FreeLearning 深度学习译文集 2025.8 更新
- Python 3D 深度学习
- 亚马逊 SageMaker 深度学习负载加速指南
- Keras 高级深度学习
- Python 高级深度学习
- R 高级深度学习
- R 高级深度学习
- 前言
- 第一部分：重温深度学习基础
- 第一章：重新审视深度学习架构和技术
- 第二部分：用于预测和分类的深度学习
- 第二章：用于多类分类的深度神经网络
- 第三章：用于回归的深度神经网络
- 第三章：计算机视觉中的深度学习
- 第五章：图像分类和识别
- 第六章：使用卷积神经网络进行图像分类
- 第七章：使用 Keras 应用自编码器神经网络
- 第八章：使用迁移学习进行小数据集的图像分类
- 第九章：使用生成对抗网络创建新图像
- 第四章：自然语言处理中的深度学习
- 第十一章：深度网络用于文本分类
- 第十二章：使用循环神经网络进行文本分类
- 第十三章：使用长短期记忆网络进行文本分类
- 第十四章：使用卷积递归神经网络进行文本分类
- 第五部分：前方的道路
- 第十五章：提示、技巧与前进的道路
- TensorFlow 2 和 Keras 高级深度学习
- Github DevOps 加速指南
- Github DevOps 加速指南
- 前言
- 第一章：NLP 基础
- 第二章：使用 BiLSTM 理解自然语言中的情感
- 第三章：基于 BiLSTM、CRF 和 Viterbi 解码的命名实体识别（NER）
- 第四章：使用 BERT 进行迁移学习
- 第五章：使用 RNN 和 GPT-2 生成文本
- 第六章：使用 Seq2seq 注意力机制和 Transformer 网络进行文本摘要
- 第七章：多模态网络与图像描述生成，使用 ResNet 和 Transformer 网络
- 第八章：使用 Snorkel 进行弱监督学习分类
- 第九章：使用深度学习构建对话式 AI 应用
- 第十章：代码安装和设置说明
- 第十一章：你可能感兴趣的其他书籍
- 人工智能速成课
- 人工智能示例第二版
- 人工智能示例第二版
- 前言
- 第一章：通过强化学习开始学习下一代人工智能
- 第二章：构建奖励矩阵 – 设计你的数据集
- 第三章：机器智能 – 评估函数和数值收敛
- 第四章：使用 K-均值聚类优化你的解决方案
- 第五章：如何使用决策树增强 K 均值聚类
- 第六章：用 Google 翻译创新 AI
- 第七章：使用朴素贝叶斯优化区块链
- 第八章：用前馈神经网络解决 XOR 问题
- 第九章：使用卷积神经网络（CNN）进行抽象图像分类
- 第十章：概念表征学习
- 第十一章：结合强化学习与深度学习
- 第十二章：人工智能与物联网（IoT）
- 第十三章：使用 TensorFlow 2.x 和 TensorBoard 可视化网络
- 第十四章：使用限制玻尔兹曼机（RBM）和主成分分析（PCA）准备聊天机器人的输入
- 第十五章：设置一个认知 NLP UI/CUI 聊天机器人
- 第十六章：提升聊天机器人的情感智能缺陷
- 第十七章：混合神经网络中的遗传算法
- 第十八章：神经形态计算
- 第十九章：量子计算
- 第二十章：问题的答案
- 第二十一章：你可能喜欢的其他书籍
- 人工智能产品经理手册
- 人工智能驱动的商业
- 人工智能驱动的商业
- 序言
- 第一部分：人工智能驱动商业的好处
- 第一章：第一章：改善市场机会识别
- 第二章：第二章：创造产品创意
- 第三章：第三章：理解如何利用大数据预测行业趋势
- 第二部分：顶级品牌如何使用人工智能
- 第四章：第四章：应用 AI 进行创新——奢侈品深度挖掘
- 第五章：第五章：将 AI 应用于创新——无线网络深度探讨
- 第六章：第六章：应用 AI 进行创新——消费电子深度分析
- 第七章：第七章：应用 AI 进行创新——餐饮行业深入分析
- 第八章：第八章：应用 AI 进行创新——消费品深度解析
- 第三部分：如何使用 Commerce.AI 进行产品创意、趋势分析与预测
- 第九章：第九章：通过产品 AI 传递洞察
- 第十章：第十章：通过 Service AI 提供洞察
- 第十一章：第十一章：通过市场 AI 提供洞察
- 第十二章：第十二章：通过语音调查提供洞察
- 第十三章：为什么订阅？
