中圖網小程序
一鍵登錄
更方便
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
人工智能技術叢書神經網絡與深度學習 版權信息
- ISBN：9787111649687
- 條形碼：9787111649687 ; 978-7-111-64968-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能技術叢書神經網絡與深度學習 本書特色
本書是深度學習領域的入門教材，系統地整理了深度學習的知識體系，并由淺入深地闡述了深度學習的原理、模型以及方法，使得讀者能全面地掌握深度學習的相關知識，并提高以深度學習技術來解決實際問題的能力。
全書共15章，分為三個部分。
首部分為機器學習基礎：第1章是緒論，介紹人工智能、機器學習、深度學習的概要，使讀者全面了解相關知識；第2~3章介紹機器學習的基礎知識。
第二部分是基礎模型：第4～6章分別講述三種主要的神經網絡模型：前饋神經網絡、卷積神經網絡和循環神經網絡；第7章介紹神經網絡的優化與正則化方法；第8章介紹神經網絡中的注意力機制和外部記憶；第9章簡要介紹一些無監督學習方法；第10章介紹一些模型獨立的機器學習方法，包括集成學習、自訓練、協同訓練、多任務學習、遷移學習、終身學習、元學習等。
第三部分是進階模型：第11章介紹概率圖模型的基本概念，為后面的章節進行鋪墊；第12章介紹兩種早期的深度學習模型：玻爾茲曼機和深度信念網絡；第13章介紹深度生成模型，包括變分自編碼器和生成對抗網絡；第14章介紹深度強化學習；第15章介紹應用十分廣泛的序列生成模型。
本書可作為高等院校人工智能、計算機、自動化、電子和通信等相關專業的研究生或本科生教材，也可供相關領域的研究人員和工程技術人員參考。
本書還配備了教學PPT、編程練習以及課后習題的討論，
獲取方式：
1.微信關注“華章計算機”（微信號：hzbook_jsj）
2.在后臺回復關鍵詞:蒲公英書
人工智能技術叢書神經網絡與深度學習 內容簡介
本書是深度學習領域的入門教材，系統地整理了深度學習的知識體系，由淺入深地闡述了深度學習的基礎知識、主要模型以及前沿研究熱點，使得讀者能有效地掌握深度學習的相關知識，并具備以深度學習技術來處理和解決大數據問題的能力。全書共 15章，分為三個部分。部分為機器學習基礎：第 1章是緒論，概要介紹人工智能、機器學習、深度學習；第 2～3章介紹機器學習的基礎知識。第二部分是基礎模型：第 4～6章分別講述三種主要的神經網絡模型：前饋神經網絡、卷積神經網絡和循環神經網絡；第 7章介紹神經網絡的優化與正則化方法；第 8章介紹神經網絡中的注意力機制和外部記憶；第 9章簡要介紹一些無監督學習方法；第 10章介紹一些模型獨立的機器學習方法，包括集成學習、自訓練、協同訓練、多任務學習、遷移學習、終身學習、元學習等。第三部分是進階模型：第 11章介紹概率圖模型的基本概念；第 12章介紹兩種早期的深度學習模型—玻爾茲曼機和深度信念網絡；第 13章介紹深度生成模型，包括變分自編碼器和生成對抗網絡；第 14章介紹深度強化學習；第 15章介紹應用十分廣泛的序列生成模型。本書可作為高等院校人工智能、計算機、自動化、電子和通信等相關專業的研究生或本科生教材，也可供相關領域的研究人員和工程技術人員參考。
人工智能技術叢書神經網絡與深度學習 目錄
序
前言
常用符號表
**部分 機器學習基礎
第1章 緒論3
1.1人工智能...............................4
1.1.1人工智能的發展歷史....................5
1.1.2人工智能的流派.......................7
1.2機器學習...............................7
1.3表示學習...............................8
1.3.1局部表示和分布式表示...................9
1.3.2表示學習...........................11
1.4深度學習...............................11
1.4.1端到端學習..........................12
1.5神經網絡...............................13
1.5.1人腦神經網絡........................13
1.5.2人工神經網絡........................14
1.5.3神經網絡的發展歷史....................15
1.6本書的知識體系...........................17
1.7常用的深度學習框架.........................18
1.8總結和深入閱讀...........................20
第2章 機器學習概述23
2.1基本概念...............................24
2.2機器學習的三個基本要素......................26
2.2.1模型..............................26
2.2.2學習準則...........................27
2.2.3優化算法...........................30
2.3機器學習的簡單示例——線性回歸.................33
2.3.1參數學習...........................34
2.4偏差-方差分解............................38
2.5機器學習算法的類型.........................41
2.6數據的特征表示...........................43
2.6.1傳統的特征學習.......................44
2.6.2深度學習方法........................46
2.7評價指標...............................46
2.8理論和定理..............................49
2.8.1PAC學習理論........................49
2.8.2沒有免費午餐定理......................50
2.8.3奧卡姆剃刀原理.......................50
2.8.4丑小鴨定理..........................51
2.8.5歸納偏置...........................51
2.9總結和深入閱讀...........................51
第3章 線性模型
3.1線性判別函數和決策邊界......................56
3.1.1二分類............................56
3.1.2多分類............................58
3.2Logistic回歸.............................59
3.2.1參數學習...........................60
3.3Softmax回歸.............................61
3.3.1參數學習...........................62
3.4感知器.................................64
3.4.1參數學習...........................64
3.4.2感知器的收斂性.......................66
3.4.3參數平均感知器.......................67
3.4.4擴展到多分類........................69
3.5支持向量機..............................71
3.5.1參數學習...........................73
