人工智慧：智慧型系統導論 (3版)

相關熱銷的書籍推薦給您

書名：人工智慧：智慧型系統導論(第三版) 作者：李聯旺 出版社：全華 ISBN：9789862800959

機器學習：類神經網路、模糊系統以及基因演算法則 (4版)

相關熱銷的書籍推薦給您

書名：機器學習：類神經網路、模糊系統以及基因演算法則(第四版) 作者：蘇木春、張孝德 出版社：全華 出版日期：2016/05/00 ISBN：9789864632060 內容簡介 ■ 本書優點特色 1.將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。 2.以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 3.每一種理論都儘可能配合書中範例及圖表加以說明。 ■ 內容簡介 本書將三種與機械學習相關的技術-類神經網路、模糊系統及基因演繹法作一通盤介紹。此外，作者以深入淺出的方式建立類神經網路與生物神經網路的關聯性，以便讓讀者更能發揮想像力。 目錄 第1章 類神經網路之簡介 第2章 感知機 第3章 多層感知機 第4章 非監督式類神經網路 第5章 聯想記憶 第6章 增強式學習 第7章 模糊集合 第8章 模糊關係及推論 第9章 模糊系統 第10章 基因演算法則

全格局使用PyTorch：深度學習和圖神經網路 實戰篇 2022 <深智數位> (1版)

類似書籍推薦給您

【簡介】 熟悉基礎，精通實戰。 接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書亮點 ～GNN 最強實戰參考書～ 使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 高級NLP模型訓練及微調、BERTology、CBOW、Skip-Gram、Torchtext、spaCy 文字使用模型TextCNN來把玩IMDB資料庫 高階工程師才會用的Mist啟動函數、Ranger最佳化器 正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer 【目錄】 第 1 章 圖片分類模型 1.1 深度神經網路起源 1.2 Inception 系列模型 1.3 ResNet 模型 1.4 DenseNet 模型 1.5 PNASNet 模型 1.6 EfficientNet 模型 1.7 實例：使用預訓練模型辨識圖片內容 1.8 實例：使用遷移學習辨識多種鳥類 1.9 從深度卷積模型中提取視覺特徵 第 2 章 機器視覺的進階應用 2.1 基於圖片內容的處理任務 2.2 實例: 使用Mask R-CNN 模型進行目標檢測與語義分割 2.3 基於視訊內容的處理任務 2.4 實例: 用GaitSet 模型分析人走路的姿態，並進行身份辨識 2.5 偵錯技巧 第 3 章 自然語言處理的相關應用 3.1 BERT 模型與NLP 任務的發展階段 3.2 NLP 中的常見任務 3.3 實例: 訓練中文詞向量 3.4 常用文字處理工具 3.5 實例: 用TextCNN 模型分析評論者是否滿意 3.6 了解Transformers 函數庫 3.7 實例: 使用Transformers 函數庫的管道方式完成多種NLP任務 3.8 Transformers 函數庫中的AutoModel 類別 3.9 Transformers 函數庫中的BERTology 系列模型 3.10 Transformers 函數庫中的詞表工具 3.11 BERTology 系列模型 3.12 實例: 用遷移學習訓練BERT 模型來對中文分類 3.13 實例: 用R-GCN 模型了解文字中的代詞 第 4 章 神經網路的可解釋性 4.1 了解模型解釋函數庫 4.2 實例: 用可解釋性了解數值分析神經網路模型 4.3 實例: 用可解釋性了解NLP 相關的神經網路模型 4.4 實例: 用Bertviz 工具視覺化BERT 模型權重 4.5 實例: 用可解釋性了解影像處理相關的神經網路模型 4.6 實例: 用可解釋性了解圖片分類相關的神經網路模型 第 5 章 辨識未知分類的方法-- 零次學習 5.1 了解零次學習 5.2 零次學習中的常見問題 5.3 帶有視覺結構約束的VSC 模型 5.4 詳解Sinkhorn 演算法 5.5 實例: 使用VSC 模型來辨識未知類別的鳥類圖片 5.6 針對零次學習的性能分析 第 6 章 異質圖神經網路 6.1 異質圖的基礎知識 6.2 二分圖的實現方式 6.3 異質圖的實現方式 6.4 隨機行走取樣 6.5 DGL 函數庫中的區塊圖結構 6.6 實例: 使用PinSAGE 模型架設推薦系統 6.7 複習