內容簡介
500個必問題：深度學習AI頂尖企業面試實況
內容簡介
最全面深度學習的書籍
從數學基礎、機器學習技法、深度學習基礎一直到最潮的應用全部都完整講解，一本書就讓你晉級深度學習大師。
▌濃縮知識點、各大公司筆試面試題▌
本書內容取材自編者在日常學習過程中總結的知識點，以及各大公司常見的筆試、面試題，有效解決讀者學習上、求職上的困擾，一舉突破瓶頸。
▌大量數學公式、圖、表 ▌
本書內含豐富大量的數學公式、圖、表，總計達800個以上！
▌內容豐富、由淺入深 ▌
從向量、矩陣、機率、微積分、張量的基礎開始說明，進而進入演算法，以及機器學習分類。在了解了基礎知識之後，直接進入分類、邏輯回歸、線性回歸等重要基礎。中間也介紹了機器學習中最重要的決策樹、SVM、PCA、特徵工程等重點。接下來就是著名的神經網路及各種參數、函數、最佳化方法的介紹。有了基礎之後，自然就是各種著名的神經網路、包括CNN、RNN、LSTM(GRU)、GAN等最潮的應用。目前應用最廣的物件偵測、各種演算法都完整說明，甚至最新的YOLOV4都有完整實例介紹。也有Transfer Learning的應用。框架部分，介紹了Tensorflow, Keras及PyTorch。
本書的精華最後兩章，包括了最佳化網路、參數調整、以及佈署至行動端、壓縮模型等真正專案上的實作經驗，讀完整本書，對這幾十年的人工智慧應用就會有完整而深入的認識。
內容簡介
最全面深度學習的書籍
從數學基礎、機器學習技法、深度學習基礎一直到最潮的應用全部都完整講解，一本書就讓你晉級深度學習大師。
▌濃縮知識點、各大公司筆試面試題▌
本書內容取材自編者在日常學習過程中總結的知識點，以及各大公司常見的筆試、面試題，有效解決讀者學習上、求職上的困擾，一舉突破瓶頸。
▌大量數學公式、圖、表 ▌
本書內含豐富大量的數學公式、圖、表，總計達800個以上！
▌內容豐富、由淺入深 ▌
從向量、矩陣、機率、微積分、張量的基礎開始說明，進而進入演算法，以及機器學習分類。在了解了基礎知識之後，直接進入分類、邏輯回歸、線性回歸等重要基礎。中間也介紹了機器學習中最重要的決策樹、SVM、PCA、特徵工程等重點。接下來就是著名的神經網路及各種參數、函數、最佳化方法的介紹。有了基礎之後，自然就是各種著名的神經網路、包括CNN、RNN、LSTM(GRU)、GAN等最潮的應用。目前應用最廣的物件偵測、各種演算法都完整說明，甚至最新的YOLOV4都有完整實例介紹。也有Transfer Learning的應用。框架部分，介紹了Tensorflow, Keras及PyTorch。
本書的精華最後兩章，包括了最佳化網路、參數調整、以及佈署至行動端、壓縮模型等真正專案上的實作經驗，讀完整本書，對這幾十年的人工智慧應用就會有完整而深入的認識。
作者簡介
作者簡介
談繼勇主編
南方科技大學和哈爾濱工業大學聯合培養博士，現任瀚維智能醫療技術總監，兼任南方科技大學、四川大學研究生企業導師，長期從事智能機器人、電腦視覺及人工智慧融合應用研究開發工作。申請獲得專利60餘項，獲全國發明金獎、中國自動化領域年度人物。
郭子釗副主編
四川大學計算機科學專業博士，主要從事AI芯片、深度學習、行為檢測識別、人臉檢測識別等相關研究工作。
李劍副主編
同濟大學計算機科學專業博士，主要從事推薦系統、排序學習、凸優化等機器學習領域的科研和教學工作。
佃松宜副主編
日本東北大學博士，四川大學電氣工程學院教授。主要從事先進控制理論與人工智慧演算法研究、嵌入式計算與實時智能系統的研究與開發。
談繼勇主編
南方科技大學和哈爾濱工業大學聯合培養博士，現任瀚維智能醫療技術總監，兼任南方科技大學、四川大學研究生企業導師，長期從事智能機器人、電腦視覺及人工智慧融合應用研究開發工作。申請獲得專利60餘項，獲全國發明金獎、中國自動化領域年度人物。
郭子釗副主編
四川大學計算機科學專業博士，主要從事AI芯片、深度學習、行為檢測識別、人臉檢測識別等相關研究工作。
李劍副主編
同濟大學計算機科學專業博士，主要從事推薦系統、排序學習、凸優化等機器學習領域的科研和教學工作。
佃松宜副主編
日本東北大學博士，四川大學電氣工程學院教授。主要從事先進控制理論與人工智慧演算法研究、嵌入式計算與實時智能系統的研究與開發。