3.5.2核函數............................74
3.5.3軟間隔............................74
3.6損失函數對比.............................75
3.7總結和深入閱讀...........................76
第二部分 基礎模型
第4章 前饋神經網絡81
4.1神經元.................................82
4.1.1Sigmoid型函數.......................83
4.1.2ReLU函數..........................86
4.1.3Swish函數..........................88
4.1.4GELU函數..........................89
4.1.5Maxout單元.........................89
4.2網絡結構...............................90
4.2.1前饋網絡...........................90
4.2.2記憶網絡...........................90
4.2.3圖網絡............................90
4.3前饋神經網絡.............................91
4.3.1通用近似定理........................93
4.3.2應用到機器學習.......................94
4.3.3參數學習...........................95
4.4反向傳播算法.............................95
4.5自動梯度計算.............................98
4.5.1數值微分...........................99
4.5.2符號微分...........................99
4.5.3自動微分...........................100
4.6優化問題...............................103
4.6.1非凸優化問題........................103
4.6.2梯度消失問題........................104
4.7總結和深入閱讀...........................104
第5章 卷積神經網絡109
5.1卷積..................................110
5.1.1卷積的定義..........................110
5.1.2互相關............................112
5.1.3卷積的變種..........................113
5.1.4卷積的數學性質.......................114
5.2卷積神經網絡.............................115
5.2.1用卷積來代替全連接....................115
5.2.2卷積層............................116
5.2.3匯聚層............................118
5.2.4卷積網絡的整體結構....................119
5.3參數學習...............................120
5.3.1卷積神經網絡的反向傳播算法...............120
5.4幾種典型的卷積神經網絡......................121
5.4.1LeNet-5............................122
5.4.2AlexNet...........................123
5.4.3Inception網絡........................125
5.4.4殘差網絡...........................126
5.5其他卷積方式.............................127
5.5.1轉置卷積...........................127
5.5.2空洞卷積...........................129
5.6總結和深入閱讀...........................130
第6章 循環神經網絡133
6.1給網絡增加記憶能力.........................134
6.1.1延時神經網絡........................134
6.1.2有外部輸入的非線性自回歸模型..............134
6.1.3循環神經網絡........................135
6.2簡單循環網絡.............................135
6.2.1循環神經網絡的計算能力..................136
6.3應用到機器學習...........................138
6.3.1序列到類別模式.......................138
6.3.2同步的序列到序列模式...................139
6.3.3異步的序列到序列模式...................139
6.4參數學習...............................140
6.4.1隨時間反向傳播算法....................141
6.4.2實時循環學習算法......................142
6.5長程依賴問題.............................143
6.5.1改進方案...........................144
6.6基于門控的循環神經網絡......................145
6.6.1長短期記憶網絡.......................145
6.6.2LSTM網絡的各種變體...................147
6.6.3門控循環單元網絡......................148
6.7深層循環神經網絡..........................149
6.7.1堆疊循環神經網絡......................150
6.7.2雙向循環神經網絡......................150
6.8擴展到圖結構.............................151
6.8.1遞歸神經網絡........................151
6.8.2圖神經網絡..........................152
6.9總結和深入閱讀...........................153
第7章 網絡優化與正則化157
7.1網絡優化...............................157
7.1.1網絡結構多樣性.......................158
7.1.2高維變量的非凸優化....................158
7.1.3神經網絡優化的改善方法..................160
7.2優化算法...............................160
7.2.1小批量梯度下降.......................160
7.2.2批量大小選擇........................161
7.2.3學習率調整..........................162
7.2.4梯度估計修正........................167
7.2.5優化算法小結........................170
