掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)
包郵 深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)
作者：魏翼飛等編
開(kāi)本：
16開(kāi)
頁(yè)數(shù)：
352
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥50.0
加入購(gòu)物車(chē)
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn) 版權(quán)信息
- ISBN：9787302562047
- 條形碼：9787302562047 ; 978-7-302-56204-7
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn) 本書(shū)特色
本書(shū)首先概述人工智能、深度學(xué)習(xí)相關(guān)的基本概念和發(fā)展歷程;然后詳細(xì)介紹深度學(xué)習(xí)的基本理論和 算法,包括神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)的主要框架和應(yīng)用實(shí)例、循環(huán)神經(jīng)網(wǎng)絡(luò)和無(wú)監(jiān)督學(xué)習(xí)深度 神經(jīng)網(wǎng)絡(luò)的模型和應(yīng)用、深層神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法、深度學(xué)習(xí)模型的輕量化方案以及移動(dòng)端深度學(xué)習(xí) 案例;之后闡述強(qiáng)化學(xué)習(xí)的基本理論和算法,包括傳統(tǒng)的強(qiáng)化學(xué)習(xí)方法及其衍生算法以及新型的多智能體 或多任務(wù)學(xué)習(xí)模型;*后介紹深度強(qiáng)化學(xué)習(xí)的具體算法及應(yīng)用、遷移學(xué)習(xí)的概念及其在深度學(xué)習(xí)和強(qiáng)化學(xué) 習(xí)中的應(yīng)用。 本書(shū)可作為學(xué)習(xí)深度學(xué)習(xí)及強(qiáng)化學(xué)習(xí)算法的參考書(shū),也可作為高等院校相關(guān)課程的教材,還可供從事 人工智能領(lǐng)域的專(zhuān)業(yè)研究人員和工程技術(shù)人員閱讀。
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn) 內(nèi)容簡(jiǎn)介
深度學(xué)習(xí)是人工智能發(fā)展的第三次浪潮，相關(guān)算法在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、游戲、機(jī)器人、無(wú)人駕駛及醫(yī)療診斷等眾多領(lǐng)域取得了顯著的成果，在國(guó)內(nèi)外引起了廣泛的關(guān)注。目前深度學(xué)習(xí)技術(shù)在產(chǎn)業(yè)界發(fā)展成熟，廣大高等院校也相繼開(kāi)設(shè)人工智能相關(guān)專(zhuān)業(yè)。為滿足廣大讀者對(duì)于深度學(xué)習(xí)的學(xué)習(xí)需求，作者編著了此書(shū)。本書(shū)按照神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的脈絡(luò)介紹深度學(xué)習(xí)的演進(jìn)與相關(guān)理論，幫助讀者形成關(guān)于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)系統(tǒng)全面的知識(shí)體系。《深度學(xué)習(xí)——從神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)》呈現(xiàn)了以下深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的理論、技術(shù)與應(yīng)用：神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)； 卷積神經(jīng)網(wǎng)絡(luò)； 循環(huán)神經(jīng)網(wǎng)絡(luò)及其他深層神經(jīng)網(wǎng)絡(luò)； 深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法； 輕量化神經(jīng)網(wǎng)絡(luò)模型； 強(qiáng)化學(xué)習(xí)算法； 多智能體多任務(wù)學(xué)習(xí)； 深度強(qiáng)化學(xué)習(xí)； 遷移學(xué)習(xí)。
