滿額折
Hadoop深度學習（簡體書）
相關商品
商品簡介
作者簡介
目次
商品簡介
本書主要目標是處理很多深度學習應用的熱點問題並向讀者披露解決方案的細節。主要內容分為7章：第1章介紹深度學習基礎知識，第2章介紹大規模數據的分布式深度學習，第3章介紹卷積神經網絡，第4章介紹循環神經網絡，第5章介紹受限玻爾茲曼機，第6章介紹自動編碼器，第7章介紹如何用Hadoop玩轉深度學習。
作者簡介
Dipayan Dev
多年大數據開發經驗，擅長非關係型數據庫技術和Hadoop框架，曾在IEEE和Springer的期刊上多次發表相關研究論文。現任印度PromptCloud公司軟件工程師。
多年大數據開發經驗，擅長非關係型數據庫技術和Hadoop框架，曾在IEEE和Springer的期刊上多次發表相關研究論文。現任印度PromptCloud公司軟件工程師。
目次
第 1 章 深度學習介紹 1
1.1 開始深度學習之旅 5
1.1.1 深度前饋網絡 6
1.1.2 各種學習算法 6
1.2 深度學習的相關術語 10
1.3 深度學習――一場人工智能革命 12
1.4 深度學習網絡的分類 18
1.4.1 深度生成或無監督模型 19
1.4.2 深度判別模型 20
1.5 小結 22
第 2 章 大規模數據的分布式深度學習 23
2.1 海量數據的深度學習 24
2.2 大數據深度學習面臨的挑戰 27
2.2.1 海量數據帶來的挑戰（第 一個V） 28
2.2.2 數據多樣性帶來的挑戰（第二個V） 28
2.2.3 數據快速處理帶來的挑戰（第三個V） 29
2.2.4 數據真實性帶來的挑戰（第四個V） 29
2.3 分布式深度學習和Hadoop 29
2.3.1 Map-Reduce 31
2.3.2 迭代Map-Reduce 31
2.3.3 YARN 32
2.3.4 分布式深度學習設計的重要特徵 32
2.4 深度學習的開源分布式框架Deeplearning4j 34
2.4.1 Deeplearning4j 的主要特性 34
2.4.2 Deeplearning4j 功能總結 35
2.5 在Hadoop YARN 上配置Deeplearning4j 35
2.5.1 熟悉Deeplearning4j 36
2.5.2 為進行分布式深度學習集成Hadoop YARN 和Spark 40
2.5.3 Spark 在Hadoop YARN 上的內存分配規則 40
2.6 小結 44
第3 章 卷積神經網絡 45
3.1 卷積是什麼 46
3.2 卷積神經網絡的背景 47
3.3 卷積神經網絡的基本層 48
3.3.1 卷積神經網絡深度的重要性 49
3.3.2 卷積層 49
3.3.3 為卷積層選擇超參數 52
3.3.4 ReLU 層 56
3.3.5 池化層 57
3.3.6 全連接層 58
3.4 分布式深度卷積神經網絡 58
3.4.1 最受歡迎的深度神經網絡及其配置 58
3.4.2 訓練時間――深度神經網絡面臨的主要挑戰 59
3.4.3 將Hadoop 應用於深度卷積神經網絡 59
3.5 使用Deeplearning4j 構建卷積層 61
3.5.1 加載數據 61
3.5.2 模型配置 62
3.5.3 訓練與評估 63
3.6 小結 64
第4 章 循環神經網絡 65
4.1 循環網絡與眾不同的原因 66
4.2 循環神經網絡 67
4.2.1 展開循環計算 68
4.2.2 循環神經網絡的記憶 69
4.2.3 架構 70
4.3 隨時間反向傳播 71
4.4 長短期記憶 73
4.4.1 隨時間深度反向傳播的問題 73
4.4.2 長短期記憶 73
4.5 雙向循環神經網絡 75
4.5.1 循環神經網絡的不足 75
4.5.2 解決方案 76
4.6 分布式深度循環神經網絡 77
4.7 用Deeplearning4j 訓練循環神經網絡 77
4.8 小結 80
第5 章 受限玻爾茲曼機 81
5.1 基於能量的模型 82
5.2 玻爾茲曼機 83
5.2.1 玻爾茲曼機如何學習 84
5.2.2 玻爾茲曼機的不足 85
5.3 受限玻爾茲曼機 85
5.3.1 基礎架構 85
5.3.2 受限玻爾茲曼機的工作原理 86
5.4 卷積受限玻爾茲曼機 88
5.5 深度信念網絡 90
5.6 分布式深度信念網絡 91
5.6.1 受限玻爾茲曼機的分布式訓練 91
5.6.2 深度信念網絡的分布式訓練 92
5.7 用Deeplearning4j 實現受限玻爾茲曼機和深度信念網絡 94
5.7.1 受限玻爾茲曼機 94
5.7.2 深度信念網絡 95
5.8 小結 97
第6 章 自動編碼器 98
6.1 自動編碼器 98
6.2 稀疏自動編碼器 101
6.2.1 稀疏編碼 101
6.2.2 稀疏自動編碼器 102
6.3 深度自動編碼器 104
6.3.1 訓練深度自動編碼器 104
6.3.2 使用Deeplearning4j 實現深度自動編碼器 107
6.4 降噪自動編碼器 108
6.4.1 降噪自動編碼器的架構 109
6.4.2 堆疊式降噪自動編碼器 109
6.4.3 使用Deeplearning4j 實現堆疊式降噪自動編碼器 110
6.5 自動編碼器的應用 112
6.6 小結 112
第7 章 用Hadoop 玩轉深度學習 113