- Python 人工智能中文版
- Web 开发的人工智能策略
- Web 开发的人工智能策略
- 前言
- 第一章：人工智能在塑造网页开发中的角色
- 第二章：掌握基础 – AI 基础
- 第三章：挑战与机遇——将 AI 融入网页项目
- 第四章：探索领域：流行的 AI 和机器学习框架与工具
- 第五章：未来蓝图——架构有效的 AI 解决方案
- 第六章：设计智能——通过人工智能创造以用户为中心的体验
- 第七章：识别模式——利用人工智能个性化用户旅程
- 第八章：编码助手 —— 现代开发中的秘密武器
- 第九章：更智能的用户互动 – 通过高级 AI 提升用户参与度
- 第十章：智能测试策略——通过 AI 洞察力强化 Web 应用
- 第十一章：增强型劳动力——人工智能对网页开发岗位的影响
- 第十二章：揭示机器用户 – 导航人类与机器的交汇点
- 第十三章：AI 增强开发 – 塑造明日数字化景观
- 第十四章：从构想到现实 – 打造智能网络应用
- 第十五章：数字领域的守护者——在 AI 中导航信任、风险和伦理
- 第十六章：下一代开发环境和人工智能技术的进展
- 第十七章：新兴现实与界面
- 第十八章：AI 法规与治理——符合欧盟 AI 法案和 ISO/IEC 42001 标准的合规性
- 应用人工智能研讨会
- 应用图深度学习
- Python 应用深度学习
- TensorFlow 和 Keras 应用研讨会
- 机器人的人工视觉和语言处理
- AutoKeras 自动机器学习
- AutoKeras 自动机器学习
- 前言
- 第一部分：AutoML 基础
- 第一章：第一章：自动化机器学习概述
- 第二章：第二章：开始使用 AutoKeras
- 第三章：第三章：使用 AutoKeras 自动化机器学习管道
- 第二部分：AutoKeras 实践
- 第四章：第四章：使用 AutoKeras 进行图像分类与回归
- 第五章：第五章：使用 AutoKeras 进行文本分类和回归
- 第六章：第六章：使用 AutoKeras 处理结构化数据
- 第七章：第七章：使用 AutoKeras 进行情感分析
- 第八章：第八章：使用 AutoKeras 进行主题分类
- 第三部分：高级 AutoKeras
- 第九章：第九章：处理多模态和多任务数据
- 第十章：第十章：导出与可视化模型
- Zapier 与生成式 AI 的自动化
- Zapier 与生成式 AI 的自动化
- 前言
- 第一部分：开始使用 Zapier
- 第一章：介绍使用 Zapier 进行业务流程自动化
- 第二章：准备自动化您的流程
- 第三章：构建您的第一个自动化工作流程（Zap）
- 第四章：管理你的 Zaps
- 第五章：故障排除和处理 Zap 错误
- 第二部分：通过 Zapier 自定义您的 Zaps 使用内置应用 – 功能和实际用途
- 第六章：创建多步骤 Zap 并使用内置应用程序
- 第七章：使用内置应用程序入门
- 第八章：内置通信应用程序
- 第九章：探索内置应用程序来提取和编译数据
- 第十章：Zapier 的其他有用内置应用程序
- 第十一章：Zapier 的高级内置应用
- 第十二章：使用内置应用程序管理您的 Zapier 帐户
- 第十三章：最新发布的应用程序和功能
- 第三部分：使用 Zapier 内置应用程序的格式化器功能
- 第十四章：日期和时间格式
- 第十五章：格式化数字
- 第十六章：Zapier 中的文本格式化函数 – 第一部分
- 第十七章：Zapier 中的文本格式化函数 – 第二部分
- 第十八章：Zapier 的实用程序函数
- 第四部分：充分利用 Zapier
- 第十九章：人工智能与自动化
- 第二十章：自动化您的营销流程
- 第二十一章：自动化您的销售流程
- 第二十二章：自动化您的业务流程
- 第二十三章：自动化您的财务和报告流程
- 第二十四章：提升你的生产力的技巧、窍门和最佳实践
- 第二十五章：挑战你的问题解决和 Zap 构建技能
- 第二十六章：评估
- Azure OpenAI 精要
- TensorFlow 和 Keras 应用开发入门
- 使用 TensorFlow 构建机器学习项目中文版
- Caffe2 快速启动指南
- ChatGPT 和其它 LLM 的编程指南
