書馨卡幫你省薪 2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
深度學(xué)習(xí)500問:AI工程師面試寶典

深度學(xué)習(xí)500問:AI工程師面試寶典

作者：談繼勇
出版社：電子工業(yè)出版社出版時間：2020-12-01
開本： 其他 頁數(shù)： 484
中 圖 價:¥80.7(7.4折) 定價  ¥109.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>

深度學(xué)習(xí)500問:AI工程師面試寶典 版權(quán)信息

深度學(xué)習(xí)500問:AI工程師面試寶典 本書特色

作者在香港中文大學(xué)(深圳)工作時，對機器視覺有著深入的理解，作者結(jié)合實戰(zhàn)經(jīng)驗，牽頭出版了這本書，這本書將極大地提高深度學(xué)習(xí)愛好者的理論水平和動手能力。 香港中文大學(xué)(深圳)研究員 張家銘 本書兼顧了理論和實踐，循序漸進地闡述深度學(xué)習(xí)的基本概念及其常用模型，從算法的每一個知識點出發(fā)，力求讓讀者掌握算法的基本原理；同時通過具體的案例，讓讀者加深對算法的認識，從而更好掌握和使用這些算法。 《Python機器算法》作者 趙志勇 這本書介紹了深度學(xué)習(xí)領(lǐng)域中常見的問題，這些問題所覆蓋的領(lǐng)域較廣，看似獨立，實際上又有一定的關(guān)聯(lián)性。在實際應(yīng)用中，這本書可以作為工具書即查即用。 中國科學(xué)院大學(xué)博士、順豐科技算法總工程師 吳登祿 本書由淺入深地對深度學(xué)習(xí)進行了系統(tǒng)性介紹，其中既有算法原理，也有應(yīng)用實例，可作為初學(xué)者的入門讀物，也可作為從業(yè)者的參考手冊 阿里巴巴高級算法專家，《從零開始構(gòu)建企業(yè)級推薦系統(tǒng)》作者 張相於 該書比較全面地整理和總結(jié)了機器學(xué)習(xí)領(lǐng)域的相關(guān)問題，能幫助讀者系統(tǒng)地了解整個領(lǐng)域的知識點。 《TensorFlow：實戰(zhàn)Google深度學(xué)習(xí)框架(第2版)》作者，知衣科技創(chuàng)始人 鄭澤宇這本書深入淺出，非常適合深度學(xué)習(xí)初學(xué)者閱讀。其內(nèi)容較好地解答了初學(xué)者的疑惑，能使讀者收獲頗豐！ 中國科學(xué)院助理研究員 蔣仁奎 這是一本兼具廣度與深度的書，將深度學(xué)習(xí)知識框架的全景圖呈現(xiàn)在讀者面前，能夠讓讀者系統(tǒng)地了解、掌握深度學(xué)習(xí)的相關(guān)知識，從理論到工程實踐都有涉及，將人工智能“是什么(概念)、為什么(原理)、怎么做(實踐)”三個問題充分地結(jié)合了起來。 《機器學(xué)習(xí)從入門到入職》作者 張威 該書相關(guān)內(nèi)容在GitHub和知乎等平臺已經(jīng)受到了很多網(wǎng)友的關(guān)注和認可，為什么？因為其在專業(yè)、嚴謹?shù)幕緲藴手，還體現(xiàn)了一個研究者自己學(xué)習(xí)和總結(jié)的真實成果，并結(jié)合了專業(yè)社區(qū)平臺眾多網(wǎng)友的共同努力，此書的實用性是非常突出的，是人工智能與深度學(xué)習(xí)大體系下很有意義的一本著作。我認為應(yīng)該大力鼓勵這樣的圖書類型，這樣的成書方式也值得贊揚。 億歐公司副總裁，億歐智庫創(chuàng)始院長 由天宇《深度學(xué)習(xí)500問》凝聚了諸位作者在工作、學(xué)習(xí)中積累的寶貴經(jīng)驗，是一本系統(tǒng)介紹深度學(xué)習(xí)的好書，對于有志從事AI工作或已在AI行業(yè)工作的朋友，有很好的指導(dǎo)作用，相信各位讀者都能從中受益。 《Python極簡講義：一本書入門數(shù)據(jù)分析與機器學(xué)習(xí)》作者 張玉宏