內容目錄
目錄
01 數學基礎
1.1 向量和矩陣
1.2 導數和偏導數
1.3 特徵值和特徵向量
1.4 機率分佈與隨機變數
1.5 常見機率分佈
1.6 期望、方差、協方差、相關係數
02 機器學習基礎
2.1 基本概念
2.2 機器學習的學習方式
2.3 分類演算法
2.4 邏輯回歸
2.5 代價函數
2.6 損失函數
2.7 梯度下降法
2.8 線性判別分析
2.9 主成分分析
2.10 模型評估
2.11 決策樹
2.12 支援向量機（SVM）
2.13 貝氏分類器
2.14 EM 演算法
2.15 降維和分群
03 深度學習基礎
3.1 基本概念
3.2 神經網路計算
3.3 啟動函數
3.4 Batch Size
3.5 歸一化
3.6 參數初始化
3.7 預訓練與微調
3.8 超參數
3.9 學習率
3.10 正規化
04 卷積神經網路的經典網路
4.1 LeNet-5
4.2 AlexNet
4.3 ZFNet
4.4 NIN
4.5 VGGNet
4.6 GoogLeNet
4.7 ResNet
4.8 DenseNet
4.9 CNN 模型在GoogLeNet、VGGNet 或AlexNet 上調整的原因
05 卷積神經網路
5.1 CNN 的結構
5.2 輸入層
5.3 卷積層
5.4 啟動層
5.5 池化層
5.6 全連接層
5.7 二維卷積與3D 卷積
5.8 了解轉置卷積與棋盤效應
5.9 卷積神經網路凸顯共通性的方法
5.10 局部卷積
5.11 CNN 視覺化
5.12 卷積神經網路的最佳化及應用
06 循環神經網路
6.1 為什麼需要RNN
6.2 圖解RNN 基本結構
6.3 RNN 的性質
6.4 RNN 的反向傳播
6.5 長短期記憶網路（LSTM）
6.6 常見的RNN 結構上的擴充和改進
6.7 RNN 在NLP 中的典型應用舉例
6.8 RNN 與影像領域的結合舉例
6.9 RNN 與條件隨機場的結合
07 生成對抗網路
7.1 GAN 的基本概念
7.2 GAN 的生成模型評價
7.3 其他常見的生成模型
7.4 GAN 的改進與最佳化
7.5 GAN 的應用：影像翻譯
7.6 GAN 的應用：文字生成
7.7 GAN 在其他領域的應用
08 物件偵測
8.1 基本概念
8.2 two-stage 物件偵測演算法
8.3 one-stage 物件偵測演算法
8.4 物件偵測的常用資料集
8.5 物件偵測常用標記工具
09 影像分割
9.1 常見的影像分割演算法
9.2 FCN
9.3 U-Net
9.4 U-Net++
9.5 SegNet
9.6 LinkNet
9.7 RefineNet
9.8 PSPNet
9.9 DeepLab 系列
9.10 Mask R-CNN 作為目標分割的介紹
9.11 基於弱監督學習的影像分割
10 遷移學習
10.1 遷移學習基礎知識
10.2 遷移學習的研究領域
10.3 遷移學習的應用
10.4 遷移學習的基本方法
10.5 分佈對齊的常用方法
10.6 深度遷移學習方法
10.7 遷移學習研究前端
11 網路架構介紹及訓練
11.1 TensorFlow
11.2 Caffe
11.3 PyTorch
11.4 常見的深度學習分散式架構
11.5 網路架設原則及訓練技巧
12 網路最佳化技巧
12.1 資料集和樣本最佳化
12.2 資料不符合問題
12.3 網路建構和初始化
12.4 特徵選擇
12.5 梯度消失和梯度爆炸
12.6 評價指標
12.7 模型和系統最佳化
13 超參數調整
13.1 超參數的概念
13.2 網路訓練中的超參數調整策略
13.3 合理使用預訓練網路
13.4 自動化超參數搜尋方法
13.5 自動機器學習AutoML
14 模型壓縮、加速和行動端部署
14.1 模型壓縮
14.2 為什麼需要模型壓縮和加速
14.3 模型壓縮方法
14.4 網路壓縮的未來研究方向
14.5 模型最佳化加速方法
14.6 如何選擇壓縮和加速方法
14.7 高效CNN 網路設計的準則
14.8 常用的輕量級網路
14.9 現有的行動端開放原始碼架構及其特點
14.10 行動端開放原始碼架構部署
A 參考連結