- KNIME 无代码深度学习
- KNIME 无代码深度学习
- 前言
- 第一部分：前馈神经网络与 KNIME 深度学习扩展
- 第一章：第一章: 使用 KNIME Analytics Platform 入门深度学习
- 第二章：第二章：使用 KNIME 分析平台进行数据访问和预处理
- 第三章：第三章: 神经网络入门
- 第四章：第四章： 构建和训练前馈神经网络
- 第二部分：深度学习网络
- 第五章：第五章： 用于欺诈检测的自编码器
- 第六章：第六章: 用于需求预测的递归神经网络
- 第七章：第七章： 实现 NLP 应用
- 第八章：第八章: 神经机器翻译
- 第九章：第九章: 卷积神经网络在图像分类中的应用
- 第三部分：部署与生产化
- 第十章：第十章： 部署深度学习网络
- 第十一章：第十一章：最佳实践和其他部署选项
- 第十二章：你可能会喜欢的其他书籍
- ChatGPT 网络安全秘籍
- 深度学习架构手册
- 深度学习初学者指南
- 深度学习基础知识
- 面向计算机视觉的深度学习
- 深度学习示例
- 深度学习示例
- 序言
- 第一章：数据科学 - 鸟瞰图
- 第二章：数据建模实践——泰坦尼克号例子
- 第三章：特征工程与模型复杂度——泰坦尼克号示例回顾
- 第四章：快速入门 TensorFlow
- 第五章：TensorFlow 实践 - 一些基本示例
- 第六章：深度前馈神经网络 - 实现数字分类
- 第七章：卷积神经网络简介
- 第八章：目标检测 – CIFAR-10 示例
- 第九章：目标检测 – 使用卷积神经网络（CNNs）进行迁移学习
- 第十章：递归类型神经网络 - 语言建模
- 第十一章：表示学习 - 实现词嵌入
- 第十二章：神经情感分析
- 第十三章：自编码器 – 特征提取与去噪
- 第十四章：生成对抗网络
- 第十五章：人脸生成与处理缺失标签
- 第十六章：实现鱼类识别
- FastAI 深度学习秘籍
- Hadoop 深度学习
- Keras 深度学习
- Keras 深度学习研讨会
- 微软认知工具包深度学习快速启动指南
- MXNet 深度学习秘籍
- 自然语言处理的深度学习
- PyTorch 人工智能研讨会
- 深度学习快速参考
- TensorFlow 深度学习中文第二版
- TensorFlow 和 Keras 深度学习第三版
- Theano 深度学习
- 时间序列数据的深度学习秘籍
- 深度学习研讨会
- 深度强化学习实用指南第三版
- 深度强化学习实用指南第三版
- 前言
- 第一章：什么是强化学习？
- 第二章：OpenAI Gym API 和 Gymnasium
- 第三章：使用 PyTorch 进行深度学习
- 第四章：交叉熵方法
- 第五章：表格学习和贝尔曼方程。
- 第六章：深度 Q 网络
- 第七章：高级 RL 库
- 第八章：DQN 扩展
- 第九章：加速强化学习（RL）的方法
- 第十章：使用强化学习进行股票交易
- 第十一章：策略梯度
- 第十二章：演员-评论员方法：A2C 和 A3C
- 第十三章：TextWorld 环境
- 第十四章：网络导航
- 第十五章：连续动作空间
- 第十六章：信任区域方法
- 第十七章：强化学习中的黑盒优化
- 第十八章：高级探索
- 第十九章：通过人类反馈的强化学习
- 第二十章：AlphaGo Zero 和 MuZero
- 第二十一章：离散优化中的强化学习（RL）
- 第二十二章：多智能体强化学习
- 第二十三章：参考文献
- Python 深度强化学习第二版
- Python 深度强化学习第二版
- 前言
- 第一章：强化学习的基本原理
- 第二章：Gym 工具包指南
- 第三章：贝尔曼方程和动态规划
- 第四章：蒙特卡罗方法
- 第五章：理解时间差学习
- 第六章：案例研究——MAB 问题
- 第七章：深度学习基础
- 第八章：TensorFlow 入门
- 第九章：深度 Q 网络及其变体
- 第十章：策略梯度方法
- 第十一章：演员-评论家方法——A2C 和 A3C
- 第十二章：学习 DDPG、TD3 和 SAC
- 第十三章：TRPO、PPO 和 ACKTR 方法
- 第十四章：分布式强化学习
- 第十五章：模仿学习与逆向强化学习
- 第十六章：使用 Stable Baselines 进行深度强化学习