深度學(xué)習(xí)500問:AI工程師面試寶典 內(nèi)容簡介

本書系統(tǒng)地描述了深度學(xué)習(xí)的基本理論算法及應(yīng)用。全書共14章，~3章論述了數(shù)學(xué)基礎(chǔ)、機器學(xué)習(xí)基礎(chǔ)和深度學(xué)習(xí)基礎(chǔ)；第4~7章介紹了一些經(jīng)典網(wǎng)絡(luò)及計算機視覺領(lǐng)域中常用的CNN、RNN、GAN等網(wǎng)絡(luò)結(jié)構(gòu)技術(shù)；第8~9章介紹了深度學(xué)習(xí)在計算機視覺領(lǐng)域的目標檢測及圖像分割兩大應(yīng)用；0~14章介紹了計算機視覺領(lǐng)域主要的優(yōu)化方法及思路等，包括遷移學(xué)習(xí)、網(wǎng)絡(luò)架構(gòu)及訓(xùn)練、網(wǎng)絡(luò)優(yōu)化技巧、超參數(shù)調(diào)整及模型的壓縮和加速等。本書凝聚了眾多一線科研人員及工程師的經(jīng)驗，旨在培養(yǎng)讀者發(fā)現(xiàn)問題、解決問題、擴展問題的能力。本書內(nèi)容取材于編者在日常學(xué)習(xí)過程中總結(jié)的知識點及各大公司常見的筆試、面試題。本書可為高等院校計算機科學(xué)、信息科學(xué)、人工智能、控制科學(xué)與工程、電子科學(xué)與技術(shù)等領(lǐng)域的研究及教學(xué)人員提供參考，也可為相關(guān)專業(yè)本科生及研究生提供思考方向，還可為深度學(xué)習(xí)及計算機視覺領(lǐng)域的初、中級研究人員和工程技術(shù)人員提供參考，尤其適合需要查漏補缺的應(yīng)聘者及提供相關(guān)崗位的面試官閱讀。