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn) 目錄
第1章 人工智能與深度學(xué)習(xí)概述
1.1 人工智能與機(jī)器學(xué)習(xí)
1.1.1 人工智能的發(fā)展歷程
1.1.2 機(jī)器學(xué)習(xí)及深度學(xué)習(xí)的發(fā)展歷程
1.1.3 人工智能與機(jī)器學(xué)習(xí)及深度學(xué)習(xí)的關(guān)系
1.2 機(jī)器學(xué)習(xí)的分類(lèi)
1.2.1 監(jiān)督學(xué)習(xí)
1.2.2 非監(jiān)督學(xué)習(xí)
1.2.3 半監(jiān)督學(xué)習(xí)
1.2.4 強(qiáng)化學(xué)習(xí)
1.2.5 其他分類(lèi)方式
1.3 深度學(xué)習(xí)的分類(lèi)及發(fā)展趨勢(shì)
1.3.1 深度神經(jīng)網(wǎng)絡(luò)
1.3.2 卷積神經(jīng)網(wǎng)絡(luò)
1.3.3 其他深度神經(jīng)網(wǎng)絡(luò)
1.3.4 深度學(xué)習(xí)的發(fā)展趨勢(shì)
1.4 深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的結(jié)合
1.4.1 強(qiáng)化學(xué)習(xí)
1.4.2 強(qiáng)化學(xué)習(xí)算法分類(lèi)
1.4.3 深度強(qiáng)化學(xué)習(xí)
本章小結(jié)
第2章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
2.1 深度學(xué)習(xí)簡(jiǎn)介
2.1.1 傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法對(duì)比
2.1.2 深度學(xué)習(xí)發(fā)展歷程
2.2 圖像分類(lèi)問(wèn)題
2.2.1 KNN分類(lèi)器
2.2.2 線性分類(lèi)器
2.2.3 損失及優(yōu)化
2.3 損失函數(shù)
2.3.1 折頁(yè)損失函數(shù)
2.3.2 交叉熵?fù)p失函數(shù)
2.4 反向傳播算法
2.4.1 計(jì)算圖
2.4.2 反向傳播舉例
2.5 人工神經(jīng)網(wǎng)絡(luò)
2.5.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
2.5.2 神經(jīng)網(wǎng)絡(luò)的分類(lèi)
2.6 激活函數(shù)
2.6.1 常用激活函數(shù)
2.6.2 各種激活函數(shù)的優(yōu)缺點(diǎn)
本章小結(jié)
第3章 卷積神經(jīng)網(wǎng)絡(luò)
3.1 基本概念
3.1.1 卷積
3.1.2 池化
3.1.3 經(jīng)典網(wǎng)絡(luò)LeNet5
3.2 幾種卷積神經(jīng)網(wǎng)絡(luò)介紹
3.2.1 AlexNet
3.2.2 VGGNet
3.2.3 NIN
3.2.4 GoogLeNet
3.2.5 ResNet
3.3 計(jì)算機(jī)視覺(jué)問(wèn)題
3.3.1 圖像分類(lèi)
3.3.2 目標(biāo)定位
3.3.3 目標(biāo)檢測(cè)
3.3.4 圖像分割
3.4 深度學(xué)習(xí)應(yīng)用實(shí)例
3.4.1 深度學(xué)習(xí)框架
3.4.2 MNIST手寫(xiě)數(shù)字識(shí)別
3.4.3 基于DeepLabV3 模型的軌道圖像分割
本章小結(jié)
第4章 循環(huán)神經(jīng)網(wǎng)絡(luò)及其他深層神經(jīng)網(wǎng)絡(luò)
4.1 從DNN到RNN
4.1.1 RNN結(jié)構(gòu)
4.1.2 深度 RNN