7.3參數初始化..............................171
7.3.1基于固定方差的參數初始化.................172
7.3.2基于方差縮放的參數初始化.................173
7.3.3正交初始化..........................175
7.4數據預處理..............................176
7.5逐層歸一化..............................178
7.5.1批量歸一化..........................179
7.5.2層歸一化...........................181
7.5.3權重歸一化..........................182
7.5.4局部響應歸一化.......................182
7.6超參數優化..............................183
7.6.1網格搜索...........................183
7.6.2隨機搜索...........................184
7.6.3貝葉斯優化..........................184
7.6.4動態資源分配........................185
7.6.5神經架構搜索........................186
7.7網絡正則化..............................186
7.7.1?1和?2正則化........................187
7.7.2權重衰減...........................188
7.7.3提前停止...........................188
7.7.4丟棄法............................189
7.7.5數據增強...........................191
7.7.6標簽平滑...........................191
7.8總結和深入閱讀...........................192
第8章 注意力機制與外部記憶197
8.1認知神經學中的注意力.......................198
8.2注意力機制..............................199
8.2.1注意力機制的變體......................201
8.3自注意力模型.............................203
8.4人腦中的記憶.............................205
8.5記憶增強神經網絡..........................207
8.5.1端到端記憶網絡.......................208
8.5.2神經圖靈機..........................210
8.6基于神經動力學的聯想記憶.....................211
8.6.1Hopfiel網絡........................212
8.6.2使用聯想記憶增加網絡容量.................215
8.7總結和深入閱讀...........................215
第9章 無監督學習219
9.1無監督特征學習...........................220
9.1.1主成分分析..........................220
9.1.2稀疏編碼...........................222
9.1.3自編碼器...........................224
9.1.4稀疏自編碼器........................225
9.1.5堆疊自編碼器........................226
9.1.6降噪自編碼器........................226
9.2概率密度估計.............................227
9.2.1參數密度估計........................227
9.2.2非參數密度估計.......................229
9.3總結和深入閱讀...........................232
第10章 模型獨立的學習方式235
10.1集成學習...............................235
10.1.1AdaBoost算法........................237
10.2自訓練和協同訓練..........................240
10.2.1自訓練............................240
10.2.2協同訓練...........................240
10.3多任務學習..............................242
10.4遷移學習...............................245
10.4.1歸納遷移學習........................246
10.4.2轉導遷移學習........................247
10.5終身學習...............................249
10.6元學習.................................252
10.6.1基于優化器的元學習....................253
10.6.2模型無關的元學習......................254
10.7總結和深入閱讀...........................255
第三部分 進階模型
第11章 概率圖模型261
11.1模型表示...............................262
11.1.1有向圖模型..........................263
11.1.2常見的有向圖模型......................264
11.1.3無向圖模型..........................267
11.1.4無向圖模型的概率分解...................267
11.1.5常見的無向圖模型......................269
11.1.6有向圖和無向圖之間的轉換.................270
11.2學習..................................271
11.2.1不含隱變量的參數估計...................271
11.2.2含隱變量的參數估計....................273
11.3推斷..................................279
11.3.1精確推斷...........................279
11.3.2近似推斷...........................282
11.4變分推斷...............................283
11.5基于采樣法的近似推斷.......................285
11.5.1采樣法............................285
11.5.2拒絕采樣...........................287
11.5.3重要性采樣..........................288
11.5.4馬爾可夫鏈蒙特卡羅方法..................289
11.6總結和深入閱讀...........................292
第12章 深度信念網絡297
12.1玻爾茲曼機..............................297
12.1.1生成模型...........................299
