Facebook研發，最好學最好用的深度學習工具！
自從Facebook在2017年初發佈了PyTorch這個開源的機器學習庫，就馬上受到業界熱烈的討論。它結合了Python好學易用的特性，以及Torch科學計算的強大威力，再加上它與Python完美結合的介面，使得PyTorch已成為現在最重要的研發工具之一。
如今深度學習已經成為人工智慧炙手可熱的技術，而PyTorch能夠在強大的 GPU 加速基礎上實現張量和動態神經網路，進而實現這項技術，因此本書將從PyTorch框架結構出發，透過案例來介紹線性迴歸、邏輯迴歸、前饋神經網路、卷積神經網路、遞歸神經網路、自編碼模型、以及生成對抗網路等等。
此外，自然語言處理能夠使電腦擁有理解人類語言的能力，一直是許多人努力研究的目標，因此本書也特別以一整章的篇幅來介紹自然語言處理，以作深度學習的示範應用。
本書作為深度學習的入門教材，省略了大量的數學模型推導，學習門檻低，適合所有對深度學習有興趣的讀者。本書內容分兩大部分，前半部著重理論，而後半部著重實戰，使讀者不僅學得扎實更能夠直接應用於實際工作上，發揮學有所用的實用價值。
本書適合閱讀的對象：
✤對深度學習有興趣的初學者。
✤目前處於人工智慧領域行業的從業者。
✤對Python有基礎知識的讀者。
✤對自然語言中文處理有興趣的讀者。
| FindBook |
|
有 1 項符合
邢夢來的圖書 |
 |
$ 60 ～ 378 | PyTorch深度學習與自然語言中文處理
作者：邢夢來、王碩、孫洋洋 ／ 譯者：廖信彥 出版社：博碩文化股份有限公司 出版日期：2018-12-12 語言：繁體書  共 8 筆 → 查價格、看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：PyTorch深度學習與自然語言中文處理
內容簡介
作者介紹
作者簡介
邢夢來
擅長量化分析理論，深入研究多空對比分析，對多空趨勢平衡有獨特的見解，形成一套多空對比體系。同時對對交易心理狀況、人工智慧與區塊鏈技術也有較深的研究。
王碩
資深軟體工程師，具有9年的Java企業應用軟體開發經驗和4年的教育培訓經驗，曾主持多個B/S專案開發，專案經驗豐富，擅長Java EE（Struts2、Spring3、Hibernate3）專案開發、Python（程式GUI、數據分析、網路爬蟲）專案開發，是極寬TOP開源團隊核心成員，也是博碩出版的《Python GUI程式設計：PyQt5實戰》一書的作者之一。
孫洋洋
博碩出版的《Python GUI程式設計：PyQt5實戰》一書的作者之一，擅長網路爬蟲、機器學習、量化投資與程式GUI開發設計。有多年量化投資實盤操作經歷，現就職於某期貨公司做量化研究員。
邢夢來
擅長量化分析理論，深入研究多空對比分析，對多空趨勢平衡有獨特的見解，形成一套多空對比體系。同時對對交易心理狀況、人工智慧與區塊鏈技術也有較深的研究。
王碩
資深軟體工程師，具有9年的Java企業應用軟體開發經驗和4年的教育培訓經驗，曾主持多個B/S專案開發，專案經驗豐富，擅長Java EE（Struts2、Spring3、Hibernate3）專案開發、Python（程式GUI、數據分析、網路爬蟲）專案開發，是極寬TOP開源團隊核心成員，也是博碩出版的《Python GUI程式設計：PyQt5實戰》一書的作者之一。
孫洋洋
博碩出版的《Python GUI程式設計：PyQt5實戰》一書的作者之一，擅長網路爬蟲、機器學習、量化投資與程式GUI開發設計。有多年量化投資實盤操作經歷，現就職於某期貨公司做量化研究員。
目錄
第一部分 基礎理論
Chapter 01 深度學習簡介
1.1 深度學習
1.2 神經網路的發展
1.3 深度學習的應用
1.4 常用的數學知識和機器學習演算法
1.5 PyTorch 簡介
1.5.1 PyTorch 介紹
1.5.2 使用 PyTorch 的公司
1.5.3 PyTorch API
1.5.4 為什麼選擇 Python 語言
1.5.5 Python 語言的特點
1.6 常用的機器學習、深度學習開源框架
1.7 其他常用的模組庫
1.8 深度學習常用名詞
Chapter 02 PyTorch 環境安裝
2.1 基於 Ubuntu 環境的安裝
2.1.1 安裝 Anaconda
2.1.2 設定 Anaconda
2.2 Conda 命令安裝 PyTorch
2.3 pip 命令安裝 PyTorch
2.4 設定CUDA
Chapter 03 PyTorch 基礎知識
3.1 張量（Tensor）
3.2 數學操作
3.3 數理統計
3.4 比較操作
Chapter 04 簡單案例入門
4.1 線性迴歸
4.2 邏輯迴歸
Chapter 05 前饋神經網路
5.1 實作前饋神經網路
5.2 資料集
5.3 卷積層
5.4 Functional 函數
5.5 最佳化演算法
5.6 自動求導機制
5.7 保存和載入模型
5.8 GPU 加速運算
Chapter 06 PyTorch 視覺化工具
6.1 Visdom 介紹
6.2 Visdom 基本概念
6.2.1 Panes（窗格）
6.2.2 Environments（環境）
6.2.3 State（狀態）
6.3 安裝 Visdom