深度學(xué)習(xí)500問:AI工程師面試寶典 目錄

第1章 數(shù)學(xué)基礎(chǔ) 1

1.1 向量和矩陣 1

1.1.1 標量、向量、矩陣和張量 1

1.1.2 張量與矩陣的區(qū)別 2

1.1.3 矩陣和向量相乘的結(jié)果 2

1.1.4 向量和矩陣的范數(shù)歸納 2

1.1.5 判斷一個矩陣是否為正定矩陣 4

1.2 導(dǎo)數(shù)和偏導(dǎo)數(shù) 5

1.2.1 導(dǎo)數(shù)偏導(dǎo)計算 5

1.2.2 導(dǎo)數(shù)和偏導(dǎo)數(shù)的區(qū)別 6

1.3 特征值和特征向量 6

1.3.1 特征值分解 6

1.3.2 奇異值和特征值的關(guān)系 6

1.4 概率分布與隨機變量 7

1.4.1 機器學(xué)習(xí)為什么要使用概率 7

1.4.2 變量與隨機變量的區(qū)別 7

1.4.3 隨機變量與概率分布的聯(lián)系 8

1.4.4 離散型隨機變量和概率質(zhì)量函數(shù) 8

1.4.5 連續(xù)型隨機變量和概率密度函數(shù) 8

1.4.6 舉例理解條件概率 9

1.4.7 聯(lián)合概率與邊緣概率的區(qū)別和聯(lián)系 9

1.4.8 條件概率的鏈式法則 10

1.4.9 獨立性和條件獨立性 10

1.5 常見概率分布 11

1.5.1 伯努利分布 11

1.5.2 高斯分布 11

1.5.3 何時采用正態(tài)分布 12

1.5.4 指數(shù)分布 12

1.5.5 Laplace分布 13

1.5.6 Dirac分布和經(jīng)驗分布 13

1.6 期望、方差、協(xié)方差、相關(guān)系數(shù) 13

1.6.1 期望 13

1.6.2 方差 14

1.6.3 協(xié)方差 14

1.6.4 相關(guān)系數(shù) 15

第2章 機器學(xué)習(xí)基礎(chǔ) 16

2.1 基本概念 16

2.1.1 大話機器學(xué)習(xí)本質(zhì) 16

2.1.2 什么是神經(jīng)網(wǎng)絡(luò) 16

2.1.3 各種常見算法圖示 17

2.1.4 計算圖的導(dǎo)數(shù)計算 17

2.1.5 理解局部*優(yōu)與全局*優(yōu) 18

2.1.6 大數(shù)據(jù)與深度學(xué)習(xí)之間的關(guān)系 19

2.2 機器學(xué)習(xí)的學(xué)習(xí)方式 20

2.2.1 監(jiān)督學(xué)習(xí) 20

2.2.2 非監(jiān)督學(xué)習(xí) 20

2.2.3 半監(jiān)督學(xué)習(xí) 20

2.2.4 弱監(jiān)督學(xué)習(xí) 20

2.2.5 監(jiān)督學(xué)習(xí)模型的搭建步驟 21

2.3 分類算法 22

2.3.1 常用分類算法的優(yōu)缺點 22

2.3.2 分類算法的評估方法 23

2.3.3 正確率能否很好地評估分類算法 25

2.3.4 什么樣的分類器是*好的 26

2.4 邏輯回歸 26

2.4.1 回歸的種類 26

2.4.2 邏輯回歸適用性 27

2.4.3 邏輯回歸與樸素貝葉斯的區(qū)別 27

2.4.4 線性回歸與邏輯回歸的區(qū)別 27

2.5 代價函數(shù) 28

2.5.1 為什么需要代價函數(shù) 28

2.5.2 代價函數(shù)作用原理 28

2.5.3 常見代價函數(shù) 30

2.5.4 為什么代價函數(shù)要非負 31

2.5.5 為什么用交叉熵代替二次代價函數(shù) 31

2.6 損失函數(shù) 32

2.6.1 什么是損失函數(shù) 32

2.6.2 常見的損失函數(shù) 32

2.6.3 邏輯回歸為什么使用對數(shù)損失函數(shù) 34

2.6.4 對數(shù)損失函數(shù)如何度量損失 34

2.7 梯度下降法 35

2.7.1 梯度下降法的作用 36

2.7.2 梯度下降法的直觀理解 36

2.7.3 梯度下降法算法描述 37

2.7.4 梯度下降法的缺點 38

2.7.5 如何對梯度下降法進行調(diào)優(yōu) 38

2.7.6 隨機梯度下降和批量梯度下降的區(qū)別 38

2.7.7 各種梯度下降法性能比較 40

2.8 線性判別分析 40

2.8.1 LDA思想總結(jié) 40

