模型812案例：基于GAN的手寫數(shù)字識別實戰(zhàn)82DCGAN821DCGAN模型822案例：基于DCGAN的手寫數(shù)字數(shù)據(jù)生成83CGAN831CGAN模型832案例：基于CGAN的手寫數(shù)字數(shù)據(jù)生成84思考與練習第9章遷移學習91遷移學習簡介911遷移學習的背景912遷移學習的理論913遷移學習的分類914遷移學習的實現(xiàn)方法915應用、挑戰(zhàn)及意義916案例：基于遷移學習的Cifar10分類實戰(zhàn)92遷移學習的應用921遷移學習在深度學習中的應用922遷移學習在強化學習中的應用93思考與練習第10章綜合實戰(zhàn)——電影評論情感分析101文本分類綜述1011背景1012文本分類的概念102項目實現(xiàn)過程1021詞嵌入向量1022IMDb數(shù)據(jù)集及處理1023使用RNN進行情感分析1024使用LSTM進行情感分析103思考與練習第11章綜合實戰(zhàn)——圖像分類111項目需求和數(shù)據(jù)集1111項目需求1112數(shù)據(jù)集112項目實現(xiàn)過程1121導入數(shù)據(jù)包1122處理數(shù)據(jù)1123搭建神經網絡1124設置優(yōu)化器、損失函數(shù)1125存取模型、斷點續(xù)訓1126保存參數(shù)1127可視化1128預測測試集1129打包程序113思考與練習參考文獻
書單推薦