- 第十七章：强化学习前沿
- 附录 1 – 强化学习算法
- 附录 2 – 评估
- 贝叶斯推理深度学习增强指南
- GPT3 探索指南
- FastText 快速启动指南
- 生成对抗网络项目
- 生成式 AI 与 LangCHain
- Python 与 TensorFlow2 生成式 AI
- TensorFlow 入门
- GPT3 终极指南
- TensorFlow 深度学习实战指南中文版
- Python 单样本学习实用指南
- GCP 上的人工智能实用指南
- TensorFlow 卷积神经网络实用指南
- Python 深度学习架构实用指南
- TensorFlow 图像深度学习实用指南
- Python 元学习实用指南
- Python 自然语言处理实用指南
- Python Web 深度学习实用指南
- Python 强化学习实用指南
- Python 迁移学习实用指南
- Python 无监督学习实用指南
- AWS 人工智能实用指南
- AWS 人工智能实用指南
- 前言
- 第一部分：现代 AI 应用程序的简介和结构
- 第一章：亚马逊网络服务上的人工智能简介
- 第二章：现代 AI 应用的构成
- 第二部分：使用 AWS AI 服务构建应用程序
- 第三章：使用 Amazon Rekognition 和 Translate 检测与翻译文本
- 第四章：使用 Amazon Transcribe 和 Polly 执行语音转文本及反向操作
- 第五章：使用 Amazon Comprehend 提取文本中的信息
- 第六章：使用 Amazon Lex 构建语音聊天机器人
- 第三部分：使用 Amazon SageMaker 训练机器学习模型
- 第七章：使用 Amazon SageMaker
- 第八章：创建机器学习推理管道
- 第九章：在文本集合中发现主题
- 第十章：使用 Amazon SageMaker 进行图像分类
- 第十一章：使用深度学习和自回归进行销售预测
- 第四部分：机器学习模型监控与治理
- 第十二章：模型准确度退化与反馈循环
- 第十三章：接下来是什么？
- 人工智能初学者实用指南
- 银行业的人工智能实用指南
- 人工智能与网络安全实用指南
- 物联网的人工智能实用指南
- 人工智能搜索实用指南
- TensorFlow2 计算机视觉实用指南
- 游戏深度学习实用指南
- 物联网的深度学习使用指南
- R 深度学习实用指南
- Spark 深度学习实用指南
- PyTorch 1.x 生成对抗网络实用指南
- Python 图神经网络实用指南
- Python 图神经网络实用指南
- 前言
- 第一章：图学习入门
- 第二章：图论与图神经网络
- 第三章：使用 DeepWalk 创建节点表示
- 第四章：在 Node2Vec 中通过偏向随机游走改善嵌入
- 第五章：用香草神经网络在节点特征中包含节点特征
- 第六章：介绍图卷积网络
- 第七章：图注意力网络
- 第八章：使用 GraphSAGE 扩展图神经网络
- 第九章：定义图分类的表达能力
- 第十章：使用图神经网络预测链接
- 第十一章：使用图神经网络生成图
- 第十二章：从异质图中学习
- 第十三章：时序图神经网络
- 第十四章：解释图神经网络
- 第十五章：使用 A3T-GCN 进行交通预测
- 第十六章：使用异构 GNN 检测异常
- 第十七章：使用 LightGCN 构建推荐系统
- 第十八章：解锁图神经网络在现实应用中的潜力
- TensorFlow 图像生成实用指南
- OpenAI Gym 智能体实用指南
- OpenAI Gym 智能体实用指南
- 前言
- 第一章：智能体与学习环境简介
- 第二章：强化学习与深度强化学习
- 第三章：开始使用 OpenAI Gym 和深度强化学习
- 第四章：探索 Gym 及其功能
- 第五章：实现你的第一个学习智能体——解决山地车问题
- 第六章：使用深度 Q-learning 实现智能代理进行最优控制
- 第七章：创建自定义 OpenAI Gym 环境 - CARLA 驾驶模拟器
- 第八章：使用深度演员-评论家算法实现智能-自动驾驶汽车代理
- 第九章：探索学习环境的全景 - Roboschool、Gym-Retro、StarCraft-II、DeepMindLab