2.8.2 圖解LDA核心思想 41

2.8.3 二類LDA算法原理 41

2.8.4 LDA算法流程總結(jié) 42

2.8.5 LDA和PCA的異同 43

2.8.6 LDA的優(yōu)缺點 43

2.9 主成分分析 43

2.9.1 圖解PCA核心思想 43

2.9.2 PCA算法推理 44

2.9.3 PCA算法流程總結(jié) 45

2.9.4 PCA思想總結(jié) 46

2.9.5 PCA算法的優(yōu)缺點 46

2.9.6 降維的必要性及目的 46

2.9.7 KPCA與PCA的區(qū)別 47

2.10 模型評估 47

2.10.1 模型評估常用方法 48

2.10.2 誤差、偏差和方差的區(qū)別和聯(lián)系 48

2.10.3 為什么使用標準差 49

2.10.4 經(jīng)驗誤差與泛化誤差 50

2.10.5 圖解欠擬合與過擬合 50

2.10.6 如何解決欠擬合與過擬合 52

2.10.7 交叉驗證的主要作用 52

2.10.8 理解K折交叉驗證 53

2.10.9 理解混淆矩陣 53

2.10.10 理解查準率與查全率 53

2.10.11 理解ROC與AUC 54

2.10.12 如何繪制ROC曲線 55

2.10.13 如何計算TPR和FPR 56

2.10.14 如何計算AUC 58

2.10.15 直觀理解AUC 58

2.10.16 ROC評估分類器 60

2.10.17 代價敏感錯誤率與代價曲線 60

2.10.18 比較檢驗方法 61

2.11 決策樹 61

2.11.1 決策樹的基本原理 62

2.11.2 決策樹的生成過程 62

2.11.3 決策樹學(xué)習(xí)基本算法步驟 62

2.11.4 決策樹算法的優(yōu)缺點 63

2.11.5 決策樹和熵的聯(lián)系 63

2.11.6 熵的概念及定義 63

2.11.7 理解信息增益 64

2.11.8 決策樹中熵、條件熵和信息增益的聯(lián)系 64

2.11.9 決策樹算法中剪枝的作用及策略 65

2.12 支持向量機（SVM） 65

2.12.1 什么是SVM 65

2.12.2 SVM能解決的問題 66

2.12.3 核函數(shù)特點及其作用 67

2.12.4 SVM為什么引入對偶問題 67

2.12.5 如何理解SVM中的對偶問題 67

2.12.6 常見的核函數(shù) 69

2.12.7 SVM的主要特點 69

2.12.8 SVM的主要缺點 70

2.12.9 邏輯回歸與SVM的異同 70

2.13 貝葉斯分類器 72

2.13.1 貝葉斯分類器的基本原理 72

2.13.2 樸素貝葉斯分類器 72

2.13.3 舉例理解樸素貝葉斯分類器 73

2.13.4 半樸素貝葉斯分類器 75

2.13.5 極大似然估計和貝葉斯估計的聯(lián)系與區(qū)別 75

2.13.6 極大似然估計原理 76

2.13.7 圖解極大似然估計 76

2.14 EM算法 77

2.14.1 EM算法的基本思想 77

2.14.2 EM算法推導(dǎo) 77

2.14.3 圖解EM算法 78

2.14.4 EM算法流程 79

2.15 降維和聚類 79

2.15.1 圖解為什么會產(chǎn)生維數(shù)災(zāi)難 79

2.15.2 怎樣避免維數(shù)災(zāi)難 83

2.15.3 聚類和降維 83

2.15.4 聚類算法優(yōu)劣的衡量標準 84

2.15.5 聚類和分類 85

2.15.6 聚類算法的性能比較 85

2.15.7 4種常用聚類方法比較 85

第3章 深度學(xué)習(xí)基礎(chǔ) 89

3.1 基本概念 89

3.1.1 神經(jīng)網(wǎng)絡(luò)的類型 89

3.1.2 神經(jīng)網(wǎng)絡(luò)的常用模型結(jié)構(gòu) 92

3.1.3 深度學(xué)習(xí)和機器學(xué)習(xí)的區(qū)別與聯(lián)系 93

3.1.4 為什么使用深層表示 93

3.1.5 深度學(xué)習(xí)架構(gòu)分類 94

3.1.6 如何選擇深度學(xué)習(xí)開發(fā)平臺 94

3.2 神經(jīng)網(wǎng)絡(luò)計算 95

3.2.1 前向傳播和反向傳播 95

3.2.2 如何計算神經(jīng)網(wǎng)絡(luò)的輸出 96

