作品简介

2016年,阿法狗(AlphaGo)为全世界打开了一条窄窄的门缝,通往未来之路就此展现。通过超强的硬件和大量的数据积累,人工智能浪潮第三次兴起。借助人工智能技术,公安部门可以轻松地抓捕潜逃多年的罪犯;“AI换脸”已经成为普通用户的娱乐方式之一;智慧城市正在建设之中;多个城市开始设立自动驾驶的试点GPT-3和Switch Transformer开启了新的时代,而智源研究院的悟道2.0参量则高达1.75万亿个。训练有素的结构生物学家花费上千万美元历时多年的研究成果,AlphaFold v2.0在朝夕之间便可完成预测。

今天,主动拥抱新变化,积极学习新知识,愈发显得重要。很多人积极地投入热情、时间和金钱后,没能坚持多久就中断了学习;也有很多人对此表示观望或者放弃,觉得仅凭自己的基础不足以把握这次机会。诚然,仅凭一本书很难帮助普通读者深刻理解并熟练掌握深度学习的全部知识,因此“AI精研社”规划了“人工智能与大数据技术大讲堂”丛书,给出完整的解决方案,从而帮助读者循序渐进、平滑而高效地成长为合格的人工智能算法实践者。

本书是“人工智能与大数据技术大讲堂”丛书的第2部,从体验手写数字识别(k近邻算法)开始,循序渐进地加深读者对神经网络模型的理解,进而可以设计并实现自己的模型。本书通过Python+NumPy从零开始构建神经网络模型,强化读者对算法思想的理解,然后通过TensorFlow重新构建这些模型,进一步加深读者对模型的理解。前馈神经网络是深度学习的重要知识,其核心思想是反向传播与梯度下降。

本书从极易理解的示例开始,然后逐渐深入,从而帮助读者充分理解并熟练掌握反向传播与梯度下降算法,为后续学习深度学习技术打下坚实的基础。本书采用理论与实践并重的风格,先以图文方式讲解算法思想,再用Python+NumPy实现算法,然后给出TensorFlow实现,帮助读者不断地加深对核心算法的理解,提高实际动手能力,从而锻炼将算法思想转化为程序代码的能力。

张光华,博士毕业于重庆大学,硕士毕业于中国科学技术大学。山西省“1331工程”大数据智能诊疗产业学院负责人,山西省工信厅“山西省健康大数据AI联合实验室”负责人。中国医药教育协会智能医学专委会委员,中国医药教育协会智能眼科学组常委。主要研究方向为量子点微型多光谱成像技术、医学图像处理和机器学习。现已发表医学、图像处理和机器学习等领域的SCI期刊及国际会议论文多篇,参与多项中国和欧洲科学基金项目。致力于将深度学习技术与临床医学进行深度融合,并推广和落地。

作品目录

  • 作者简介
  • 前言
  • 第1章 环境搭建
  • 1.1 下载并安装Python
  • 1.2 Python软件环境管理工具Anaconda
  • 1.3 通过TUNA加速Anaconda
  • 1.4 使用Jupyter Notebook
  • 1.5 安装TensorFlow 2.6
  • 1.6 小结与补充说明
  • 第2章 使用k近邻算法识别手写数字图像
  • 2.1 手写数字图像数据集MNIST
  • 2.2 分类器与准确率
  • 2.3 k近邻算法的基本思想
  • 2.4 利用k-NN识别MNIST
  • 2.5 k-NN中的距离度量
  • 2.6 小结与补充说明
  • 第3章 感知机算法思想与实现
  • 3.1 机器学习的基本分类
  • 3.2 鸢尾花数据集iris
  • 3.3 感知机分类精简版iris
  • 3.4 感知机的实现类
  • 3.5 小结与补充说明
  • 第4章 对数几率回归算法思想与实现
  • 4.1 神经网络结构示意图
  • 4.2 对数几率回归的数学表达
  • 4.3 对数几率函数的Python实现
  • 4.4 对数几率回归模型的损失函数
  • 4.5 梯度下降法的数学表达(选修)
  • 4.6 梯度下降法的Python实现
  • 4.7 对数几率回归模型的Python实现
  • 4.8 使用对数几率回归模型分类鸢尾花
  • 4.9 小结与补充说明
  • 第5章 使用TensorFlow实现对数几率回归
  • 5.1 深入LR参数更新
  • 5.2 使用TensorFlow自动求梯度
  • 5.3 使用自动求梯度实现LR
  • 5.4 使用Sequential实现LR
  • 5.5 小结与补充说明
  • 第6章 LR图像分类
  • 6.1 简化版MNIST数据集
  • 6.2 LR分类简化版MNIST
  • 6.3 小批量梯度下降
  • 6.4 新问题与修复
  • 6.5 小结与补充说明
  • 第7章 代码重构与计算图简介
  • 7.1 构建神经网络的基本流程
  • 7.2 重构LogisticRegression类
  • 7.3 使用TensorFlow定义并训练模型
  • 7.4 体验TensorBoard
  • 7.5 随机化
  • 7.6 小结与补充说明
  • 第8章 两层神经网络
  • 8.1 单层神经网络之局限性
  • 8.2 两层神经网络前向传播
  • 8.3 两层神经网络反向传播
  • 8.4 两层神经网络实现异或运算
  • 8.5 实现MLPClassifier类
  • 8.6 小结与补充说明
  • 第9章 多层神经网络
  • 9.1 多层感知机部分记号说明
  • 9.2 重构多层神经网络
  • 9.3 重构MLPClassifier类
  • 9.4 使用TensorFlow实现多层神经网络
  • 9.5 使用MLPClassifier类实现对数几率回归
  • 9.6 小结与补充说明
  • 附录 标量、向量与矩阵简介
  • 后记
展开全部