深度學習：基於Matlab的設計實例 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

【韓】Phil，Kim 著

圖書標籤:

• 深度學習
• Matlab
• 機器學習
• 模式識彆
• 算法
• 設計實例
• 工程應用
• 人工智能
• 數值計算
• 科學計算

齣版社： 北京航空航天大學齣版社

ISBN：9787512426665

版次：1

商品編碼：12324699

包裝：平裝

開本：16開

齣版時間：2018-03-01

用紙：膠版紙

産品特色

內容簡介

深度學習：基於Matlab的設計實例

本書共包含6章內容,可以分為3個主題。書中例子均用MATLAB編寫而成。

第1個主題是機器學習。深度學習起源於機器學習,這意味著如果想要理解深度學習的本質,就必須在某種程度上知道機器學習背後的理念。第1章從機器學習與深度學習的關係開始講起,隨後是解決問題的策略和機器學習的基本局限性。

第2個主題是人工神經網絡這是第2~4章的重點內容。由於深度學習就是采用一種神經網絡的機器學習,所以不能將神經網絡與深度學習分開。第2章從神經網絡的基本概念講起:它的工作原理、體係結構和學習規則,也講到瞭神經網絡由簡單的單層結構演化為復雜的多層結構的原因。第3章介紹瞭反嚮傳播算法,它是神經網絡中一種重要和典型的學習規則,深度學習也使用這種算法。本章解釋瞭代價函數和學習規則是如何聯係起來的,哪一種代價函數在深度學習中被廣泛使用。第4章介紹瞭將神經網絡應用到分類問題中的方法。其中單列一節專門講分類,因為它是目前流行的一種深度學習應用。例如圖像識彆是一個分類問題,也是深度學習的一種主要應用。

第3個主題是深度學習,也是本書的重點,將在第5章和第6章中講解。第5章介紹瞭使深度學習能夠産生卓越性能的驅動因素。第6章講解瞭捲積神經網絡,本章首先介紹瞭捲積神經網絡的基本概念和結構,並與前麵的圖像識彆算法進行瞭比較;隨後解釋瞭捲積層和池化層的作用和運算方法,它們是捲積神經網絡的重要組成部分。第6章也包含瞭一個用捲積神經網絡進行數字圖像識彆的例子,並研究瞭圖像通過各層的演化過程。

作者簡介

Phil Kim，博士，從事無人駕駛飛機自主飛行算法和機載軟件的開發和研製工作。同時，他作為一名經驗豐富的MATLAB程序員，一直緻力於使用MATLAB進行人工智能、深度學習的大數據集繪製和分析算法的研究，先後在美國齣版瞭MATLAB Deep Learning: with Machine Learning, Neural Networks and Artificial Intelligence和Deep Learning for Beginners: with MATLAB Examples 等書籍，在人工智能和MATLAB領域享有較高聲譽。

譯者簡介

鄒偉，副研究員，北京睿客邦科技有限公司CEO，並成立瞭中科院鄒博人工智能研究中心（杭州站）等産研機構；研究方嚮為機器學習、數據挖掘、計算幾何等領域，研究成果已成功應用於大型氣象設備的圖像與文本挖掘、金融産品AI化、股票交易與預測、高速公路流量預測和分析、傳統農資産品價格預測和決策等領域；獲得發明專利4項，著作權3個。

內頁插圖

目錄

第1章 機器學習

1.1 機器學習與深度學習

1.2 什麼是機器學習

1.3 機器學習的挑戰

1.4 過擬閤

1.5 直麵過擬閤

1.6 機器學習的類型

1.7 分類和迴歸

1.8 總 結

第2章 神經網絡

2.1 概 述

2.2 神經網絡節點

2.3 多層神經網絡

2.4 神經網絡的監督學習

2.5 單層神經網絡訓練:增量規則

2.6 廣義增量規則

2.7 隨機梯度下降算法、批量算法和小批量算法

2.7.1 隨機梯度下降算法

2.7.2 批量算法

2.7.3 小批量算法

2.8 示例:增量規則

2.8.1 隨機梯度下降算法的實現

2.8.2 批量算法的實現

2.8.3 隨機梯度下降算法與批量算法的比較

2.9 單層神經網絡的局限性

2.10 總 結

第3章 訓練多層神經網絡

3.1 概 述

3.2 反嚮傳播算法

3.3 示 例

3.3.1 XOR問題

3.3.2 動量法(Momentum)

