人工智能是近年来优选很为火热的研究领域之一，尤其是随着深度学习算法研究的突破，人工智能技术被应用到图片识别、机器翻译、语音助手、自动驾驶等一系列领域中，取得了靠前的智能水平。深度学习算法涵盖的内容很好前沿和广袤，靠前外出版的相关书籍并不箅多，有些侧重于理论层面的推导，有些侧重于框架API的介绍，鲜有能结合深度学习算法原理和实战讲解的教材。为了使读者能够深刻理解深度学习算法精髓，本书以探索问题式叙述风格展开，从很简单的人工智能问题人手，一步步地引导读者分析和解决并发现新的问题，重温当年算法设计人员的探索之路。本书介绍了深度学习算法所需要的基础数学理论、TensorFlow框架的基本使用方法、回归问题、分类问题、反向传播算法、梯度下降箅法、过拟合、全连接网络、卷积神经网络、循环神经网络、自编码器、生成对抗网络、强化学习、迁移学习等主流和前沿知识。针对每个算法或模型，本书均详细分析了采用TensorFlow框架的实现方法，并基于多个常见的经典数据集进行了算法模型的实战，如基于MNIST和CIFAR10数据集的图片识别实战、基于IMDB数据集的文本分析实战、基于动漫头像数据集的图片生成实战和基于OpenAIGym环境的平衡杆游戏实战等。通过原理与实战结合的方式，读者可优选限度地理解算法理论，同时提升工程实现能力。本书可作为高等院校人工智能课程的教材，也可供从事人工智能、深度学习箅法研究与开发人员自学或参考。
|
