企業(yè)級(jí)AI技術(shù)內(nèi)幕：深度學(xué)習(xí)框架開(kāi)發(fā)+機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)+Alluxio解密

定　價(jià)：￥168.00

作　者：	王家林，段智華著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥152.30)

ISBN：	9787302561774	出版時(shí)間：	2020-11-01	包裝：	精裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	640	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《企業(yè)級(jí)AI技術(shù)內(nèi)幕：深度學(xué)習(xí)框架開(kāi)發(fā)+機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)+Alluxio解密》分為盤(pán)古人工智能框架開(kāi)發(fā)專(zhuān)題篇、機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)篇、分布式內(nèi)存管理Alluxio解密篇，分別對(duì)人工智能開(kāi)發(fā)框架、機(jī)器學(xué)習(xí)案例及Alluxio系統(tǒng)進(jìn)行透徹解析。盤(pán)古人工智能框架開(kāi)發(fā)專(zhuān)題篇，通過(guò)代碼講解多層次神經(jīng)網(wǎng)絡(luò)、前向傳播算法、反向傳播算法、損失度計(jì)算及可視化、自適應(yīng)學(xué)習(xí)和特征歸一化等內(nèi)容。機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)篇，選取機(jī)器學(xué)習(xí)中具代表性的經(jīng)典案例，透徹講解機(jī)器學(xué)習(xí)數(shù)據(jù)預(yù)處理、簡(jiǎn)單線性回歸、多元線性回歸、多項(xiàng)式回歸、支持向量回歸、決策樹(shù)回歸、隨機(jī)森林回歸等回歸算法，邏輯回歸、k近鄰算法、支持向量機(jī)、樸素貝葉斯、決策樹(shù)分類(lèi)、隨機(jī)森林分類(lèi)等分類(lèi)算法、ｋ均值聚類(lèi)、層次聚類(lèi)等聚類(lèi)算法，以及關(guān)聯(lián)分析算法，并對(duì)回歸模型、分類(lèi)模型進(jìn)行性能評(píng)估。分布式內(nèi)存管理Alluxio解密篇，詳細(xì)講解Alluxio架構(gòu)、部署、底層存儲(chǔ)及計(jì)算應(yīng)用、基本用法、運(yùn)行維護(hù)等內(nèi)容。

作者簡(jiǎn)介

　　王家林，Apache Spark執(zhí)牛耳者現(xiàn)工作于硅谷的AI實(shí)驗(yàn)室，專(zhuān)注于NLP框架超過(guò)20本Spark、AI、Android書(shū)籍作者Toastmasters International Division Director GRE博士入學(xué)考試連續(xù)兩次滿分獲得者段智華，就職于中國(guó)電信股份有限公司上海分公司，系統(tǒng)架構(gòu)師，CSDN博客專(zhuān)家，專(zhuān)注于Spark大數(shù)據(jù)技術(shù)研發(fā)及推廣，跟隨Spark核心源碼技術(shù)的發(fā)展，深入研究Spark 2.1.1版本及Spark 2.2.0版本的源碼優(yōu)化，對(duì)Spark大數(shù)據(jù)處理、機(jī)器學(xué)習(xí)等技術(shù)有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)和濃厚興趣。