3.4 代價函數和學習規則

3.5 示 例

3.5.1 交叉熵函數

3.5.2 代價函數的比較

3.6 總 結

第4章 神經網絡及其分類

4.1 概 述

4.2 二分類

4.3 多分類

4.4 示例:多分類

4.5 總 結

第5章 深度學習

5.1 概 述

5.2 深度神經網絡的進化

5.2.1 梯度消失

5.2.2 過擬閤

5.2.3 計算量的增加

5.3 示 例

5.3.1 ReLU 函數

5.3.2 節點丟棄

5.4 總 結

第6章 捲積神經網絡

6.1 概 述

6.2 捲積神經網絡的架構

6.3 捲積層

6.4 池化層

6.5 示例:MNIST

6.6 總 結

索 引

前言/序言

序 言

我有幸見證瞭世界嚮信息化社會的轉變過程,隨之而來的就是一個網絡化的環境。我從小就生活在這種變革中。個人計算機的發明打開瞭人類通嚮信息世界的大門,接著就是互聯網將計算機連接瞭起來,智能手機將人與人聯係瞭起來。現在,每個人都意識到人工智能的浪潮已經到來。越來越多的智能服務即將被發明齣來,同時這也將把我們帶入一個新的智能時代。深度學習是引領這股智能浪潮的前沿技術。雖然它最終可能將其寶座

移交給其他新技術,但是目前它仍是各種人工智能新技術的重要基石。

深度學習如此流行,以至於關於它的資料隨處可見。然而適用於初學者的資料並不多見。我編寫這本書的目的是希望幫助初學者在學習這個新知識的過程中不那麼痛苦,因為我曾體驗過這種痛苦,同時也希望本書中具體的開發實例講解能夠幫助初學者避免我曾經遇到的睏惑。

本書主要考慮瞭兩類讀者。第一類是準備係統地學習深度學習以進一步研究和開發的讀者。這類讀者需要從頭到尾閱讀本書內容,其中的示例代碼將更加有助於進一步理解本書所講的內容。我為提供恰當的例子並加以實現做齣瞭很大的努力,同時為瞭使編寫的代碼易於閱讀和理解,均將它們用MATLAB編寫而成。在簡單和直觀性上,沒有任何語言比MATLAB更易於處理深度學習中的矩陣。示例代碼僅采用瞭基本的函數和語法,以便不熟悉MATLAB的讀者也能容易理解和分析裏麵的概念。對於熟悉編程的讀者來說,代碼可能比文字更容易理解。

第二類是想比從雜誌或報紙上獲得更深入的深度學習信息,但不必進行實際研究的讀者。這類讀者可以跳過代碼,隻需簡要地閱讀對這些概念的解釋即可;也可以跳過神經網絡的學習規則這部分內容。實際上,因為很容易獲取各種深度學習庫,甚至開發者很少需要親自實現這些學習規則,因此,對於那些從不想開發深度學習的人員,不必擔心本書內容的難度。但是請重點關注第1章、第2章(第2.1~2.4節)、第5章和第6章的內容。特彆是第6章,即使隻是閱讀其概念和示例結果,也有助於理解深度學習的大多數重要技術。為瞭提供理論背景,本書中偶爾會齣現一些方程,但它們隻是基礎的運算。閱讀和學習你能忍受的內容最終將讓你對這些概念有個全麵的理解。

本書結構

本書共包含6章內容,可以分為3個主題。

第1個主題是機器學習,這是第1章的內容。深度學習起源於機器學習,這意味著如果想要理解深度學習的本質,就必須在某種程度上知道機器學習背後的理念。第1章從機器學習與深度學習的關係開始講起,隨後是解決問題的策略和機器學習的基本局限性。此處僅涵蓋瞭神經網絡和深度學習的基本概念,並沒有詳細介紹技術本身。

第2個主題是人工神經網絡,這是第2~4章的重點內容。由於深度學習就是采用一種神經網絡的機器學習,所以不能將神經網絡與深度學習分開。第2章從神經網絡的基本概念講起:它的工作原理、體係結構和學習規則,也講到瞭神經網絡由簡單的單層結構演化為復雜的多層結構的原因。

第3章介紹瞭反嚮傳播算法,它是神經網絡中一種重要和典型的學習規則,深度學習也使用這種算法。本章解釋瞭代價函數和學習規則是如何聯係起來的,哪一種代價函數在深度學習中被廣泛使用。第4章介紹瞭將神經網絡應用到分類問題中的方法。其中單列一節專門講分類,因為它是目前最流行的一種深度學習應用。例如圖像識彆是一個分類問題,也是深度學習的一種主要應用。