6.4 視覺化介面
6.4.1 Python 函數屬性存取技巧
6.4.2 vis.text
6.4.3 vis.image
6.4.4 vis.scatter
6.4.5 vis.line
6.4.6 vis.stem
6.4.7 vis.heatmap
6.4.8 vis.bar
6.4.9 vis.histogram
6.4.10 vis.boxplot
6.4.11 vis.surf
6.4.12 vis.contour
6.4.13 vis.mesh
6.4.14 vis.svg
第二部分 實戰應用
Chapter 07 卷積神經網路
7.1 卷積層
7.2 池化層
7.3 經典的卷積神經網路
7.3.1 LeNet-5 神經網路結構
7.3.2 ImageNet-2010 網路結構
7.3.3 VGGNet 網路結構
7.3.4 GoogLeNet 網路結構
7.3.5 ResNet 網路結構
7.4 卷積神經網路案例
7.5 深度殘差模型案例
Chapter 08 遞歸神經網路簡介
8.1 遞歸神經網路模型結構
8.2 不同類型的 RNN
8.3 LSTM 結構的具體解析
8.4 LSTM 的變體
8.5 遞歸神經網路的實作
8.5.1 遞歸神經網路案例
8.5.2 雙向 RNN 案例
Chapter 09 自編碼模型
Chapter 10 生成對抗網路
10.1 DCGAN 原理
10.2 GAN 生成對抗網路實例
Chapter 11 Seq2seq 自然語言處理
11.1 Seq2seq 自然語言處理簡介
11.2 Seq2seq 自然語言處理案例
Chapter 12 利用 PyTorch 實作量化交易
12.1 線性迴歸預測股價
12.2 前饋神經網路預測股價
12.3 遞歸神經網路預測股價
Chapter 01 深度學習簡介
1.1 深度學習
1.2 神經網路的發展
1.3 深度學習的應用
1.4 常用的數學知識和機器學習演算法
1.5 PyTorch 簡介
1.5.1 PyTorch 介紹
1.5.2 使用 PyTorch 的公司
1.5.3 PyTorch API
1.5.4 為什麼選擇 Python 語言
1.5.5 Python 語言的特點
1.6 常用的機器學習、深度學習開源框架
1.7 其他常用的模組庫
1.8 深度學習常用名詞
Chapter 02 PyTorch 環境安裝
2.1 基於 Ubuntu 環境的安裝
2.1.1 安裝 Anaconda
2.1.2 設定 Anaconda
2.2 Conda 命令安裝 PyTorch
2.3 pip 命令安裝 PyTorch
2.4 設定CUDA
Chapter 03 PyTorch 基礎知識
3.1 張量（Tensor）
3.2 數學操作
3.3 數理統計
3.4 比較操作
Chapter 04 簡單案例入門
4.1 線性迴歸
4.2 邏輯迴歸
Chapter 05 前饋神經網路
5.1 實作前饋神經網路
5.2 資料集
5.3 卷積層
5.4 Functional 函數
5.5 最佳化演算法
5.6 自動求導機制
5.7 保存和載入模型
5.8 GPU 加速運算
Chapter 06 PyTorch 視覺化工具
6.1 Visdom 介紹
6.2 Visdom 基本概念
6.2.1 Panes（窗格）
6.2.2 Environments（環境）
6.2.3 State（狀態）
6.3 安裝 Visdom
6.4 視覺化介面
6.4.1 Python 函數屬性存取技巧
6.4.2 vis.text
6.4.3 vis.image
6.4.4 vis.scatter
6.4.5 vis.line
6.4.6 vis.stem
6.4.7 vis.heatmap
6.4.8 vis.bar
6.4.9 vis.histogram
6.4.10 vis.boxplot
6.4.11 vis.surf
6.4.12 vis.contour
6.4.13 vis.mesh
6.4.14 vis.svg
第二部分 實戰應用
Chapter 07 卷積神經網路
7.1 卷積層
7.2 池化層
7.3 經典的卷積神經網路
7.3.1 LeNet-5 神經網路結構
7.3.2 ImageNet-2010 網路結構
7.3.3 VGGNet 網路結構
7.3.4 GoogLeNet 網路結構
7.3.5 ResNet 網路結構
7.4 卷積神經網路案例
7.5 深度殘差模型案例
Chapter 08 遞歸神經網路簡介
8.1 遞歸神經網路模型結構
8.2 不同類型的 RNN
8.3 LSTM 結構的具體解析
8.4 LSTM 的變體
8.5 遞歸神經網路的實作
8.5.1 遞歸神經網路案例
8.5.2 雙向 RNN 案例
Chapter 09 自編碼模型
Chapter 10 生成對抗網路
10.1 DCGAN 原理
10.2 GAN 生成對抗網路實例
Chapter 11 Seq2seq 自然語言處理
11.1 Seq2seq 自然語言處理簡介
11.2 Seq2seq 自然語言處理案例
Chapter 12 利用 PyTorch 實作量化交易
12.1 線性迴歸預測股價
12.2 前饋神經網路預測股價
12.3 遞歸神經網路預測股價
|
