Python深度学习

Python深度学习 pdf epub mobi txt 电子书 下载 2025

N.D Lewis
想要找书就要到 静思书屋
立刻按 ctrl+D收藏本页
你会得到大惊喜!!
2018-7 平装 9787115482488

具体描述

尼格尔·刘易斯(N.D. Lewis)是一位数据科学和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年,编著了统计、数据科学和量化模型方面的数本图书,并且在大学里开设深度学习、机器学习和数据分析应用等方面的课程。

本书是使用Python 进行深度学习实践的一本初学指南。本书并未罗列大量的公式,而是通过一些实用的实际案例,以简单直白的方式介绍深度神经网络的两项任务——分类和回归,解析深度学习模型中的一些核心问题,以期让读者对深度学习的全貌有一个清晰的认识。 本书共9 章,分别介绍了深度学习基础理论、神经网络基础知识、构建定制化深度预测模型、性能提升技术、二元分类的神经网络应用等内容,并借助Python 语言对基本算法和实现模型进行了探索。 本书适合期望用较短时间在深度神经网络领域初试牛刀的读者,也适合深度学习的初学者以及业内人士参考。

用户评价

评分

评分

##不错的入门书,足以把外行代入坑内了。

评分

##简介深度学习,我想本书已经尽量做到深入浅出了。这个是数据分析方面,利用深度学习技术的介绍。第五章 如何构建可定制的深度预测模型 里面一个深度神经网络预测的实际应用 介绍的例子很印象深刻。ANN比ALM有着超过两倍的精度的表现主要是因为ANN的能力来捕捉非线性效应和更高阶的相互作用的结果。

评分

##传统的反向传播算法计算DNN中所有层中每个神经元,以及每一个单独epoch的神经元权重的变化(称为delta或者梯度)。delta本质上是微积分微分调整,旨在最大限度地减小实际输出和DNN输出之间的误差。 大型的DNN可能有数百万的权重需要计算delta值。数百万的权重需要进行梯度计算,这整个过程需要耗费相当长的时间。使用批量学习传播的方法使DNN收敛为一个可接受的方案所花费的时间很长,甚至很有可能在特定的应用中是不可行的。 小批量方法是加速神经网络计算的常用方法之一。它在几个训练样本(批次)上一起计算梯度,而不是像在原始随机梯度下降算法中那样针对每个单独的样本计算梯度。 一个批次由一个前向/反向传播中的多个训练样本组成。请注意,批次越大,运行模型所需的内存就越多。

评分

主要用sklearn 没有讲清楚

评分

评分

评分

##无感 没有很多实际有用知识

评分

本站所有内容均为互联网搜索引擎提供的公开搜索信息,本站不存储任何数据与内容,任何内容与数据均与本站无关,如有需要请联系相关搜索引擎包括但不限于百度google,bing,sogou

© 2025 book.idnshop.cc All Rights Reserved. 静思书屋 版权所有