4.1.3 RNN的訓(xùn)練
4.2 RNN變體
4.2.1 LSTM
4.2.2 GRU
4.2.3 其他結(jié)構(gòu)
4.3 RNN應(yīng)用舉例
4.3.1 時(shí)序數(shù)據(jù)預(yù)測(cè)
4.3.2 自然語(yǔ)言處理
4.4 自編碼器
4.4.1 稀疏自編碼器
4.4.2 去噪自編碼器
4.4.3 壓縮自編碼器
4.5 深度生成式模型
4.5.1 全可見(jiàn)信念網(wǎng)絡(luò)
4.5.2 變分自編碼器
4.5.3 生成式對(duì)抗網(wǎng)絡(luò)
本章小結(jié)
第5章 深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
5.1 參數(shù)更新方法
5.1.1 梯度下降算法的問(wèn)題
5.1.2 基于動(dòng)量的更新
5.1.3 二階優(yōu)化方法
5.1.4 共軛梯度
5.1.5 擬牛頓法
5.2 自適應(yīng)學(xué)習(xí)率算法
5.2.1 學(xué)習(xí)率衰減
5.2.2 AdaGrad算法
5.2.3 RMSProp算法
5.2.4 AdaDelta算法
5.2.5 Adam算法
5.2.6 幾種常見(jiàn)優(yōu)化算法的比較
5.3 參數(shù)初始化
5.3.1 合理初始化的重要性
5.3.2 隨機(jī)初始化
5.3.3 Xavier初始化
5.3.4 He初始化
5.3.5 批量歸一化
5.3.6 預(yù)訓(xùn)練
5.4 網(wǎng)絡(luò)正則化
5.4.1 正則化的目的
5.4.2 L1和L2正則化
5.4.3 權(quán)重衰減
5.4.4 提前停止
5.4.5 數(shù)據(jù)增強(qiáng)
5.4.6 丟棄法
5.4.7 標(biāo)簽平滑
5.5 訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的小技巧
5.5.1 數(shù)據(jù)預(yù)處理
5.5.2 超參數(shù)調(diào)優(yōu)
5.5.3 集成學(xué)習(xí)
5.5.4 監(jiān)視訓(xùn)練過(guò)程
本章小結(jié)
第6章 輕量化神經(jīng)網(wǎng)絡(luò)模型
6.1 深度學(xué)習(xí)輕量化模型
6.1.1 SqueezeNet模型
6.1.2 MobileNet模型
6.1.3 ShuffleNet模型
6.1.4 Xception模型
6.2 深度神經(jīng)網(wǎng)絡(luò)模型壓縮
6.2.1 推理階段的壓縮算法
6.2.2 訓(xùn)練階段的壓縮算法
6.3 深度神經(jīng)網(wǎng)絡(luò)的硬件加速
6.3.1 推理階段的硬件加速
6.3.2 訓(xùn)練階段的硬件加速
6.4 移動(dòng)端深度學(xué)習(xí)
6.4.1 移動(dòng)端深度學(xué)習(xí)概述
6.4.2 移動(dòng)端深度學(xué)習(xí)框架
6.4.3 移動(dòng)端深度學(xué)習(xí)示例
本章小結(jié)
第7章 強(qiáng)化學(xué)習(xí)算法
7.1 強(qiáng)化學(xué)習(xí)綜述
7.1.1 目標(biāo)、單步獎(jiǎng)勵(lì)與累積回報(bào)
7.1.2 馬爾可夫決策過(guò)程
7.1.3 值函數(shù)與*優(yōu)值函數(shù)
7.2 動(dòng)態(tài)規(guī)劃方法
7.2.1 策略迭代
7.2.2 值迭代
7.3 基于值函數(shù)的強(qiáng)化學(xué)習(xí)算法
7.3.1 基于蒙特卡羅的強(qiáng)化學(xué)習(xí)算法
7.3.2 基于時(shí)間差分的強(qiáng)化學(xué)習(xí)算法
7.3.3 TDλ算法
7.4 基于策略梯度的強(qiáng)化學(xué)習(xí)算法
7.4.1 何時(shí)應(yīng)用基于策略的學(xué)習(xí)方法
7.4.2 策略梯度詳解
7.4.3 蒙特卡羅策略梯度算法
7.4.4 ActorCritic算法
7.5 值函數(shù)近似和衍生算法
7.5.1 值函數(shù)近似
7.5.2 基于值函數(shù)近似的TD方法
7.5.3 基于線性值函數(shù)近似的GTD方法
7.5.4 OffPolicy ActorCritic算法
本章小結(jié)
第8章 多智能體多任務(wù)學(xué)習(xí)
