《深度学习模型及应用详解》内容简介

《深度学习模型及应用详解》作者都是微软人工智能及研究院的研究人员和应用科学家，具有深厚的机器学习背景，在一线针对产品需求和支持的场景进行了大量的深度学习模型及算法的研究和开发，在模型设计、训练、评估、部署、推理优化等模型开发全生命周期积累了丰富的经验。
《深度学习模型及应用详解》分为4部分，共13章。其中第1部分（第1、2章）简要介绍了深度学习的现状、概念和实现工具。第2部分（第3～5章）以具体的实际应用展示基于深度学习技术进行工程实践和开发的流程和技巧。第3部分（第6～12章）介绍了学术界和工业界最新的高阶深度学习模型的实现和应用。第4部分（第13章）介绍了深度学习领域的一些前沿研究方向，并对深度学习的未来发展进行展望。
《深度学习模型及应用详解》面向的读者是希望学习和运用深度学习模型到具体应用场景的企业工程师、科研院所的学生和科研人员。读者学习本书的目的是了解深度学习模型和算法基础后，快速部署到自己的工作领域，并取得落地成果。
张若非，付强，高斌，张耿豪，叶挺著。

作品目录

作者简介
序言
前言
第1章：神经网络发展史
1.1、神经网络的早期雏形
1.2、现代神经网络
1.3、深度学习发展历史中的重要神经网络
1.4、本章小结
参考文献
第2章：深度学习开源框架
2.1、主流的深度学习开源框架
2.2、简单神经网络模型在不同框架上的实现对比
2.3、本章小结
参考文献
第3章：多层感知机在自然语言处理方面的应用
3.1、词和文本模型的发展历程
3.2、Word2Vec模型：基于上下文的分布式表达
3.3、应用TensorFlow实现Word2Vec模型
3.4、Word2Vec模型的局限及改进
3.5、本章小结
参考文献
第4章：卷积神经网络在图像分类中的应用
4.1、图像识别和图像分类的发展
4.2、AlexNet
4.3、应用TensorFlow实现AlexNet
4.4、本章小结
参考文献
第5章：递归神经网络
5.1、递归神经网络应用背景介绍
5.2、递归神经网络模型介绍
5.3、递归神经网络展望
5.4、本章小结
参考文献
第6章：DeepIntent模型在信息检索领域的应用
6.1、信息检索在搜索广告中的应用发展
6.2、含有注意力机制的RNN模型
6.3、应用TensorFlow实现DeepIntent模型
6.4、本章小结
参考文献
第7章：图像识别及在广告搜索方面的应用
7.1、视觉搜索
7.2、方法和系统
7.3、评测
7.4、用于演示的Visual
Shopping
Assistant应用程序
7.5、相关工作
7.6、本章小结
第8章：Seq2Seq模型在聊天机器人中的应用
8.1、Seq2Seq模型应用背景
8.2、Seq2Seq模型的应用方法
8.3、含有注意力机制的多层Seq2Seq模型
8.4、信息导向的自适应序列采样
8.5、多轮项目推荐
8.6、熵作为信心的度量
8.7、本章小结
参考文献
第9章：word2vec的改进：fastText模型
9.1、fastText模型的原理
9.2、应用场景：搜索广告中的查询词关键词匹配问题
9.3、本章小结
参考文献
第10章：生成对抗网络
10.1、生成对抗网络的原理
10.2、应用场景：搜索广告中由查询词直接生成关键词
10.3、本章小结
参考文献
第11章：深度强化学习
11.1、深度强化学习的原理
11.2、应用场景：基于深度强化学习的推荐系统
11.3、本章小结
参考文献
第12章：工程实践和线上优化
12.1、Seq2Seq模型介绍
12.2、LSTM优化分析
12.3、优化应用实例：RapidScorer算法对GBDT的加速
12.4、本章小结
参考文献
第13章：深度学习的下一个浪潮
13.1、深度学习的探索方向展望
13.2、深度学习的应用场景展望
13.3、本章小结
参考文献