圖書(shū)目錄

盤(pán)古人工智能框架開(kāi)發(fā)專(zhuān)題篇
第1章導(dǎo)論：為什么人工智能是必然的未來(lái)
1．1 為什么一定需要人工智能
1．2 人工智能為何如此強(qiáng)大
1．3 學(xué)習(xí)人工智能的正道
1．4 人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)三者之間的關(guān)系
1．5 人工智能的十大經(jīng)典應(yīng)用場(chǎng)景
1．6 人工智能在海量數(shù)據(jù)處理中不可替代的原因
1．7 本書(shū)開(kāi)發(fā)環(huán)境的安裝
第2章盤(pán)古人工智能框架多層次神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
2．1 盤(pán)古人工智能框架
2．2 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)結(jié)構(gòu)
2．3 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)層之間節(jié)點(diǎn)的連接
2．4 如何初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重
2．5 實(shí)現(xiàn)多個(gè)隱藏層
第3章盤(pán)古人工智能框架的前向傳播功能
3．1 前向傳播功能
3．1．1 從TensorFlow的可視化運(yùn)行過(guò)程理解前向傳播功能
3．1．2 從架構(gòu)層面理解前向傳播功能
3．1．3 理解前向傳播原理
3．2 在每個(gè)節(jié)點(diǎn)上增加數(shù)據(jù)的輸入和計(jì)算結(jié)果
3．3 實(shí)現(xiàn)前向傳播算法
3．4 使用Sigmoid函數(shù)作為激活函數(shù)
3．5 測(cè)試前向傳播算法并分析計(jì)算結(jié)果
第4章盤(pán)古人工智能框架的反向傳播功能
4．1 深度學(xué)習(xí)是如何學(xué)習(xí)的
4．2 實(shí)現(xiàn)反向傳播算法
4．3 反向傳播算法測(cè)試及分析計(jì)算結(jié)果
第5章盤(pán)古人工智能框架的損失度計(jì)算及其可視化
5．1 關(guān)于損失度的思考——所有人工智能框架終身的魔咒
5．2 編碼實(shí)現(xiàn)損失度并進(jìn)行測(cè)試
5．3 損失度可視化運(yùn)行結(jié)果
第6章通過(guò)特征歸一化和自適應(yīng)學(xué)習(xí)優(yōu)化盤(pán)古人工智能框架
6．1 盤(pán)古人工智能框架性能測(cè)試及問(wèn)題剖析
6．2 使用特征歸一化進(jìn)行性能優(yōu)化
6．3 使用自適應(yīng)學(xué)習(xí)進(jìn)行性能優(yōu)化
第7章盤(pán)古人工智能框架實(shí)現(xiàn)方法大總結(jié)
7．1 盤(pán)古人工智能框架性能測(cè)試
7．2 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)及和TensorFlow的對(duì)比
7．3 前向傳播算法實(shí)現(xiàn)及其和TensorFlow的算法對(duì)比
7．4 反向傳播算法實(shí)現(xiàn)及與TensorFlow的對(duì)比
7．5 損失度計(jì)算實(shí)現(xiàn)與TensorFlow的對(duì)比
7．6 人工智能盤(pán)古框架源代碼
第8章使用矩陣的方式編寫(xiě)人工智能框架
8．1 使用矩陣編寫(xiě)人工智能框架
8．2 測(cè)試及分析計(jì)算結(jié)果
8．3 對(duì)使用矩陣方式編寫(xiě)的人工智能框架進(jìn)行優(yōu)化
第9章使用四種性能優(yōu)化矩陣編寫(xiě)人工智能框架
9．1 梯度下降陷阱
9．2 增加和調(diào)整alpha參數(shù)
9．3 人工智能框架的改進(jìn)優(yōu)化
第10章人工智能及感知元解密
10．1 人工智能是什么，怎么做，前景為什么好
10．2 計(jì)算機(jī)視覺(jué)面臨的困境及突破
10．3 感知器解密
10．4 計(jì)算機(jī)圖像識(shí)別
第1 1章神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及Sigmoid函數(shù)
11．1 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)與非門(mén)
11．2 神經(jīng)網(wǎng)絡(luò)為什么能夠完成各類(lèi)計(jì)算
11．3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)解密．：
11．4 Sigmoid函數(shù)背后的設(shè)計(jì)和實(shí)現(xiàn)密碼
11．5 Sigmoid函數(shù)的弱點(diǎn)及改進(jìn)
第12章用神經(jīng)網(wǎng)絡(luò)識(shí)別手寫(xiě)數(shù)字
12．1 神經(jīng)網(wǎng)絡(luò)識(shí)別手寫(xiě)數(shù)字的原理
12．2 為何識(shí)別數(shù)字的三層神經(jīng)網(wǎng)絡(luò)輸出層為10個(gè)神經(jīng)元
……
機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)篇
分布式內(nèi)存管理Alluxio解密篇