- 第十章：探索学习算法领域 - DDPG（演员-评论家），PPO（策略梯度），Rainbow（基于值的方法）
- Python 马尔科夫模型实用指南
- Magenta 音乐生成实用指南
- Keras 神经网络实用指南
- TensorFlow 2.0 神经网络实用指南
- Python Web 深度学习实用指南
- Python Web 深度学习实用指南
- 前言
- 第一章：网络上的人工智能
- 第二章：解密人工智能与机器学习基础
- 第三章：使用深度学习进行网页开发
- 第四章：使用 Python 开始深度学习
- 第五章：创建你的第一个深度学习 web 应用
- 第六章：开始使用 TensorFlow.js
- 第七章：使用不同深度学习 API 进行网页开发入门
- 第八章：通过 API 进行深度学习
- 第九章：在 Google Cloud Platform 上使用 Python 进行深度学习
- 第十章：使用 Python 在 AWS 上进行 DL：对象检测和家庭自动化
- 第十一章：使用 Python 在微软 Azure 上进行深度学习
- 第十二章：深度学习在生产中的应用（智能 Web 应用）
- 第十三章：深度学习驱动网站的一般生产框架
- 第十四章：使用深度学习保障 Web 应用的安全
- 第十五章：DIY - 一个 Web DL 生产环境
- 第十六章：使用 DL API 和客户支持聊天机器人创建 E2E Web 应用程序
- 附录：网络上深度学习的成功故事与新兴领域
- Python 强化学习算法实用指南
- Python 强化学习算法实用指南
- 前言
- 第一部分：算法和环境
- 第一章：强化学习的概览
- 第二章：实现 RL 循环和 OpenAI Gym
- 第三章：使用动态规划解决问题
- 第二部分：无模型强化学习算法
- 第四章：Q-Learning 和 SARSA 应用
- 第五章：深度 Q 网络
- 第六章：学习随机优化与 PG 优化
- 第七章：TRPO 和 PPO 实现
- 第八章：DDPG 和 TD3 的应用
- 第三部分：超越无模型算法与改进
- 第九章：基于模型的强化学习
- 第十章：使用 DAgger 算法的模仿学习
- 第十一章：理解黑盒优化算法
- 第十二章：开发 ESBAS 算法
- 第十三章：解决强化学习挑战的实用实现
- 第十四章：评估
- R 强化学习实用指南
- TensorFlow 和 AWS Lambda 无服务器深度学习实用指南
- TensorFlow 智能移动项目
- Python 智能项目
- Java 深度学习秘籍
- Java 深度学习精要
- Java 深度学习项目
- Keras 深度学习秘籍
- 生成对抗网络学习指南
- OpenAI Whisper 学习指南
- TensorFlow 企业版实用指南
- 精通 TensorFlow 2.x 计算机视觉
- 精通 Sklearn 和 TensorFlow 预测性分析
- 精通 TensorFlow 1.x
- 精通 TensorFlow 1.x
- 一、TensorFlow 101
- 二、TensorFlow 的高级库
- 三、Keras 101
- 四、TensorFlow 中的经典机器学习
- 五、TensorFlow 和 Keras 中的神经网络和 MLP
- 六、TensorFlow 和 Keras 中的 RNN
- 七、TensorFlow 和 Keras 中的用于时间序列数据的 RNN
- 八、TensorFlow 和 Keras 中的用于文本数据的 RNN
- 九、TensorFlow 和 Keras 中的 CNN
- 十、TensorFlow 和 Keras 中的自编码器
- 十一、TF 服务：生产中的 TensorFlow 模型
- 十二、迁移学习和预训练模型
- 十三、深度强化学习
- 十四、生成对抗网络
- 十五、TensorFlow 集群的分布式模型
- 十六、移动和嵌入式平台上的 TensorFlow 模型
- 十七、R 中的 TensorFlow 和 Keras
- 十八、调试 TensorFlow 模型
- 十九、张量处理单元
- ChatGPT 与 OpenAI 的现代生成式 AI
- TensorFlow 1.x 机器学习
