书目信息 |
| 题名： |
进化深度学习
|
|
| 作者： | 兰哈姆 著 ；殷海英 译 | |
| 分册： | ||
| 出版信息： | 北京 清华大学出版社 2024.04 |
|
| 页数： | xiv, 321页 | |
| 开本： | 24cm | |
| 丛书名： | ||
| 单 册： | ||
| 中图分类： | TP181 | |
| 科图分类： | ||
| 主题词： | 机器学习--ji qi xue xi | |
| 电子资源： | ||
| ISBN： | 978-7-302-65821-4 | |
| 000 | 01427nam0 2200289 450 | |
| 001 | 2442023784 | |
| 010 | @a978-7-302-65821-4@dCNY98.00 | |
| 100 | @a20240412d2024 em y0chiy0120 ea | |
| 101 | 1 | @achi@ceng |
| 102 | @aCN@b110000 | |
| 105 | @aak z 000yy | |
| 106 | @ar | |
| 200 | 1 | @a进化深度学习@Ajin hua shen du xue xi@f(加) 迈克尔·兰哈姆著@g殷海英译 |
| 210 | @a北京@c清华大学出版社@d2024.04 | |
| 215 | @axiv, 321页@c图@d24cm | |
| 312 | @a英文题名原文取自版权页 | |
| 312 | @a其他题名信息取自封面 | |
| 330 | @a本书旨在通过基于生物进化原理的AotuML增强来改善深度学习模型。这种令人兴奋的新方法利用鲜为人知的人工智能方法来提升性能, 而无需花费数小时进行数据注释或模型超参数调整。在本书中, 读者将学习如何用进化计算解决复杂的设计和分析问题, 用进化计算、遗传算法和粒子群优化来调整深度学习超参数, 用深度学习自动编码器的无监督学习来重新生成样本数据, 理解强化学习和Q学习方程的基本知识, 将Q学习应用于深度学习以产生深度强化学习, 优化无监督自动编码器的损失函数和网络结构, 并制作一个可以玩OpenAI体育馆游戏的进化代理。 | |
| 500 | 10 | @aEvolutionary deep learning : genetic algorithms and neural networks@mChinese |
| 517 | 1 | @a遗传算法和神经网络@Ayi chuan suan fa he shen jing wang luo |
| 586 | @a | |
| 606 | 0 | @a机器学习@Aji qi xue xi |
| 690 | @aTP181@v5 | |
| 701 | 1 | @a兰哈姆@Alan ha mu@g(Lanham, Micheal)@4著 |
| 702 | 0 | @a殷海英@Ayin hai ying@4译 |
| 801 | 0 | @aCN@c20240412 |
| 905 | @dTP181@eL036-2@f1@sTP181/L036-2@S@Z | |
| 进化深度学习/(加) 迈克尔·兰哈姆著/殷海英译.-北京：清华大学出版社，2024.04 |
| xiv, 321页：图；24cm |
| ISBN 978-7-302-65821-4：CNY98.00 |
| 本书旨在通过基于生物进化原理的AotuML增强来改善深度学习模型。这种令人兴奋的新方法利用鲜为人知的人工智能方法来提升性能, 而无需花费数小时进行数据注释或模型超参数调整。在本书中, 读者将学习如何用进化计算解决复杂的设计和分析问题, 用进化计算、遗传算法和粒子群优化来调整深度学习超参数, 用深度学习自动编码器的无监督学习来重新生成样本数据, 理解强化学习和Q学习方程的基本知识, 将Q学习应用于深度学习以产生深度强化学习, 优化无监督自动编码器的损失函数和网络结构, 并制作一个可以玩OpenAI体育馆游戏的进化代理。 |
| ● |
| 相关链接 |
|
|
|
正题名：进化深度学习
索取号：TP181/L036-2
预约/预借
| 序号 | 登录号 | 条形码 | 馆藏地/架位号 | 状态 | 备注 |
| 1 | 21616365 | 216163657 | 自科库301/ [索取号:TP181/L036-2] | 在馆 |