01 數學基礎
1.1 向量和矩陣
1.2 導數和偏導數
1.3 特徵值和特徵向量
1.4 機率分佈與隨機變數
1.5 常見機率分佈
1.6 期望、方差、協方差、相關係數
02 機器學習基礎
2.1 基本概念
2.2 機器學習的學習方式
2.3 分類演算法
2.4 邏輯回歸
2.5 代價函數
2.6 損失函數
2.7 梯度下降法
2.8 線性判別分析
2.9 主成分分析
2.10 模型評估
2.11 決策樹
2.12 支援向量機（SVM）
2.13 貝氏分類器
2.14 EM 演算法
2.15 降維和分群
03 深度學習基礎
3.1 基本概念
3.2 神經網路計算
3.3 啟動函數
3.4 Batch Size
3.5 歸一化
3.6 參數初始化
3.7 預訓練與微調
3.8 超參數
3.9 學習率
3.10 正規化
04 卷積神經網路的經典網路
4.1 LeNet-5
4.2 AlexNet
4.3 ZFNet
4.4 NIN
4.5 VGGNet
4.6 GoogLeNet
4.7 ResNet
4.8 DenseNet
4.9 CNN 模型在GoogLeNet、VGGNet 或AlexNet 上調整的原因
05 卷積神經網路
5.1 CNN 的結構
5.2 輸入層
5.3 卷積層
5.4 啟動層
5.5 池化層
5.6 全連接層
5.7 二維卷積與3D 卷積
5.8 了解轉置卷積與棋盤效應
5.9 卷積神經網路凸顯共通性的方法
5.10 局部卷積
5.11 CNN 視覺化
5.12 卷積神經網路的最佳化及應用
06 循環神經網路
6.1 為什麼需要RNN
6.2 圖解RNN 基本結構
6.3 RNN 的性質
6.4 RNN 的反向傳播
6.5 長短期記憶網路（LSTM）
6.6 常見的RNN 結構上的擴充和改進
6.7 RNN 在NLP 中的典型應用舉例
6.8 RNN 與影像領域的結合舉例
6.9 RNN 與條件隨機場的結合
07 生成對抗網路
7.1 GAN 的基本概念
7.2 GAN 的生成模型評價
7.3 其他常見的生成模型
7.4 GAN 的改進與最佳化
7.5 GAN 的應用：影像翻譯
7.6 GAN 的應用：文字生成
7.7 GAN 在其他領域的應用
08 物件偵測
8.1 基本概念
8.2 two-stage 物件偵測演算法
8.3 one-stage 物件偵測演算法
8.4 物件偵測的常用資料集
8.5 物件偵測常用標記工具
09 影像分割
9.1 常見的影像分割演算法
9.2 FCN
9.3 U-Net
9.4 U-Net++
9.5 SegNet
9.6 LinkNet
9.7 RefineNet
9.8 PSPNet
9.9 DeepLab 系列
9.10 Mask R-CNN 作為目標分割的介紹
9.11 基於弱監督學習的影像分割
10 遷移學習
10.1 遷移學習基礎知識
10.2 遷移學習的研究領域
10.3 遷移學習的應用
10.4 遷移學習的基本方法
10.5 分佈對齊的常用方法
10.6 深度遷移學習方法
10.7 遷移學習研究前端
11 網路架構介紹及訓練
11.1 TensorFlow
11.2 Caffe
11.3 PyTorch
11.4 常見的深度學習分散式架構
11.5 網路架設原則及訓練技巧
12 網路最佳化技巧
12.1 資料集和樣本最佳化
12.2 資料不符合問題
12.3 網路建構和初始化
12.4 特徵選擇
12.5 梯度消失和梯度爆炸
12.6 評價指標
12.7 模型和系統最佳化
13 超參數調整
13.1 超參數的概念
13.2 網路訓練中的超參數調整策略
13.3 合理使用預訓練網路
13.4 自動化超參數搜尋方法
13.5 自動機器學習AutoML
14 模型壓縮、加速和行動端部署
14.1 模型壓縮
14.2 為什麼需要模型壓縮和加速
14.3 模型壓縮方法
14.4 網路壓縮的未來研究方向
14.5 模型最佳化加速方法
14.6 如何選擇壓縮和加速方法
14.7 高效CNN 網路設計的準則
14.8 常用的輕量級網路
14.9 現有的行動端開放原始碼架構及其特點
14.10 行動端開放原始碼架構部署
A 參考連結
ISBN: 9789865501938