- TensorFlow 机器学习秘籍
- 移动人工智能项目
- TensorFlow Lite，ML Kit 和 Flutter 移动深度学习
- 精通 Sklearn 和 TensorFlow 预测性分析
- 精通 Python 强化学习
- 精通 Python 强化学习
- 前言
- 第一部分：强化学习基础
- 第一章：第一章：强化学习简介
- 第二章：第二章：多臂赌博机
- 第三章：第三章：上下文赌博机
- 第四章：第四章：马尔可夫决策过程的构成
- 第五章：第五章：解决强化学习问题
- 第二部分：深度强化学习
- 第六章：第六章：大规模深度 Q 学习
- 第七章：第七章：基于策略的方法
- 第八章：第八章：基于模型的方法
- 第九章：第九章：多智能体强化学习
- 第三部分：强化学习中的高级话题
- 第十章：第十章：机器教学
- 第十一章：第十一章：泛化与领域随机化
- 第十二章：第十二章：元强化学习
- 第十三章：第十三章：其他高级主题
- 第四部分：强化学习的应用
- 第十四章：第十四章：自主系统
- 第十五章：第十五章：供应链管理
- 第十六章：第十六章：营销、个性化和金融
- 第十七章：第十七章：智能城市与网络安全
- 第十八章：第十八章：强化学习中的挑战与未来方向
- 精通 Spacy
- 精通 Transformers
- AWS 人工智能服务的自然语言处理
- AWS 人工智能服务的自然语言处理
- 前言
- 第一部分：AWS AI NLP 服务介绍
- 第一章：第一章：商业背景中的 NLP 及 AWS AI 服务简介
- 第二章：第二章：介绍 Amazon Textract
- 第三章：第三章：介绍 Amazon Comprehend
- 第二部分：使用 NLP 加速业务成果
- 第四章：第四章：自动化文档处理工作流
- 第五章：第五章：创建 NLP 搜索
- 第六章：第六章：利用 NLP 提升客户服务效率
- 第七章：第七章：理解客户声音分析
- 第八章：第八章：利用自然语言处理（NLP）赚取您的媒体内容
- 第九章：第九章：从金融文档中提取元数据
- 第十章：第十章：通过机器翻译降低本地化成本
- 第十一章：第十一章：使用聊天机器人查询文档
- 第十二章：第十二章：医疗行业中的 AI 和 NLP
- 第三部分：提高生产中的 NLP 模型
- 第十三章：第十三章：改善文档处理工作流的准确性
- 第十四章：第十四章：审计命名实体识别工作流
- 第十五章：第十五章：文档分类及设置人类参与的主动学习
- 第十六章：第十六章：提高 PDF 批处理的准确性
- 第十七章：第十七章：从手写内容中可视化见解
- 第十八章：第十八章：构建安全、可靠和高效的 NLP 解决方案
- 第十九章：为什么订阅？
- Java 自然语言处理
- Python 自然语言处理秘籍
- TensorFlow 自然语言处理第二版
- Python 自然语言理解
- Python 自然语言理解
- 前言
- 第一章：自然语言理解、相关技术和自然语言应用
- 第二章：识别实际的自然语言理解问题
- 第三章：自然语言理解方法 – 基于规则的系统、机器学习和深度学习
- 第四章：选择自然语言理解的库和工具
- 第五章：自然语言数据 – 查找和准备数据
- 第六章：探索和可视化数据
- 第七章：选择方法和表示数据
- 第八章：基于规则的技术
- 第九章：机器学习第一部分 – 统计机器学习
- 第十章：机器学习第二部分 – 神经网络与深度学习技术
- 第十一章：机器学习第三部分——变换器与大语言模型
- 第十二章：应用无监督学习方法
- 第十三章：它工作得怎么样？——评估
- 第十四章：如果系统不工作该怎么办
- 第十五章：总结与展望
- Keras 神经网络秘籍
- Python 神经网络项目
- R 神经网络
- JINA 神经搜索：从原型到生产
- OpenAI API 秘籍
- 响应式人工智能的平台和模型设计指南
- 卷积神经网络实践指南
- MLFlow 大规模深度学习实践指南
- MLFlow 大规模深度学习实践指南
- 前言
- 第一部分 - 深度学习挑战与 MLflow 概述
- 第一章：第一章：深度学习生命周期与 MLOps 挑战
- 第二章：第二章：使用 MLflow 开始进行深度学习