3.2.3 如何計算卷積神經(jīng)網(wǎng)絡(luò)輸出值 97

3.2.4 如何計算池化層輸出值 100

3.2.5 反向傳播實例 101

3.2.6 神經(jīng)網(wǎng)絡(luò)更“深”的意義 104

3.3 激活函數(shù) 104

3.3.1 為什么需要激活函數(shù) 104

3.3.2 為什么激活函數(shù)需要非線性函數(shù) 105

3.3.3 常見的激活函數(shù)及其圖像 105

3.3.4 常見激活函數(shù)的導(dǎo)數(shù)計算 107

3.3.5 激活函數(shù)有哪些性質(zhì) 108

3.3.6 如何選擇激活函數(shù) 108

3.3.7 為什么tanh收斂速度比sigmoid快 109

3.3.8 Relu激活函數(shù)的優(yōu)點 109

3.3.9 理解Relu激活函數(shù)的稀疏激活性 109

3.3.10 什么時候可以用線性激活函數(shù) 109

3.3.11 softmax函數(shù)的定義及作用 110

3.3.12 softmax函數(shù)如何應(yīng)用于多分類 110

3.4 BATCH SIZE 112

3.4.1 為什么需要Batch Size 112

3.4.2 如何選擇Batch Size值 112

3.4.3 調(diào)節(jié)Batch Size對訓(xùn)練效果的影響 113

3.4.4 在合理范圍內(nèi)增大Batch Size的好處 113

3.4.5 盲目增大Batch Size的壞處 114

3.5 歸一化 114

3.5.1 理解歸一化含義 114

3.5.2 歸一化和標準化的聯(lián)系與區(qū)別 114

3.5.3 為什么要歸一化或標準化 115

3.5.4 圖解為什么要歸一化 115

3.5.5 為什么歸一化能提高求*優(yōu)解速度 115

3.5.6 歸一化有哪些類型 116

3.5.7 局部響應(yīng)歸一化作用 116

3.5.8 局部響應(yīng)歸一化原理 117

3.5.9 什么是批歸一化 118

3.5.10 批歸一化的優(yōu)點 118

3.5.11 批歸一化算法流程 118

3.5.12 批歸一化和組歸一化比較 119

3.5.13 權(quán)重歸一化和批歸一化比較 119

3.5.14 批歸一化適用范圍 120

3.5.15 BN、LN、IN和GN的對比 120

3.6 參數(shù)初始化 121

3.6.1 參數(shù)初始化應(yīng)滿足的條件 121

3.6.2 常用的幾種初始化方式 121

3.6.3 全0初始化帶來的問題 121

3.6.4 全都初始化為同樣的值 122

3.6.5 初始化為小的隨機數(shù) 123

3.6.6 用 校準方差 123

3.7 預(yù)訓(xùn)練與微調(diào) 123

3.7.1 什么是預(yù)訓(xùn)練和微調(diào) 123

3.7.2 預(yù)訓(xùn)練和微調(diào)的作用 124

3.7.3 預(yù)訓(xùn)練模型的復(fù)用 124

3.7.4 預(yù)訓(xùn)練和遷移學(xué)習(xí) 125

3.7.5 微調(diào)時網(wǎng)絡(luò)參數(shù)是否更新 125

3.7.6 微調(diào)模型的三種狀態(tài) 125

3.7.7 為什么深層神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練 125

3.8 超參數(shù) 127

3.8.1 超參數(shù)有哪些 127

3.8.2 參數(shù)和模型的關(guān)系 127

3.8.3 參數(shù)和超參數(shù)的區(qū)別 127

3.8.4 如何尋找超參數(shù)的*優(yōu)值 128

3.8.5 超參數(shù)搜索的一般過程 128

3.9 學(xué)習(xí)率 129

3.9.1 學(xué)習(xí)率的作用 129

3.9.2 學(xué)習(xí)率衰減的常用參數(shù) 129

3.9.3 常用的學(xué)習(xí)率衰減方法 129

3.10 正則化 133

3.10.1 為什么要正則化 133

3.10.2 常見正則化方法 133

3.10.3 圖解L1和L2正則化 134

3.10.4 Dropout具體工作流程 135

3.10.5 為什么Dropout可以解決過擬合問題 137

