掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深入淺出深度學習原理剖析與Python實踐 版權信息
- ISBN：9787121312700
- 條形碼：9787121312700 ; 978-7-121-31270-0
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深入淺出深度學習原理剖析與Python實踐 本書特色
本書介紹了深度學習相關的原理與應用，全書共分為三大部分，*部分主要回顧了深度學習的發展歷史，以及Theano的使用；第二部分詳細講解了與深度學習相關的基礎知識，包括線性代數、概率論、概率圖模型、機器學習和*化算法；在第三部分中，針對若干核心的深度學習模型，如自編碼器、受限玻爾茲曼機、遞歸神經網絡和卷積神經網絡等進行詳細的原理分析與講解，并針對不同的模型給出相應的具體應用。本書適合有一定高等數學、機器學習和Python編程基礎的在校學生、高校研究者或在企業中從事深度學習的工程師使用，書中對模型的原理與難點進行了深入分析，在每一章的*后都提供了詳細的參考文獻，讀者可以對相關的細節進行更深入的研究。*后，理論與實踐相結合，本書針對常用的模型分別給出了相應的應用，讀者也可以在Github中下載和查看本書的代碼（https://github.com/innovation-cat/DeepLearningBook）。
深入淺出深度學習原理剖析與Python實踐 內容簡介
本書*的特色在于取舍明確，一切無助于迅速理解深度學習精髓的內容全被摒棄了，并著重闡述了技術上的重點和難點；表達上深入淺出：即便是從未接觸過AI知識的人，也能從作者簡明清晰的表述中，一窺深度學習的殿堂。 對任何一位想成為AI/深度學習領域工程師的讀者來說，《深入淺出深度學習：原理剖析與Python實踐》能幫你迅速打開AI的大門，并成長為一名合格的AI工程師。
深入淺出深度學習原理剖析與Python實踐 目錄
1 緒論 1
1.1 人工智能、機器學習與深度學習的關系 2
1.1.1 人工智能——機器推理 3
1.1.2 機器學習——數據驅動的科學 4
1.1.3 深度學習——大腦的仿真 7
1.2 深度學習的發展歷程 7
1.3 深度學習技術概述 9
1.3.1 從低層到高層的特征抽象 10
1.3.2 讓網絡變得更深 12
1.3.3 自動特征提取 13
1.4 深度學習框架 14
2 Theano基礎 18
2.1 符號變量 19
2.2 符號計算的抽象——符號計算圖模型 22
2.3 函數 25
2.3.1 函數的定義 25
2.3.2 Logistic回歸 26
2.3.3 函數的復制 28
2.4 條件表達式 30
2.5 循環 31
2.6 共享變量 38
2.7 配置 38
2.7.1 通過THEANO_FLAGS配置 39
2.7.2 通過.theanorc文件配置 40
2.8 常用的Debug技巧 41
2.9 小結 42
3 線性代數基礎 43
3.1 標量、向量、矩陣和張量 43
3.2 矩陣初等變換 44
3.3 線性相關與向量空間 45
3.4 范數 46
3.4.1 向量范數 46
3.4.2 矩陣范數 49
3.5 特殊的矩陣與向量 52
3.6 特征值分解 53
3.7 奇異值分解 55
3.8 跡運算 56
3.9 樣例：主成分分析 57
4 概率統計基礎 61
4.1 樣本空間與隨機變量 62
4.2 概率分布與分布函數 62
4.3 一維隨機變量 63
4.3.1 離散隨機變量和分布律 63
4.3.2 連續隨機變量和概率密度函數 64
4.4 多維隨機變量 65
4.4.1 離散型二維隨機變量和聯合分布律 66
4.4.2 連續型二維隨機變量和聯合密度函數 66
4.5 邊緣分布 67
4.6 條件分布與鏈式法則 68
4.6.1 條件概率 68
4.6.2 鏈式法則 70
4.7 多維隨機變量的獨立性分析 70