- 第二部分 – 大规模跟踪深度学习管道
- 第三章：第三章：跟踪模型、参数和指标
- 第四章：第四章：跟踪代码和数据版本
- 第三部分 – 在大规模下运行深度学习管道
- 第五章：第五章：在不同环境中运行 DL 管道
- 第六章：第六章：大规模运行超参数调优
- 第四部分 –大规模部署深度学习管道
- 第七章：第七章：多步骤深度学习推理管道
- 第八章：第八章：在大规模环境下部署深度学习推理管道
- 第五部分 – 大规模深度学习模型可解释性
- 第九章：第九章：深度学习可解释性基础
- 第十章：第十章：使用 MLflow 实现深度学习可解释性
- 第十一章：为什么订阅？
- Python 预训练视觉和大语言模型
- PyTorch 人工智能基础知识
- PyTorch 深度学习实用指南
- TensorFlow 强大的预测性分析
- Python 人工智能初学者项目
- Python 深度学习
- Python 深度学习第三版
- Python 深度学习项目
- Python 深度学习项目
- 序言
- 第一章：构建深度学习环境
- 第二章：使用回归训练神经网络进行预测
- 第三章：使用 word2vec 进行词表示
- 第四章：为构建聊天机器人建立 NLP 管道。
- 第五章：用于构建聊天机器人的序列到序列模型
- 第六章：内容创作的生成性语言模型
- 第七章：使用 DeepSpeech2 构建语音识别
- 第八章：使用 ConvNets 进行手写数字分类
- 第九章：使用 OpenCV 和 TensorFlow 进行物体检测
- 第十章：使用 FaceNet 构建人脸识别
- 第十一章：自动图像描述
- 第十二章：使用卷积神经网络（ConvNets）进行 3D 模型的姿势估计
- 第十三章：使用 GAN 进行图像翻译以实现风格迁移
- 第十四章：开发一个深度强化学习的自主代理
- 第十五章：深度学习职业生涯总结与下一步
- Python 自然语言处理
- Python 强化学习项目
- R 深度学习秘籍
- R 深度学习精要第二版
- 正则化秘籍
- TensorFlow 强化学习
- 强化学习研讨会
- Python 循环神经网络快速启动指南
- Scala 机器学习项目
- Spark 深度学习秘籍
- Spark 深度学习秘籍
- 前言
- 第一章：设置 Spark 进行深度学习开发
- 第二章：在 Spark 中创建神经网络
- 第三章：卷积神经网络的痛点
- 第四章：递归神经网络的痛点
- 第五章：使用 Spark ML 预测消防部门呼叫
- 第六章：在生成网络中使用 LSTMs
- 第七章：使用 TF-IDF 进行自然语言处理
- 第八章：使用 XGBoost 进行房地产价值预测
- 第九章：使用 LSTM 预测苹果股票市场成本
- 第十章：使用深度卷积网络进行面部识别
- 第十一章：使用 Word2Vec 创建和可视化词向量
- 第十二章：使用 Keras 创建电影推荐引擎
- 第十三章：使用 TensorFlow 和 Spark 进行图像分类
- TensorFlow 1.x 深度学习秘籍
- TensorFlow 2.0 快速入门指南
- TensorFlow 2.0 快速入门指南
- 零、前言
- 第 1 部分：TensorFlow 2.00 Alpha 简介
- 一、TensorFlow 2 简介
- 二、Keras：TensorFlow 2 的高级 API
- 三、TensorFlow 2 和 ANN 技术
- 第 2 部分：TensorFlow 2.00 Alpha 中的监督和无监督学习
- 四、TensorFlow 2 和监督机器学习
- 五、TensorFlow 2 和无监督学习
- 第 3 部分：TensorFlow 2.00 Alpha 的神经网络应用
- 六、使用 TensorFlow 2 识别图像
- 七、TensorFlow 2 和神经风格迁移
- 八、TensorFlow 2 和循环神经网络
- 九、TensorFlow 估计器和 TensorFlow HUB
- 十、从 tf1.12 转换为 tf2
- TensorFlow 开发者认证指南
- TensorFlow 深度学习项目
- TensorFlow 机器学习秘籍中文第二版
- TensorFlow 机器学习项目