7.1 Hadoop 中的分布式視頻解碼 114
7.2 使用Hadoop 進行大規模圖像處理 116
7.3 使用Hadoop 進行自然語言處理 117
7.3.1 Web 爬蟲 118
7.3.2 自然語言處理的關鍵詞提取和模塊 118
7.3.3 從頁面評估相關關鍵詞 118
7.4 小結 119
參考文獻 120
1.1 開始深度學習之旅 5
1.1.1 深度前饋網絡 6
1.1.2 各種學習算法 6
1.2 深度學習的相關術語 10
1.3 深度學習――一場人工智能革命 12
1.4 深度學習網絡的分類 18
1.4.1 深度生成或無監督模型 19
1.4.2 深度判別模型 20
1.5 小結 22
第 2 章 大規模數據的分布式深度學習 23
2.1 海量數據的深度學習 24
2.2 大數據深度學習面臨的挑戰 27
2.2.1 海量數據帶來的挑戰（第 一個V） 28
2.2.2 數據多樣性帶來的挑戰（第二個V） 28
2.2.3 數據快速處理帶來的挑戰（第三個V） 29
2.2.4 數據真實性帶來的挑戰（第四個V） 29
2.3 分布式深度學習和Hadoop 29
2.3.1 Map-Reduce 31
2.3.2 迭代Map-Reduce 31
2.3.3 YARN 32
2.3.4 分布式深度學習設計的重要特徵 32
2.4 深度學習的開源分布式框架Deeplearning4j 34
2.4.1 Deeplearning4j 的主要特性 34
2.4.2 Deeplearning4j 功能總結 35
2.5 在Hadoop YARN 上配置Deeplearning4j 35
2.5.1 熟悉Deeplearning4j 36
2.5.2 為進行分布式深度學習集成Hadoop YARN 和Spark 40
2.5.3 Spark 在Hadoop YARN 上的內存分配規則 40
2.6 小結 44
第3 章 卷積神經網絡 45
3.1 卷積是什麼 46
3.2 卷積神經網絡的背景 47
3.3 卷積神經網絡的基本層 48
3.3.1 卷積神經網絡深度的重要性 49
3.3.2 卷積層 49
3.3.3 為卷積層選擇超參數 52
3.3.4 ReLU 層 56
3.3.5 池化層 57
3.3.6 全連接層 58
3.4 分布式深度卷積神經網絡 58
3.4.1 最受歡迎的深度神經網絡及其配置 58
3.4.2 訓練時間――深度神經網絡面臨的主要挑戰 59
3.4.3 將Hadoop 應用於深度卷積神經網絡 59
3.5 使用Deeplearning4j 構建卷積層 61
3.5.1 加載數據 61
3.5.2 模型配置 62
3.5.3 訓練與評估 63
3.6 小結 64
第4 章 循環神經網絡 65
4.1 循環網絡與眾不同的原因 66
4.2 循環神經網絡 67
4.2.1 展開循環計算 68
4.2.2 循環神經網絡的記憶 69
4.2.3 架構 70
4.3 隨時間反向傳播 71
4.4 長短期記憶 73
4.4.1 隨時間深度反向傳播的問題 73
4.4.2 長短期記憶 73
4.5 雙向循環神經網絡 75
4.5.1 循環神經網絡的不足 75
4.5.2 解決方案 76
4.6 分布式深度循環神經網絡 77
4.7 用Deeplearning4j 訓練循環神經網絡 77
4.8 小結 80
第5 章 受限玻爾茲曼機 81
5.1 基於能量的模型 82
5.2 玻爾茲曼機 83
5.2.1 玻爾茲曼機如何學習 84
5.2.2 玻爾茲曼機的不足 85
5.3 受限玻爾茲曼機 85
5.3.1 基礎架構 85
5.3.2 受限玻爾茲曼機的工作原理 86
5.4 卷積受限玻爾茲曼機 88
5.5 深度信念網絡 90
5.6 分布式深度信念網絡 91
5.6.1 受限玻爾茲曼機的分布式訓練 91
5.6.2 深度信念網絡的分布式訓練 92
5.7 用Deeplearning4j 實現受限玻爾茲曼機和深度信念網絡 94
5.7.1 受限玻爾茲曼機 94
5.7.2 深度信念網絡 95
5.8 小結 97
第6 章 自動編碼器 98
6.1 自動編碼器 98
6.2 稀疏自動編碼器 101
6.2.1 稀疏編碼 101
6.2.2 稀疏自動編碼器 102
6.3 深度自動編碼器 104
6.3.1 訓練深度自動編碼器 104
6.3.2 使用Deeplearning4j 實現深度自動編碼器 107
6.4 降噪自動編碼器 108
6.4.1 降噪自動編碼器的架構 109
6.4.2 堆疊式降噪自動編碼器 109
6.4.3 使用Deeplearning4j 實現堆疊式降噪自動編碼器 110
6.5 自動編碼器的應用 112
6.6 小結 112
第7 章 用Hadoop 玩轉深度學習 113
7.1 Hadoop 中的分布式視頻解碼 114
7.2 使用Hadoop 進行大規模圖像處理 116
7.3 使用Hadoop 進行自然語言處理 117
7.3.1 Web 爬蟲 118
7.3.2 自然語言處理的關鍵詞提取和模塊 118
7.3.3 從頁面評估相關關鍵詞 118
7.4 小結 119
參考文獻 120
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。