8.1 多智能體學(xué)習(xí)
8.1.1 多智能體強(qiáng)化學(xué)習(xí)背景
8.1.2 多智能體強(qiáng)化學(xué)習(xí)任務(wù)分類(lèi)及算法介紹
8.1.3 多智能體增強(qiáng)學(xué)習(xí)平臺(tái)
8.2 多任務(wù)學(xué)習(xí)
8.2.1 多任務(wù)學(xué)習(xí)的背景與定義
8.2.2 多任務(wù)監(jiān)督學(xué)習(xí)
8.2.3 其他多任務(wù)學(xué)習(xí)
8.2.4 多任務(wù)學(xué)習(xí)的應(yīng)用
8.3 元學(xué)習(xí)
8.3.1 從模型評(píng)估中學(xué)習(xí)
8.3.2 從任務(wù)特征中學(xué)習(xí)
8.4 聯(lián)邦學(xué)習(xí)
8.4.1 背景
8.4.2 聯(lián)邦學(xué)習(xí)的特點(diǎn)及優(yōu)勢(shì)
8.4.3 聯(lián)邦學(xué)習(xí)的分類(lèi)
8.4.4 聯(lián)邦學(xué)習(xí)的應(yīng)用
本章小結(jié)
第9章 深度強(qiáng)化學(xué)習(xí)
9.1 基于值函數(shù)的深度強(qiáng)化學(xué)習(xí)
9.1.1 深度Q學(xué)習(xí)
9.1.2 深度Q學(xué)習(xí)的衍生方法
9.2 基于策略梯度的深度強(qiáng)化學(xué)習(xí)
9.2.1 深度確定性策略梯度算法
9.2.2 異步深度強(qiáng)化學(xué)習(xí)算法
9.2.3 信賴域策略優(yōu)化及其衍生算法
9.3 深度強(qiáng)化學(xué)習(xí)的應(yīng)用
9.3.1 計(jì)算機(jī)圍棋程序AlphaGo
9.3.2 深度強(qiáng)化學(xué)習(xí)的其他應(yīng)用
9.3.3 深度強(qiáng)化學(xué)習(xí)在通信網(wǎng)絡(luò)中的應(yīng)用
本章小結(jié)
第10章 遷移學(xué)習(xí)
10.1 遷移學(xué)習(xí)簡(jiǎn)介及分類(lèi)
10.1.1 遷移學(xué)習(xí)概述
10.1.2 遷移學(xué)習(xí)的分類(lèi)
10.2 遷移學(xué)習(xí)的應(yīng)用
10.2.1 遷移學(xué)習(xí)在深度學(xué)習(xí)中的應(yīng)用
10.2.2 遷移學(xué)習(xí)在強(qiáng)化學(xué)習(xí)中的應(yīng)用
本章小結(jié)
附錄A *近鄰算法實(shí)現(xiàn)代碼
附錄B TensorFlow訓(xùn)練LeNet5網(wǎng)絡(luò)實(shí)現(xiàn)代碼
附錄C 基于DeepLabv3 模型的軌道圖像分割
附錄D 時(shí)序數(shù)據(jù)預(yù)測(cè)實(shí)現(xiàn)代碼
附錄E 自然語(yǔ)言處理實(shí)現(xiàn)代碼
附錄F 移動(dòng)端深度學(xué)習(xí)示例
參考文獻(xiàn)
展開(kāi)全部
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn) 相關(guān)資料
劉群 華為公司諾亞方舟實(shí)驗(yàn)室語(yǔ)音語(yǔ)義首席科學(xué)家 近年來(lái)，深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的突破使得人工智能再度輝煌，引了人們廣泛的興趣。《深度學(xué)習(xí)—從神怪網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)》一書(shū)的作者結(jié)合自己的理解和實(shí)踐經(jīng)驗(yàn)，系統(tǒng)地介紹了深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的理論、方法和應(yīng)用，具有根好的參考價(jià)值。 韓竹 IEE Fellow 美國(guó)體斯效大學(xué)教授 深度學(xué)習(xí)作為人工智能領(lǐng)域的一個(gè)關(guān)鍵技術(shù)，與強(qiáng)化學(xué)習(xí)的結(jié)合將會(huì)使它進(jìn)發(fā)新的活力。