- TensorFlow 机器学习项目
- 前言
- 第一章：TensorFlow 和机器学习概述
- 第二章：使用机器学习检测外星行星
- 第三章：在浏览器中使用 TensorFlow.js 进行情感分析
- 第四章：使用 TensorFlow Lite 进行数字分类
- 第五章：语音转文本与主题提取使用自然语言处理
- 第六章：使用高斯过程回归预测股市价格
- 第七章：使用自编码器进行信用卡欺诈检测
- 第八章：使用贝叶斯神经网络生成交通标志分类器的不确定性
- 第九章：使用 DiscoGAN 从鞋图像生成匹配的鞋包
- 第十章：使用胶囊网络分类服装图像
- 第十一章：使用 TensorFlow 进行高质量产品推荐
- 第十二章：使用 TensorFlow 进行大规模目标检测
- 第十三章：使用 LSTM 生成书籍脚本
- 第十四章：使用深度强化学习玩吃豆人
- 第十五章：接下来是什么？
- TensorFlow 强化学习快速启动指南
- TensorFlow 研讨会
- TensorFlow2 强化学习秘籍
- TensorFlow2 强化学习秘籍
- 前言
- 第一章：第一章：使用 Tensorflow 2.x 开发深度强化学习的构建模块
- 第二章：第二章：实现基于值、基于策略和演员-评论员深度 RL 算法
- 第三章：第三章：实现高级 RL 算法
- 第四章：第四章：现实世界中的强化学习——构建加密货币交易智能体
- 第五章：第五章：现实世界中的强化学习——构建股票/股市交易智能体
- 第六章：第六章：现实世界中的强化学习 – 构建智能体来完成您的待办事项
- 第七章：第七章：将深度 RL 代理部署到云端
- 第八章：第八章：加速深度强化学习代理开发的分布式训练
- 第九章：第九章：在多个平台上部署深度强化学习代理
- 第十章：你可能喜欢的其他书籍
- TensorFlow 2.0 计算机视觉秘籍
- TensorFlow 2.0 计算机视觉秘籍
- 序言
- 第一章：第一章：使用 TensorFlow 2.x 进行计算机视觉入门
- 第二章：第二章：执行图像分类
- 第三章：第三章：利用预训练网络的迁移学习威力
- 第四章：第四章：通过 DeepDream、神经风格迁移和图像超分辨率增强和美化图像
- 第五章：第五章：使用自编码器减少噪声
- 第六章：第六章：生成模型与对抗攻击
- 第七章：第七章：使用 CNN 和 RNN 给图像加上字幕
- 第八章：第八章：通过分割实现对图像的精细理解
- 第九章：第九章：通过目标检测在图像中定位元素
- 第十章：第十章：将深度学习的力量应用到视频中
- 第十一章：第十一章：使用 AutoML 简化网络实现
- 第十二章：第十二章：提升性能
- 第十三章：你可能会喜欢的其他书籍
- Transformers 自然语言处理
- Transformers 自然语言处理
- 前言
- 第一章：什么是Transformers？
- 第二章：起步使用 Transformer 模型的架构
- 第三章：微调 BERT 模型
- 第四章：从头开始预训练 RoBERTa 模型
- 第五章：使用转换器的下游 NLP 任务
- 第六章：使用 Transformer 进行机器翻译
- 第七章：超人类Transformers与 GPT-3 引擎的崛起
- 第八章：将Transformers应用于法律和金融文件以进行人工智能文本摘要
- 第九章：匹配标记器和数据集
- 第十章：基于 BERT 的Transformers的语义角色标记
- 第十一章：让你的数据说话：故事、问题和答案
- 第十二章：检测客户情绪以进行预测
- 第十三章：用Transformers分析假新闻
- 第十四章：解释黑匣子Transformers模型
- 第十五章：从 NLP 到任务不可知的Transformers模型
- 第十六章：Transformers驱动副驾驶员的出现
- 附录 I：Transformers模型术语
- 附录 II：对Transformers模型的硬件约束
- 附录 III：使用 GPT-2 进行通用文本完成
- 附录 IV：使用 GPT-2 进行自定义文本完成
- 附录 V：问题的答案
- 解锁 AutoGPT 的威力
- TensorFlow 2.0 的新增功能
浙公网安备 33010602011771号