12.1.2能量*小化與模擬退火...................301
12.1.3參數學習...........................302
12.2受限玻爾茲曼機...........................304
12.2.1生成模型...........................305
12.2.2參數學習...........................307
12.2.3受限玻爾茲曼機的類型...................308
12.3深度信念網絡.............................309
12.3.1生成模型...........................310
12.3.2參數學習...........................310
12.4總結和深入閱讀...........................313
第13章 深度生成模型317
13.1概率生成模型.............................318
13.1.1密度估計...........................318
13.1.2生成樣本...........................319
13.1.3應用于監督學習.......................319
13.2變分自編碼器.............................319
13.2.1含隱變量的生成模型....................319
13.2.2推斷網絡...........................321
13.2.3生成網絡...........................323
13.2.4模型匯總...........................323
13.2.5再參數化...........................325
13.2.6訓練..............................325
13.3生成對抗網絡.............................327
13.3.1顯式密度模型和隱式密度模型...............327
13.3.2網絡分解...........................327
13.3.3訓練..............................329
13.3.4一個生成對抗網絡的具體實現：DCGAN..........330
13.3.5模型分析...........................330
13.3.6改進模型...........................333
13.4總結和深入閱讀...........................336
第14章 深度強化學習339
14.1強化學習問題.............................340
14.1.1典型例子...........................340
14.1.2強化學習定義........................340
14.1.3馬爾可夫決策過程......................341
14.1.4強化學習的目標函數....................343
14.1.5值函數............................344
14.1.6深度強化學習........................345
14.2基于值函數的學習方法.......................346
14.2.1動態規劃算法........................346
14.2.2蒙特卡羅方法........................349
14.2.3時序差分學習方法......................350
14.2.4深度Q網絡..........................353
14.3基于策略函數的學習方法......................354
14.3.1REINFORCE算法......................356
14.3.2帶基準線的REINFORCE算法...............356
14.4演員-評論員算法...........................358
14.5總結和深入閱讀...........................360
第15章 序列生成模型365
15.1序列概率模型.............................366
15.1.1序列生成...........................367
15.2N元統計模型.............................368
15.3深度序列模型.............................370
15.3.1模型結構...........................370
15.3.2參數學習...........................373
15.4評價方法...............................373
15.4.1困惑度............................373
15.4.2BLEU算法..........................374
15.4.3ROUGE算法.........................375
15.5序列生成模型中的學習問題.....................375
15.5.1曝光偏差問題........................376
15.5.2訓練目標不一致問題....................377
15.5.3計算效率問題........................377
15.6序列到序列模型...........................385
15.6.1基于循環神經網絡的序列到序列模型...........386
15.6.2基于注意力的序列到序列模型...............387
15.6.3基于自注意力的序列到序列模型..............388
15.7總結和深入閱讀...........................390
附錄數學基礎 393
附錄A 線性代數 394
附錄B 微積分 404
附錄C 數學優化 413
附錄D 概率論 420
附錄E 信息論 433
索引 439
展開全部
人工智能技術叢書神經網絡與深度學習 作者簡介
邱錫鵬 復旦大學計算機科學技術學院教授、博士生導師，于復旦大學獲得理學學士和博士學位。主要研究領域包括自然語言處理、機器學習、深度學習等，在相關領域的權威國際期刊、會議上發表學術論文60余篇，獲得計算語言學頂級國際會議ACL 2017杰出論文獎、全國計算語言學會議CCL 2019最佳論文獎，2015年入選首屆中國科協青年人才托舉工程，2018年獲得中國中文信息學會“錢偉長中文信息處理科學技術獎青年創新一等獎”，入選由“清華—中國工程院知識智能聯合研究中心和清華大學人工智能研究院”聯合發布的2020年人工智能（AI）全球最具影響力學者提名。該排名參考過去十年人工智能各子領域最有影響力的會議和期刊發表論文的引用情況，排名前10的學者當選該領域當年最具影響力學者獎，排名前100的其他學者獲最具影響力學者提名獎。作為項目負責人開源發布了兩個自然語言處理開源系統FudanNLP和FastNLP，獲得了學術界和產業界的廣泛使用。目前擔任中國中文信息學會青年工作委員會執行委員、計算語言學專委會委員、語言與知識計算專委會委員，中國人工智能學會青年工作委員會常務委員、自然語言理解專委會委員。
書友推薦
- >
羅庸西南聯大授課錄
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
回憶愛瑪儂
- >
姑媽的寶刀
- >
月亮與六便士
- >
龍榆生：詞曲概論/大家小書
- >
山海經
- >
煙與鏡
本類暢銷