4.7.1 邊緣獨立 71
4.7.2 條件獨立 71
4.8 數學期望、方差、協方差 72
4.8.1 數學期望 72
4.8.2 方差 73
4.8.3 協方差 73
4.8.4 協方差矩陣 75
4.9 信息論基礎 78
4.9.1 信息熵 78
4.9.2 條件熵 80
4.9.3 互信息 81
4.9.4 交叉熵與相對熵 81
5 概率圖模型 84
5.1 生成模型與判別模型 86
5.2 圖論基礎 87
5.2.1 圖的結構 87
5.2.2 子圖 88
5.2.3 路徑、跡、環與拓撲排序 89
5.3 貝葉斯網絡 93
5.3.1 因子分解 93
5.3.2 局部馬爾科夫獨立性斷言 96
5.3.3 I-Map與因子分解 97
5.3.4 有效跡 101
5.3.5 D-分離與全局馬爾科夫獨立性 105
5.4 馬爾科夫網絡 106
5.4.1 勢函數因子與參數化表示 106
5.4.2 馬爾科夫獨立性 108
5.5 變量消除 112
5.6 信念傳播 113
5.6.1 聚類圖 113
5.6.2 團樹 117
5.6.3 由變量消除構建團樹 121
5.7 MCMC采樣 124
5.7.1 隨機采樣 124
5.7.2 隨機過程與馬爾科夫鏈 126
5.7.3 MCMC采樣 129
5.7.4 Gibbs采樣 131
5.8 參數學習 134
5.8.1 *大似然估計 134
5.8.2 期望*大化算法 135
5.9 小結 137
6 機器學習基礎 140
6.1 線性模型 141
6.1.1 線性回歸 141
6.1.2 Logistic回歸 146
6.1.3 廣義的線性模型 148
6.2 支持向量機 149
6.2.1 *優間隔分類器 150
6.2.2 對偶問題 153
6.2.3 核函數 154
6.3 樸素貝葉斯 158
6.4 樹模型 160
6.4.1 特征選擇 161
6.4.2 剪枝策略 163
6.5 聚類 164
6.5.1 距離度量 165
6.5.2 層次聚類 166
6.5.3 K-means聚類 169
6.5.4 譜聚類 170
7 數值計算與*優化 176
7.1 無約束極小值的*優化條件 176
7.2 梯度下降 178
7.2.1 傳統更新策略 180
7.2.2 動量更新策略 182
7.2.3 改進的動量更新策略 183
7.2.4 自適應梯度策略 186
7.3 共軛梯度 187
7.4 牛頓法 191
7.5 擬牛頓法 193
7.5.1 擬牛頓條件 193
7.5.2 DFP算法 194
7.5.3 BFGS 195
7.5.4 L-BFGS 196
7.6 約束*優化條件 199
8 前饋神經網絡 204
8.1 生物神經元結構 205
8.2 人工神經元結構 206
8.3 單層感知機 207
8.4 多層感知機 210
8.5 激活函數 214
8.5.1 激活函數的作用 215
8.5.2 常用的激活函數 217
9 反向傳播與梯度消失 224
9.1 經驗風險*小化 225
9.2 梯度計算 227
9.2.1 輸出層梯度 227
9.2.2 隱藏層梯度 229
9.2.3 參數梯度 233
9.3 反向傳播 234
9.4 深度學習訓練的難點 235
9.4.1 欠擬合——梯度消失 236
9.4.2 過擬合 239
10 自編碼器 242
10.1 自編碼器 242
10.2 降噪自編碼器 244
10.3 棧式自編碼器 246
10.4 稀疏編碼器 249
11 玻爾茲曼機 255
11.1 玻爾茲曼機 255
11.2 能量模型 258
11.2.1 能量函數 258
11.2.2 從能量函數到勢函數 259
11.2.3 從勢函數到概率分布 260
11.3 推斷 261
11.3.1 邊緣分布 262
11.3.2 條件分布 264
11.4 學習 267
11.4.1 *大似然估計 268
11.4.2 對比散度 271
