我爱电子书-《AlphaGo如何战胜人类围棋大师：智能硬件TensorFlow实践》| pdf + epub + mobi + awz3, 高清版, 带目录，Kindle版, 多看精排版下载

注重体验与质量的电子书资源下载网站

分类于: 人工智能

简介

AlphaGo如何战胜人类围棋大师：智能硬件TensorFlow实践豆 0.0分

资源最后更新于 2020-03-29 01:48:04

作者：陈震郑文勋编著

出版社：出版社清华大学出版社

出版日期：2018-07

ISBN：9787302492702

文件格式： pdf

标签：人工智能算法围棋智力游戏

简介· · · · · ·

本书主要阐述了当前机器智能的热点技术——深度学习和强化学习技术的原理。在此基础上，介绍AlphaGo结合深度学习和强化学习技术，如何战胜人类围棋大师的原理。接下来，将深度学习的理论转化为实践，给出如何通过掌握TensorFlow和Keras深度学习框架，制作声控智能硬件的例子，同时给出机器视觉的对象检测案例，指导读者逐步学习使用深度学习技术。本书的主要特点是实践操作，用实用可运行的案例来上手。本书可作为实践入门指导书，适用于对机器智能有兴趣的高年级本科生，也适合于对机器智能有兴趣的人员参考。陈震清华大学iCenter智能系统实验室主任；从事互联网、数据管理与智能系统的教研工作；长期指导本科生科研训练计划项目（SRT），荣获清华大学优秀SRT项目指导奖一等奖2项和二等奖4项；带领实验室团队完成的“人工智能实践教学平台”，荣获2018年清华大学实验技术成果一等奖，为清华大学学生创客团队的人工智能创新创业提供有力支持。郑文勋就职于阿里巴巴北京总部，清华大学自动化系硕士研究生（2014-2018），毕业于清华大学物理基科班（2011-2014）。

直接下载

简介

AlphaGo如何战胜人类围棋大师：智能硬件TensorFlow实践 豆 0.0分

简介· · · · · ·

目录

内容简介

作者简介

前言

第1章 机器智能的发展

1.1 机器智能

1.1.1 机器智能的定义

1.1.2 机器智能的分类

1.2 深度学习

1.2.1 机器智能的神经网络方法

1.2.2 人工神经元与人工神经网络

1.2.3 神经网络的复兴

1.3 机器学习

1.3.1 机器学习的基本原理

1.3.2 机器学习泛化能力

1.3.3 大数据是深度学习的基础

参考文献

第2章 深度学习

2.1 深度学习的原理

2.1.1 人工神经元

2.1.2 多层人工神经网络

2.1.3 神经网络训练

2.2 典型的神经网络架构

2.2.1 卷积神经网络

2.2.2 循环神经网络

2.2.3 长短时记忆循环网络

2.2.4 门控循环单元循环网络

2.3 机器感知

2.3.1 语音识别

2.3.2 计算机视觉

2.4 深度学习实践

2.4.1 建模工具

2.4.2 软硬件工具

2.5 小结

参考文献

第3章 强化学习

3.1 强化学习基础

3.1.1 强化学习概述

3.1.2 深度强化学习

3.1.3 强化学习框架

3.2 计算机围棋

3.2.1 围棋游戏

3.2.2 蒙特卡洛树搜索

3.2.3 基于卷积网络的围棋程序

3.3 阿尔法围棋的原理

3.3.1 阿尔法围棋团队

3.3.2 深度卷积网络

3.3.3 结合策略网络和价值网络的蒙特卡洛树搜索

3.3.4 阿尔法围棋技术总结

3.4 小结

参考文献

第4章 TensorFlow简介

4.1 TensorFlow

4.2 使用

4.2.1 TensorFlow起步

4.2.2 TensorFlow数据的结构

4.2.3 TensorFlow的工作流程

4.3 Tensor运算

4.4 导入实验数据

4.4.1 NumpyArray方法

4.4.2 TensorFlow组件方法

4.4.3 TensorFlow示例

4.5 TensorBoard示例

4.6 小结

参考文献

第5章 Keras简介

5.1 Keras

5.2 组织结构

5.2.1 Models

5.2.2 Core Layers

5.2.3 Layers

5.2.4 Activations

5.2.5 Optimizers

5.3 Keras实践

5.3.1 Keras安装

5.3.2 Keras使用

5.4 小结

AlphaGo如何战胜人类围棋大师：智能硬件TensorFlow实践豆 0.0分

第1章　机器智能的发展

1.1　机器智能

1.1.1　机器智能的定义

1.1.2　机器智能的分类

1.2　深度学习

1.2.1　机器智能的神经网络方法

1.2.2　人工神经元与人工神经网络

1.2.3　神经网络的复兴

1.3　机器学习

1.3.1　机器学习的基本原理

1.3.2　机器学习泛化能力

1.3.3　大数据是深度学习的基础

第2章　深度学习

2.1　深度学习的原理

2.1.1　人工神经元

2.1.2　多层人工神经网络

2.1.3　神经网络训练

2.2　典型的神经网络架构

2.2.1　卷积神经网络

2.2.2　循环神经网络

2.2.3　长短时记忆循环网络

2.2.4　门控循环单元循环网络

2.3　机器感知

2.3.1　语音识别

2.3.2　计算机视觉

2.4　深度学习实践

2.4.1　建模工具

2.4.2　软硬件工具

2.5　小结

第3章　强化学习

3.1　强化学习基础

3.1.1　强化学习概述

3.1.2　深度强化学习

3.1.3　强化学习框架

3.2　计算机围棋

3.2.1　围棋游戏

3.2.2　蒙特卡洛树搜索

3.2.3　基于卷积网络的围棋程序

3.3　阿尔法围棋的原理

3.3.1　阿尔法围棋团队

3.3.2　深度卷积网络

3.3.3　结合策略网络和价值网络的蒙特卡洛树搜索

3.3.4　阿尔法围棋技术总结

3.4　小结

第4章　 TensorFlow简介

4.1　TensorFlow

4.2　使用

4.2.1　TensorFlow起步

4.2.2　TensorFlow数据的结构

4.2.3　TensorFlow的工作流程

4.3　Tensor运算

4.4　导入实验数据

4.4.1　NumpyArray方法

4.4.2　TensorFlow组件方法

4.4.3　TensorFlow示例

4.5　TensorBoard示例

4.6　小结

第5章　 Keras简介

5.1　Keras

5.2　组织结构

5.2.1　Models

5.2.2　Core Layers

5.2.3　Layers

5.2.4　Activations

5.2.5　Optimizers

5.3　Keras实践

5.3.1　Keras安装

5.3.2　Keras使用

5.4　小结

第6章　声控智能1——预处理与训练

6.1　声控智能

6.1.1　语音指令

6.1.2　语音时频谱图

6.1.3　语音文件录音

6.2　实验过程

6.2.1　语音数据预处理

6.2.2　语音识别网络

6.2.3　TensorFlow/Keras的使用

6.3　小结