hiskio

    深度學習｜使用Keras

    本書將帶領您認識各種進階的深度學習技術，以及如何建立您專屬的劃時代AI。透過Keras完成各種實做專題，您會知道如何運用最新技術來建立高效率AI服務。

    收集中
    US$17.79
    本書將帶領您認識各種進階的深度學習技術，以及如何建立您專屬的劃時代AI。透過Keras完成各種實做專題，您會知道如何運用最新技術來建立高效率AI服務。

    本書將會介紹MLP、CNN與RNN等神經網路，這些是諸多進階技術的基石。藉由本書，您可以了解如何運用Keras與Tensorflow來實作深度學習。本書也會帶領您深入探討深度神經網路架構，包括ResNet、DenseNet以及自動編碼器。

    本書後半著眼於各種對抗生成網路（GAN），以及為什麼它們可以讓AI效能更上一層樓。實作變分編碼器（VAE）之後，您就能理解如何運用GAN與VAE強大的生成能力，並合成出讓人類信以為真的合成資料。最後介紹的是深度強化學習（DRL），例如深度Q學習與策略梯度方法等等，這些對於近年AI的發展上至關重要。

    本書精彩內容：
    ．讓AI效能足以比美人類的各種尖端技術
    ．使用Keras實作各種進階深度學習模型
    ．各種進階技術的基石 - MLP、CNN與RNN
    ．深度神經網路 – ResNet與DenseNet
    ．自動編碼器與變分編碼器（VAE）
    ．生成對抗網路（GAN）與各種嶄新的AI技術
    ．抽離語義特徵GAN與跨域GAN
    ．深度強化學習（DRL）的理論與實作
    ．使用 OpenAI gym 建立符合業界標準的應用
    ．深度Q學習與策略梯度方法

    章节目录

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      本書貢獻者
    • 1-4
      目錄
    • 1-5
      前言
    • 1-6
      Ch01 認識進階深度學習與Keras
    • 1-7
      為什麼Keras 是最棒的深度學習函式庫？
    • 1-8
      安裝Keras 與TensorFlow
    • 1-9
      實作核心深度學習模型 – MLP、CNN 與RNN
    • 1-10
      MLP、CNN 與RNN 的差異
    • 1-11
      多層感知器（MLP）
    • 1-12
      MNIST 資料集
    • 1-13
      MNIST 數字分類器模型
    • 1-14
      正規化
    • 1-15
      輸出觸發與損失函數
    • 1-16
      最佳化
    • 1-17
      效能評估
    • 1-18
      模型總結
    • 1-19
      卷積神經網路（CNN）
    • 1-20
      卷積
    • 1-21
      池化操作
    • 1-22
      效能評估與模型總覽
    • 1-23
      循環神經網路（RNN）
    • 1-24
      結論
    • 1-25
      參考資料
    • 1-26
      Ch02 深度神經網路
    • 1-27
      Functional API
    • 1-28
      建立一個雙- 輸入/ 單- 輸出的模型
    • 1-29
      深度殘差網路（ResNet）
    • 1-30
      ResNet v2
    • 1-31
      密集連接卷積網路（DenseNet）
    • 1-32
      建置用於CIFAR10 的100 層DenseNet-BC
    • 1-33
      結論
    • 1-34
      參考資料
    • 1-35
      Ch03 自動編碼器
    • 1-36
      自動編碼器的運作原理
    • 1-37
      使用Keras 來建置自動編碼器
    • 1-38
      降噪自動編碼器（DAE）
    • 1-39
      自動上色自動編碼器
    • 1-40
      總結
    • 1-41
      參考資料
    • 1-42
      Ch04 GAN 生成對抗網路
    • 1-43
      GAN 總覽
    • 1-44
      GAN 的運作原理
    • 1-45
      使用Keras 實作GAN
    • 1-46
      條件GAN
    • 1-47
      總結
    • 1-48
      參考資料
    • 1-49
      Ch05 各種改良版GAN
    • 1-50
      Wasserstein GAN
    • 1-51
      距離函數
    • 1-52
      GAN 中的距離函數
    • 1-53
      Wasserstein 損失的用途
    • 1-54
      使用Keras 實作WGAN
    • 1-55
      Least-squares GAN（LSGAN）
    • 1-56
      輔助分類器GAN（ACGAN）
    • 1-57
      總結
    • 1-58
      參考資料
    • 1-59
      Ch06 抽離語意特徵GAN
    • 1-60
      抽離語意特徵
    • 1-61
      InfoGAN
    • 1-62
      使用Kera 實作InfoGAN
    • 1-63
      InfoGAN 的生成器輸出
    • 1-64
      StackedGAN
    • 1-65
      使用Keras 實作StackedGAN
    • 1-66
      StackedGAN 的生成器輸出
    • 1-67
      結論
    • 1-68
      參考資料
    • 1-69
      Ch07 跨域GAN
    • 1-70
      CycleGAN 運作原理
    • 1-71
      CycleGAN 模型
    • 1-72
      使用Keras 實作CycleGAN
    • 1-73
      CycleGAN 的生成器輸出
    • 1-74
      將CycleGAN 用於MNIST 與SVHN 資料集
    • 1-75
      總結
    • 1-76
      參考資料
    • 1-77
      Ch08 變分自動編碼器
    • 1-78
      VAE 的運作原理
    • 1-79
      變分推論
    • 1-80
      核心方程式
    • 1-81
      最佳化
    • 1-82
      再參數化法
    • 1-83
      解碼器測試
    • 1-84
      Keras 中的VAE
    • 1-85
      將CNN 用於VAE
    • 1-86
      條件VAE（CVAE）
    • 1-87
      B -VAE：具有抽離語意潛在特徵的VAE
    • 1-88
      結論
    • 1-89
      參考資料
    • 1-90
      Ch09 深度強化學習
    • 1-91
      強化學習（RL）的原理
    • 1-92
      Q 值
    • 1-93
      Q 學習範例
    • 1-94
      使用Python 實作Q 學習
    • 1-95
      非確定性環境
    • 1-96
      時間- 差分學習
    • 1-97
      在OpenAI gym 中執行Q- 學習
    • 1-98
      深度Q 網路（DQN）
    • 1-99
      使用Keras 實作DQN
    • 1-100
      雙重Q- 學習（DDQN）
    • 1-101
      結論
    • 1-102
      參考資料
    • 1-103
      Ch10 策略梯度方法
    • 1-104
      策略梯度定理
    • 1-105
      Monte Carlo 策略梯度（REINFORCE）法
    • 1-106
      具基準的REINFORCE 法
    • 1-107
      動作- 評價法
    • 1-108
      優勢動作- 評價（A2C）法
    • 1-109
      Keras 中的各種策略梯度法
    • 1-110
      策略梯度法的效能評估
    • 1-111
      總結
    • 1-112
      參考資料
    • 1-113
      版權頁
    • 1-114
      封底頁

    常见问答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜欢

    用户评价

    | 收集中

    销售方案