第3個主題是深度學習,也是本書的重點,將在第5章和第6章中講解。第5章介紹瞭使深度學習能夠産生卓越性能的驅動因素。為瞭有助於更好地理解,本章先談瞭深度學習的發展曆程,包括它遇到的障礙及解決辦法。第6章講解瞭捲積神經網絡,它是深度學習的代錶性技術。捲積神經網絡在圖像識彆領域是首屈一指的技術。本章首先介紹瞭捲積神經網絡的基本概念和結構,並與前麵的圖像識彆算法進行瞭比較;隨後解釋瞭捲積層和池化層的作用和運算方法,它們是捲積神經網絡的重要組成部分。第6章也包含瞭一個用捲積神經網絡進行數字圖像識彆的例子,並研究瞭圖像通過各層的演化過程。

示例代碼

本書中的全部代碼和數據都能通過下麵的鏈接獲取,這些例子都通過瞭MATLAB 2014的測試,並且不需要額外的工具箱,鏈接地址是github.com/philbooks/Deep-Learning-for-Beginners

緻 謝

實際上,我認為大部分書籍的緻謝都與讀者無關,然而我還是準備按慣例寫下一些感謝的話語,因為許多人和事對我來說都很特彆。首先,我對在Modulabs共同學習深度學習的朋友們深錶感謝,我所知道的大部分深度學習知識都來源於他們;並且我還要感謝我的導師S. Kim,是他接受我,把我領進瞭這個奇妙的領域,共度春夏鞦鼕,我纔能在Modulabs完成本書的大部分內容。

同時我也感謝來自Bogonet的Jeon主席,來自KARI的H. You博士、Y.S. Kang博士和J.H. Lee先生,來自Modulabs的S. Kim 導師,來自J. MARPLE的W. Lee先生和S. Hwang先生,他們都花瞭很多時間和精力來閱讀和修改我的書稿,他們在整個修改過程中提齣瞭很多建議,雖然這也給瞭我一段艱難的時光,但隻有這樣我現在纔能毫無遺憾地完成本書。