3.10.6 Dropout的缺點


展開全部

深度學(xué)習(xí)500問:AI工程師面試寶典 作者簡介

談繼勇 主編 南方科技大學(xué)和哈爾濱工業(yè)大學(xué)聯(lián)合培養(yǎng)博士（在讀），現(xiàn)任瀚維智能醫(yī)療技術(shù)總監(jiān)，深圳工信局專家?guī)鞂＜遥嫒文戏娇萍即髮W(xué)、四川大學(xué)研究生企業(yè)導(dǎo)師，南方科技大學(xué)和瀚維智能醫(yī)療聯(lián)合實驗室副主任，北京探工所特聘技術(shù)專家，曾先后在中科院信工所、香港中文大學(xué)（深圳）、FOXCONN機器人與人工智能實驗室、順豐科技等單位任職。主要專注于智能感知與控制、實時智能與計算機視覺方向的研究，主持/主研國家自然科學(xué)基金、省重點研發(fā)計劃、深圳戰(zhàn)略性新興產(chǎn)業(yè)計劃等項目20余項，發(fā)表SCI/EI論文20余篇，申請發(fā)明專利40余項，獲全國發(fā)明金獎。 郭子釗 副主編 四川大學(xué)計算機科學(xué)專業(yè)博士，碩士畢業(yè)于四川大學(xué)自動化系，主要從事AI芯片、深度學(xué)習(xí)、行為檢測識別、人臉檢測識別等相關(guān)研究工作。 李劍 副主編 同濟大學(xué)計算機科學(xué)專業(yè)博士，浙江農(nóng)林大學(xué)副教授、碩士生導(dǎo)師，主要從事推薦系統(tǒng)、排序?qū)W習(xí)、凸優(yōu)化等機器學(xué)習(xí)領(lǐng)域的科研和教學(xué)工作，發(fā)表SCI論文10余篇，曾獲浙江省科技進步二等獎等多項省部級獎項。 佃松宜 副主編 日本東北大學(xué)博士，四川大學(xué)電氣工程學(xué)院教授、自動化系系主任，四川省信息與自動化技術(shù)重點實驗室主任。主要專注于先進控制理論與人工智能算法研究、嵌入式計算與實時智能系統(tǒng)的研究與開發(fā)、機器人與智能裝備的智能感知與控制技術(shù)的研究、工業(yè)測控與智能物聯(lián)的研究。近5年來主持包括國家重點研發(fā)計劃、基金、國網(wǎng)總部項目等各類科研項目近30項，累計總經(jīng)費近2200萬元；發(fā)表論文100多篇，其中SCI/EI檢索近40篇，ESI高引論文1篇。參與編撰專著3部（其中英文專著1部），參編國家九五規(guī)劃教材1部。 王晉東 特邀編委 中科院計算所博士，微軟亞洲研究院機器學(xué)習(xí)研究員，主要從事遷移學(xué)習(xí)和機器學(xué)習(xí)方向的研究工作，在IJCAI、CVPR、ICDM、UbiComp、ACMMM、PERCOM、IJCNN、PRICAI、IEEE TNNLS、NEUNET、PRL、PMCJ、IMWUT、IJMLC、ICME、ACM TIST等國際權(quán)威期刊和會議上發(fā)表論文20余篇，多次獲得“最佳論文”獎。作品有《遷移學(xué)習(xí)簡明手冊》等。 王超鋒 上海大學(xué)碩士，百度計算機視覺算法工程師，主研圖像處理，深度學(xué)習(xí)等方向。曾多次在國內(nèi)外各類知名計算機視覺挑戰(zhàn)賽中獲得優(yōu)異成績。 郭曉鋒 中國科學(xué)院碩士，愛奇藝算法工程師，主要從事圖像處理、深度學(xué)習(xí)等方向的研究，曾獲“2017華為軟件精英挑戰(zhàn)賽”復(fù)賽第6名。 黃偉 華南理工大學(xué)碩士，順豐科技機器人算法工程師，主要從事計算機視覺和自然語言處理方向的研究。曾在相關(guān)領(lǐng)域國際期刊、會議上發(fā)表論文，并在相關(guān)競賽中獲得優(yōu)異成績。 陳方杰（Amusi） 上海大學(xué)碩士，CVer（計算機視覺知識分享和學(xué)習(xí)交流平臺）創(chuàng)始人。 李元偉 國防科技大學(xué)碩士，深圳瀚維智能醫(yī)療科技公司高級算法工程師，南方科技大學(xué)和瀚維智能醫(yī)療聯(lián)合實驗室委員，主要從事機器視覺、圖像處理及深度學(xué)習(xí)方向的研究工作，參編普通高等教育十三五規(guī)劃教材《圖像通信基礎(chǔ)》，在IEEE TCSVT、COGN COMPUT等發(fā)表學(xué)術(shù)論文多篇，曾獲湖南省/全軍優(yōu)秀碩士論文。 陳琳 北京航空航天大學(xué)博士（在讀），研究方向為無人機智能控制與決策、仿生智能計算。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服