11.5 應用：個性化推薦 273
11.5.1 個性化推薦概述 273
11.5.2 個性化推薦架構與算法 276
11.5.3 RBM與協同過濾 282
12 遞歸神經網絡 288
12.1 Elman遞歸神經網絡 289
12.2 時間反向傳播 292
12.3 長短時記憶網絡 296
12.4 結構遞歸神經網絡 299
12.5 應用：語言模型 304
12.5.1 N元統計模型 305
12.5.2 基于遞歸網絡的語言模型 309
參考文獻： 312
13 卷積神經網絡 314
13.1 卷積運算 315
13.2 網絡結構 318
13.3 卷積層 320
13.4 池化層 325
13.5 應用：文本分類 329
1.1 人工智能、機器學習與深度學習的關系 2
1.1.1 人工智能——機器推理 3
1.1.2 機器學習——數據驅動的科學 4
1.1.3 深度學習——大腦的仿真 7
1.2 深度學習的發展歷程 7
1.3 深度學習技術概述 9
1.3.1 從低層到高層的特征抽象 10
1.3.2 讓網絡變得更深 12
1.3.3 自動特征提取 13
1.4 深度學習框架 14
2 Theano基礎 18
2.1 符號變量 19
2.2 符號計算的抽象——符號計算圖模型 22
2.3 函數 25
2.3.1 函數的定義 25
2.3.2 Logistic回歸 26
2.3.3 函數的復制 28
2.4 條件表達式 30
2.5 循環 31
2.6 共享變量 38
2.7 配置 38
2.7.1 通過THEANO_FLAGS配置 39
2.7.2 通過.theanorc文件配置 40
2.8 常用的Debug技巧 41
2.9 小結 42
3 線性代數基礎 43
3.1 標量、向量、矩陣和張量 43
3.2 矩陣初等變換 44
3.3 線性相關與向量空間 45
3.4 范數 46
3.4.1 向量范數 46
3.4.2 矩陣范數 49
3.5 特殊的矩陣與向量 52
3.6 特征值分解 53
3.7 奇異值分解 55
3.8 跡運算 56
3.9 樣例：主成分分析 57
4 概率統計基礎 61
4.1 樣本空間與隨機變量 62
4.2 概率分布與分布函數 62
4.3 一維隨機變量 63
4.3.1 離散隨機變量和分布律 63
4.3.2 連續隨機變量和概率密度函數 64
4.4 多維隨機變量 65
4.4.1 離散型二維隨機變量和聯合分布律 66
4.4.2 連續型二維隨機變量和聯合密度函數 66
4.5 邊緣分布 67
4.6 條件分布與鏈式法則 68
4.6.1 條件概率 68
4.6.2 鏈式法則 70
4.7 多維隨機變量的獨立性分析 70
4.7.1 邊緣獨立 71
4.7.2 條件獨立 71
4.8 數學期望、方差、協方差 72
4.8.1 數學期望 72
4.8.2 方差 73
4.8.3 協方差 73
4.8.4 協方差矩陣 75
4.9 信息論基礎 78
4.9.1 信息熵 78
4.9.2 條件熵 80
4.9.3 互信息 81
4.9.4 交叉熵與相對熵 81
5 概率圖模型 84
5.1 生成模型與判別模型 86
5.2 圖論基礎 87
5.2.1 圖的結構 87
5.2.2 子圖 88
5.2.3 路徑、跡、環與拓撲排序 89
5.3 貝葉斯網絡 93
5.3.1 因子分解 93
5.3.2 局部馬爾科夫獨立性斷言 96
5.3.3 I-Map與因子分解 97
5.3.4 有效跡 101
5.3.5 D-分離與全局馬爾科夫獨立性 105
5.4 馬爾科夫網絡 106
5.4.1 勢函數因子與參數化表示 106
5.4.2 馬爾科夫獨立性 108
5.5 變量消除 112
5.6 信念傳播 113
5.6.1 聚類圖 113
5.6.2 團樹 117
5.6.3 由變量消除構建團樹 121
5.7 MCMC采樣 124
5.7.1 隨機采樣 124
5.7.2 隨機過程與馬爾科夫鏈 126
5.7.3 MCMC采樣 129