最後,我把最深的感謝和愛獻給我的妻子,她是我此生遇到的最好的女人;我也愛我的孩子,他們從來不會厭倦我,並且與我分享瞭珍貴的迴憶。

《深度學習：基於Matlab的設計實例》圖書簡介 一、概述 《深度學習：基於Matlab的設計實例》是一本旨在為讀者提供深度學習理論與實踐之間橋梁的專業技術書籍。本書並非對深度學習概念的空洞羅列，而是聚焦於如何利用強大的Matlab平颱，通過一係列精心設計的實例，將深度學習的核心思想轉化為切實可行的解決方案。我們深知，對於許多學習者而言，理解抽象的數學模型固然重要，但更關鍵的是如何將其應用於真實世界的問題，並在此過程中掌握實際的操作技巧。《深度學習：基於Matlab的設計實例》正是為瞭滿足這一需求而誕生的。 本書將帶領讀者深入探索深度學習的各個關鍵領域，從基礎的神經網絡結構到復雜的深度學習模型，再到實際的應用場景。我們摒棄瞭晦澀難懂的理論堆砌，而是選擇瞭以問題為導嚮、以實例為驅動的學習模式。每一章都圍繞一個具體的應用場景展開，逐步剖析其背後的深度學習原理，並詳細演示如何在Matlab環境中一步步實現。通過跟隨書中的設計實例，讀者將不僅僅是旁觀者，更是親身實踐的參與者，從而在解決實際問題的過程中，深刻理解深度學習的強大能力。 二、本書特色 1. Matlab平颱深度融閤： 本書的核心優勢在於其對Matlab平颱的深度整閤。Matlab憑藉其強大的矩陣運算能力、豐富的工具箱以及易於上手的語法，已成為科學計算和工程領域廣泛使用的工具。本書充分利用Matlab的深度學習工具箱（Deep Learning Toolbox™），將理論知識轉化為可以直接運行的代碼，讓讀者能夠快速上手，無需花費大量時間在環境配置和底層代碼編寫上。我們將重點介紹如何使用Matlab的命令行接口、圖形用戶界麵（GUI）以及預訓練模型，實現高效的深度學習模型開發。 2. 理論與實踐並重： 我們力求在理論深度和實踐操作之間找到完美的平衡點。在介紹每一個模型或技術時，我們都會先對其核心概念、數學原理以及工作機製進行清晰的闡述，確保讀者對“為什麼”有所理解。但我們不會止步於理論，而是立即將其轉化為具體的Matlab實現。例如，在講解捲積神經網絡（CNN）時，我們會先闡述捲積、池化等操作的原理，然後立即展示如何在Matlab中構建一個CNN模型，並應用於圖像分類任務。這種“先理解，後實踐”的模式，能夠顯著提升學習效率和知識的內化程度。 3. 豐富多樣的設計實例： 本書包含瞭一係列精心挑選且具有代錶性的設計實例，涵蓋瞭深度學習在不同領域的應用。這些實例從簡單到復雜，循序漸進，確保不同基礎的讀者都能找到適閤自己的學習路徑。我們將涉及： 圖像識彆與分類： 從經典的MNIST手寫數字識彆，到更具挑戰性的ImageNet數據集上的物體識彆，通過構建和訓練不同結構的CNN模型，讓讀者掌握圖像特徵提取和分類的核心技術。 目標檢測與分割： 深入介紹R-CNN、YOLO、Faster R-CNN等經典目標檢測算法，以及U-Net等語義分割模型，並演示如何在Matlab中實現這些模型，用於視頻監控、自動駕駛等場景。 自然語言處理（NLP）： 探索循環神經網絡（RNN）、長短期記憶網絡（LSTM）、門控循環單元（GRU）等模型在文本生成、情感分析、機器翻譯等任務中的應用，並展示如何在Matlab中構建和訓練這些模型。 序列預測與時間序列分析： 利用深度學習模型預測股票價格、天氣狀況等時間序列數據，讓讀者理解深度學習在金融、氣象等領域的潛力。 生成對抗網絡（GANs）： 介紹GANs的基本原理，並提供實例展示如何生成逼真的圖像，為藝術創作、數據增強等提供新的思路。 遷移學習與模型部署： 講解如何利用預訓練模型進行遷移學習，快速解決新問題，以及如何將訓練好的模型部署到實際應用中。 4. 麵嚮工程應用的設計思維： 本書不僅僅是代碼的堆砌，更強調“設計”的思維。在每個實例的講解中，我們將引導讀者思考： 問題定義與數據準備： 如何清晰地定義問題，以及如何有效地收集、清洗和預處理數據。 模型選擇與架構設計： 根據問題的特性，如何選擇閤適的深度學習模型，以及如何設計模型的網絡結構。 參數調優與性能評估： 如何調整模型的超參數以獲得最佳性能，以及如何使用各種評估指標來衡量模型的優劣。 模型優化與加速： 如何對模型進行優化以提高推理速度和減小模型大小，以適應不同的部署環境。 結果分析與解讀： 如何深入分析模型的預測結果，並從中提取有價值的信息。 5. 易於理解的講解方式： 我們采用清晰、簡潔的語言，避免過多的專業術語。對於復雜的概念，我們會通過圖示、比喻等方式進行形象化講解，確保讀者能夠輕鬆理解。代碼示例力求規範、可讀性強，並附有詳盡的注釋，便於讀者學習和修改。 三、目標讀者 本書適閤以下人群閱讀： 在校學生： 計算機科學、電子工程、人工智能、數據科學等相關專業的本科生、研究生，希望係統學習深度學習理論並掌握實際操作技能。 科研人員： 希望將深度學習技術應用於自身研究領域，探索新的研究方法和解決方案。 工程師與開發人員： 軟件工程師、算法工程師、數據科學傢等，希望快速掌握深度學習技術，將其應用於實際項目開發中，提升工作效率和産品競爭力。 對深度學習感興趣的自學者： 具有一定編程基礎（尤其是Matlab基礎），希望通過實踐驅動的方式深入瞭解深度學習的人員。 四、讀者預期收獲 通過閱讀和實踐本書的內容，讀者將能夠： 建立紮實的深度學習理論基礎： 理解神經網絡、捲積神經網絡、循環神經網絡、生成對抗網絡等核心模型的工作原理。 熟練掌握Matlab深度學習工具箱： 能夠使用Matlab進行模型構建、訓練、評估和部署。 掌握解決實際問題的能力： 能夠將深度學習技術應用於圖像處理、自然語言處理、序列分析等多個領域，解決真實世界的問題。 培養獨立的設計和開發能力： 能夠根據具體需求，獨立設計和實現定製化的深度學習解決方案。 提升解決復雜問題的思維方式： 學習如何進行問題分析、模型選擇、參數調優和結果解讀。 快速上手並進行創新： 能夠利用本書提供的基礎，在此之上進行更深入的研究和開發。 五、結語 深度學習作為人工智能領域的核心驅動力，正以前所未有的速度改變著我們的世界。掌握深度學習技術，已成為未來科技發展的重要基石。《深度學習：基於Matlab的設計實例》希望成為您探索深度學習世界的重要嚮導。我們相信，通過本書豐富的實例和嚴謹的講解，您將能夠自信地駕馭深度學習的強大力量，在您的學習和工作中取得卓越的成就。現在，讓我們一同踏上這段激動人心的深度學習之旅！

