內容簡介

本書遵循循序漸進、兼顧理論和實踐的原則，從神經網路基本概念入手，以圖文並茂的形式生動地講解啟動函數和反向傳播等概念原理，並以人臉識別和動作檢測為例，讓讀者直觀地瞭解深度學習的應用場景，在知識內容方面，不但包含決策樹、隨機森林等常規演算法，還重點講解了LSTM、CNN神經網路等主流演算法，在代碼實踐方面，比較深入地講解開發細節，詳細介紹了相關網路結構、參數調優和各種網路的對照比較，對程式師實際動手有比較強的參考意義。

此外，本書還包含了常用啟動函數，讀者可以方便的在附錄中查詢相關函數特性，是一本集原理、實踐與資料查詢為一體的書籍。

作者介紹

馬特·R科爾（Matt R Cole）是一名經驗豐富的開發人員和作者，在Microsoft Windows、C、C++、 C#和NET方面有30年的經驗。他是Evolved AI Solutions公司的老闆，該公司是高級機器學習/生物AI技術的主要供應商。他開發了個完全用C#和NET編寫的企業級微服務框架，該框架被紐約一家大型對沖基金生產。他還開發了個完全整合鏡像和標準神經元的生物人工智慧框架。

譯者序
前言
關於作者
關於審校者

第1章　快速預覽1
11　神經網路概述2
111　神經網路訓練4
112　神經網路的結構指南4
12　神經網路在當今企業中的作用6
13　學習的類型6
131　有監督學習7
132　無監督學習7
133　強化學習7
14　瞭解感知器7
15　瞭解啟動函數10
151　啟動函數繪圖12
152　函數繪圖13
16　瞭解後向傳播16
17　小結17
18　參考文獻17

第2章　構建第一個神經網路18
21　一個簡單的神經網路18
22　神經網路訓練19
221　突觸20
222　神經元21
223　前向傳播21
224　Sigmoid函數21
225　後向傳播22
226　計算誤差23
227　計算梯度23
228　更新權重23
229　計算值23
23　神經網路函數24
231　創建新網路24
232　導入現有網路24
233　導入資料集27
234　網路運算27
235　匯出網路28
236　訓練網路28
237　測試網路29
238　計算前向傳播29
239　將網路匯出為JSO格式29
2310　匯出資料集30
24　神經網路30
25　例子31
251　訓練到最小值31
252　訓練到最大值31
26　小結32

第3章　決策樹和隨機森林33
31　決策樹33
311　決策樹的優點34
312　決策樹的缺點35
313　何時應該使用決策樹35
32　隨機森林35
321　隨機森林的優點36
322　隨機森林的缺點36
323　何時應該使用隨機森林36
33　SharpLearig37
331　術語37
332　載入和保存模型37
34　示例代碼和應用程式41
341　保存模型41
342　均方差回歸指標41
343　F1分數41
344　優化42
345　示例應用程式142
346　示例應用程式2—葡萄酒品質43
35　小結45
36　參考文獻45

第4章　面部和運動檢測46
41　面部檢測46
42　運動檢測54
43　小結59

第5章　使用CovetSharp訓練C60
51　熱身60
52　篩檢程式64
53　創建網路64
531　第一個簡單的例子65
532　第二個簡單的例子66
533　第三個簡單的例子67
534　使用FluetAPI68
54　GPU68
55　使用MIST資料集進行流暢設計訓練68
56　訓練網路69
561　測試資料70
562　預測資料71
563　計算圖71
57　小結73
58　參考文獻73

第6章　使用RSharp訓練自動編碼器74
61　什麼是自動編碼器74
62　自動編碼器的分類74
621　標準自動編碼器75
622　變分自動編碼器76
623　降噪自動編碼器76
624　稀疏自動編碼器76
63　創建自己的自動編碼器76
64　小結87
65　參考文獻88

第7章　用PSO代替後向傳播89
71　基礎理論89
711　群體智慧90
712　粒子群優化演算法90
72　用粒子群優化演算法代替後向傳播94
73　小結98

第8章　函數優化99
81　入門100
82　函數最小化和最大化103
821　什麼是粒子104
822　Swarm初始化106
823　圖表初始化107
824　狀態初始化108
825　控制隨機性109
826　更新群體位置110
827　更新群速度110
828　主程序初始化110
829　運行粒子群優化111
8210　使用者介面112
83　超參數和調參113
831　函數113
832　策略114
833　維度大小115
834　上限115
835　下限116
836　上限速度116
837　下限速度117
838　小數位117
839　群體大小117
8310　最大反覆運算次數118
8311　慣性119
8312　社交權重120
8313　認知權重121
8314　慣性權重122
84　視覺化122
841　二維視覺化122
842　三維視覺化123
85　繪製結果128
851　重播結果128
852　更新資訊樹130
86　添加新的優化函數131
861　目的131
862　添加新函數的步驟131
863　添加新函數示例132
87　小結135

第9章　尋找最佳參數136
91　優化136
911　什麼是適配函數137
912　約束137
913　元優化139
92　優化方法141
921　選擇優化器141
922　梯度下降141
923　模式搜索141
924　局部單峰採樣142
925　差異進化142
926　粒子群優化143
927　多優化聯絡員143
928　網格143
93　並行144
931　並行化優化問題144
932　並行優化方法144
933　編寫代碼144
934　執行元優化146
935　計算適配度146
936　測試自訂問題148

看更多