5.7.4 Gibbs采樣 131
5.8 參數學習 134
5.8.1 *大似然估計 134
5.8.2 期望*大化算法 135
5.9 小結 137
6 機器學習基礎 140
6.1 線性模型 141
6.1.1 線性回歸 141
6.1.2 Logistic回歸 146
6.1.3 廣義的線性模型 148
6.2 支持向量機 149
6.2.1 *優間隔分類器 150
6.2.2 對偶問題 153
6.2.3 核函數 154
6.3 樸素貝葉斯 158
6.4 樹模型 160
6.4.1 特征選擇 161
6.4.2 剪枝策略 163
6.5 聚類 164
6.5.1 距離度量 165
6.5.2 層次聚類 166
6.5.3 K-means聚類 169
6.5.4 譜聚類 170
7 數值計算與*優化 176
7.1 無約束極小值的*優化條件 176
7.2 梯度下降 178
7.2.1 傳統更新策略 180
7.2.2 動量更新策略 182
7.2.3 改進的動量更新策略 183
7.2.4 自適應梯度策略 186
7.3 共軛梯度 187
7.4 牛頓法 191
7.5 擬牛頓法 193
7.5.1 擬牛頓條件 193
7.5.2 DFP算法 194
7.5.3 BFGS 195
7.5.4 L-BFGS 196
7.6 約束*優化條件 199
8 前饋神經網絡 204
8.1 生物神經元結構 205
8.2 人工神經元結構 206
8.3 單層感知機 207
8.4 多層感知機 210
8.5 激活函數 214
8.5.1 激活函數的作用 215
8.5.2 常用的激活函數 217
9 反向傳播與梯度消失 224
9.1 經驗風險*小化 225
9.2 梯度計算 227
9.2.1 輸出層梯度 227
9.2.2 隱藏層梯度 229
9.2.3 參數梯度 233
9.3 反向傳播 234
9.4 深度學習訓練的難點 235
9.4.1 欠擬合——梯度消失 236
9.4.2 過擬合 239
10 自編碼器 242
10.1 自編碼器 242
10.2 降噪自編碼器 244
10.3 棧式自編碼器 246
10.4 稀疏編碼器 249
11 玻爾茲曼機 255
11.1 玻爾茲曼機 255
11.2 能量模型 258
11.2.1 能量函數 258
11.2.2 從能量函數到勢函數 259
11.2.3 從勢函數到概率分布 260
11.3 推斷 261
11.3.1 邊緣分布 262
11.3.2 條件分布 264
11.4 學習 267
11.4.1 *大似然估計 268
11.4.2 對比散度 271
11.5 應用：個性化推薦 273
11.5.1 個性化推薦概述 273
11.5.2 個性化推薦架構與算法 276
11.5.3 RBM與協同過濾 282
12 遞歸神經網絡 288
12.1 Elman遞歸神經網絡 289
12.2 時間反向傳播 292
12.3 長短時記憶網絡 296
12.4 結構遞歸神經網絡 299
12.5 應用：語言模型 304
12.5.1 N元統計模型 305
12.5.2 基于遞歸網絡的語言模型 309
參考文獻： 312
13 卷積神經網絡 314
13.1 卷積運算 315
13.2 網絡結構 318
13.3 卷積層 320
13.4 池化層 325
13.5 應用：文本分類 329
展開全部
深入淺出深度學習原理剖析與Python實踐 作者簡介
黃安埠，2012年畢業于清華大學，現為騰訊基礎研究高級工程師，目前負責騰訊QQ音樂、全民K歌等產品的個性化推薦研發工作。研究領域包括個性化推薦和自然語言處理，在理論沉淀和工程實踐都具有豐富的經驗，并撰寫了10余項國內相關專利。
書友推薦
- >
有舍有得是人生
- >
推拿
- >
詩經-先民的歌唱
- >
苦雨齋序跋文-周作人自編集
- >
李白與唐代文化
- >
唐代進士錄
- >
煙與鏡
- >
我從未如此眷戀人間
本類暢銷