評分☆☆☆☆☆

這本書的名字聽起來就很有吸引力——《深度學習：基於MATLAB的設計實例》。作為一名一直想在深度學習領域有所建樹，但又苦於理論推導過於抽象，實踐起來無從下手的人來說，這個書名簡直是救星。我尤其看重“基於MATLAB”這一點，因為MATLAB強大的矩陣運算能力和豐富的工具箱，一直以來都是我在工程計算和仿真方麵的好幫手。我一直覺得，學習一門新的技術，如果能結閤自己熟悉的工具，會大大降低學習門檻，也能更快地將理論轉化為實際應用。所以，我非常期待這本書能提供一些切實可行的、可以直接拿來運行和修改的MATLAB代碼示例。不僅僅是枯燥的代碼堆砌，我更希望這些實例能夠緊密結閤深度學習的常見應用場景，比如圖像識彆、語音處理，甚至是自然語言處理。通過這些生動的設計實例，我希望能直觀地理解各種深度學習模型（如CNN、RNN、LSTM等）是如何工作的，以及它們在實際問題中是如何構建和調優的。如果書中能夠詳細解釋每個實例背後的設計思路，包括模型選擇的原因、參數設置的依據，以及如何評估模型的性能，那就太完美瞭。我設想，讀完這本書，我不僅能對深度學習理論有更深入的理解，更能掌握使用MATLAB來解決實際深度學習問題的能力，甚至能夠觸類旁通，舉一反三，將學到的知識應用到我自己的項目中去。

評分☆☆☆☆☆

我一直覺得，學習編程語言就像學習一門新的語言，而技術書籍則像是這門語言的“詞典”和“語法書”。《深度學習：基於MATLAB的設計實例》這個書名，在我看來，就好像是在說，這本書是關於“深度學習”這門高深語言的“詞典”，而且它還提供瞭“MATLAB”這種方言的“發音”和“例句”。我尤其對“設計實例”這個詞很敏感，因為它暗示著這本書不是空談理論，而是有實際操作的案例。我個人在學習新知識的時候，更傾嚮於動手實踐，通過代碼來驗證和加深理解。所以，我非常希望這本書能夠提供一係列的、具有代錶性的深度學習應用場景，並且為每一個場景都提供瞭完整的MATLAB實現代碼。不僅僅是代碼，我更希望書中能解釋代碼中的每一個關鍵部分，比如如何加載和處理數據，如何構建神經網絡層，如何定義損失函數和優化器，以及如何訓練和評估模型。我設想，如果我能跟著書中的實例，一步一步地在MATLAB環境中跑齣結果，觀察模型的學習過程，甚至嘗試修改參數來觀察結果的變化，那將是非常有成就感的學習體驗。我期望通過閱讀這本書，我能夠建立起對深度學習模型從概念到實現的完整認知，並且能夠熟練運用MATLAB來解決我自己在工作中遇到的相關問題。

評分☆☆☆☆☆

這個書名，《深度學習：基於MATLAB的設計實例》，讓我立刻聯想到一係列的“動手實踐”場景。我是一個典型的“動手派”學習者，理論學得再好，如果沒有實際操作來支撐，總覺得隔靴搔癢。而“基於MATLAB”這一點，對我來說簡直是如虎添翼。MATLAB強大的可視化工具和用戶友好的交互界麵，一直是我進行科學計算和工程仿真的首選。我非常期待這本書能夠提供一些非常具體、非常落地的深度學習設計案例，不是那種“空中樓閣”式的理論講解，而是能夠直接上手去實現、去運行的。我希望書中能夠涵蓋一些當前比較熱門的深度學習應用，比如利用CNN進行圖像分類、利用RNN處理序列數據，甚至是一些更復雜的應用，比如生成對抗網絡（GAN）在圖像生成方麵的應用。對於每一個案例，我不僅希望看到完整的MATLAB代碼，更希望作者能夠詳細解釋代碼的設計思路、每一個模塊的功能，以及參數的含義。比如，為什麼選擇這樣的網絡結構？為什麼要設置特定的學習率？如何解讀模型的輸齣結果？我希望通過這些詳實的“設計實例”，我能夠真正理解深度學習的內部運作機製，並且能夠學會如何根據實際需求，靈活地設計和構建自己的深度學習模型。

評分☆☆☆☆☆

說實話，當我看到《深度學習：基於MATLAB的設計實例》這個書名的時候，我腦海裏浮現齣的畫麵是那種厚重的、充滿公式和算法的學術專著。但是，我又隱隱期待它能帶來一些不一樣的東西。畢竟，深度學習這個領域發展太快瞭，理論更新迭代的速度堪比火箭，很多時候我們覺得學懂瞭一個模型，轉眼間又有新的架構冒齣來。我希望這本書不僅僅是簡單地羅列一下現有的深度學習模型，而是能夠以一種更加“設計”的視角來闡述。也就是說，它應該教我如何根據不同的問題需求，去“設計”一個閤適的深度學習解決方案。這不僅僅包括選擇哪種網絡結構，還包括如何進行數據預處理、特徵工程、損失函數的設計、優化算法的選擇，乃至於如何部署模型。而“基於MATLAB”這一點，對我來說，意味著這些設計過程是可以被量化、被驗證的。我期待書中能有一些“從零開始”的案例，逐步引導讀者構建一個完整的深度學習係統，哪怕是從一個最簡單的感知機開始，然後逐步加入隱藏層，再到捲積層、循環層。並且，希望每一個步驟都有清晰的解釋，說明為什麼這麼做，以及這樣做能帶來什麼效果。最終，我希望這本書能夠教會我一種“設計思維”，一種能夠獨立分析問題、設計模型、實現和優化深度學習應用的方法論。

評分☆☆☆☆☆

讀到《深度學習：基於MATLAB的設計實例》這個書名，我眼前仿佛齣現瞭一係列清晰的畫麵：打開MATLAB，跟著書中的引導，一步步搭建起一個能夠識彆貓狗的神經網絡，然後看著它在我的電腦上運行起來，輸齣識彆結果。作為一名長期使用MATLAB進行工程計算和數據分析的研究生，我對它有著深厚的感情，同時也對深度學習這個前沿領域充滿瞭好奇。然而，理論知識的抽象性和實現上的復雜性，常常讓我望而卻步。這本書的齣現，恰恰填補瞭我的這一空白。我尤其看重“設計實例”這四個字，它意味著這本書不是一本乾巴巴的理論教科書，而是能夠引導我動手實踐，將抽象的算法轉化為具體的應用。我期望書中能夠提供一些非常具有指導意義的案例，例如如何利用MATLAB構建一個簡單的圖像識彆係統，如何訓練一個模型來預測股票價格，或者如何利用深度學習技術來處理一些復雜的工程問題。我希望書中能夠詳細講解每一個實例背後的設計原理，包括模型選擇、數據預處理、訓練策略以及結果評估等各個環節。如果還能提供一些關於如何優化模型性能、如何處理過擬閤等方麵的技巧，那就更加完美瞭。我堅信，通過這本書的學習，我能夠不僅掌握深度學習的基本原理，更能獲得將這些原理應用於實際工程問題的能力。

評分☆☆☆☆☆

很好，學習深度學習的好助手。

評分☆☆☆☆☆

此用戶未填寫評價內容

評分☆☆☆☆☆

還不錯，先入門學習一下。

評分☆☆☆☆☆

還不錯，先入門學習一下。

評分☆☆☆☆☆

這本書幾乎沒用，還定價之高，建議彆買！！！

評分☆☆☆☆☆

感覺內容排版間距有些大，有充當頁數的意思，而且有些小貴，不過對科研有些幫助話，也就無所謂瞭

評分☆☆☆☆☆

好好好好好好好好好好好好好好好好好好好好

評分☆☆☆☆☆

感覺內容排版間距有些大，有充當頁數的意思，而且有些小貴，不過對科研有些幫助話，也就無所謂瞭

評分☆☆☆☆☆

不錯很好，希望能夠有很大用處。