《深度學(xué)習(xí)——從神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)》梳理了神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)脈絡(luò)，對(duì)于初學(xué)者甚至經(jīng)驗(yàn)豐富的從業(yè)人員，都有很好的借鑒價(jià)值?。 于非 IEEE Fellow 加拿大卡爾領(lǐng)大學(xué)教授 《深度學(xué)習(xí)—從神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)》詳細(xì)闡述了深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)及深度強(qiáng)化學(xué)習(xí)的基本原理、核心算法和實(shí)踐應(yīng)用，介紹了深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的前沿技術(shù)，例如移動(dòng)端深度學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、遷移學(xué)習(xí)等。該書(shū)可以作為研究深度學(xué)習(xí)技術(shù)的參考書(shū)和工具書(shū)，幫助讀者座清概念、梳理思路、開(kāi)拓視野。 蘇森 北京郵電大學(xué)人工智能學(xué)院院長(zhǎng) 深度神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)的結(jié)合開(kāi)辟了深度強(qiáng)化學(xué)習(xí)相關(guān)理論和應(yīng)用的新時(shí)代。《深度學(xué)習(xí)——從神經(jīng)網(wǎng)絡(luò)預(yù)深度強(qiáng)化學(xué)習(xí)的演進(jìn)》從神經(jīng)網(wǎng)絡(luò)開(kāi)始介紹深度學(xué)習(xí)的原理和應(yīng)用案例，并對(duì)強(qiáng)化學(xué)習(xí)及深度強(qiáng)化學(xué)習(xí)的概念和算法進(jìn)行總結(jié)梳理。本書(shū)適合廣大讀者作為深度強(qiáng)化學(xué)習(xí)技術(shù)的入門(mén)讀物。 王小軍 愛(ài)爾蘭都柏林城市大學(xué)硬件加速網(wǎng)絡(luò)數(shù)據(jù)處理實(shí)驗(yàn)室負(fù)責(zé)人 人工智能，特別是其中的深度學(xué)習(xí)，是當(dāng)前炙手可熱的領(lǐng)域，無(wú)數(shù)學(xué)子投身到對(duì)其理論、方法和工具的學(xué)習(xí)中。但是，目前市面上系統(tǒng)闡述深度學(xué)習(xí)算法原理的優(yōu)秀教材仍然不多。《深度學(xué)習(xí)——從神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn)》的出版恰逢其時(shí)。該書(shū)立足理論基礎(chǔ)，深入淺出地介紹了神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的基本理論及經(jīng)典算法，有利于讀者真正理解并掌握深度學(xué)習(xí)的理論基礎(chǔ)。
深度學(xué)習(xí):叢神經(jīng)網(wǎng)絡(luò)到深度強(qiáng)化學(xué)習(xí)的演進(jìn) 作者簡(jiǎn)介
魏翼飛 北京郵電大學(xué)教授，博士生導(dǎo)師。加拿大卡爾頓大學(xué)聯(lián)合培養(yǎng)博士，愛(ài)爾蘭都柏林城市大學(xué)博士后，北京郵電大學(xué)理學(xué)院副院長(zhǎng)（2014—2016年），美國(guó)休斯頓大學(xué)訪問(wèn)學(xué)者（2016—2017年）。目前主要研究深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)及區(qū)塊鏈技術(shù)。作為負(fù)責(zé)人先后主持3項(xiàng)國(guó)家自然科學(xué)基金項(xiàng)目，參與完成了3項(xiàng)國(guó)家科技重大專(zhuān)項(xiàng)、2項(xiàng)國(guó)家科技支撐計(jì)劃項(xiàng)目。在國(guó)內(nèi)外學(xué)術(shù)期刊上發(fā)表SCI檢索論文20余篇，EI檢索論文30余篇，申請(qǐng)專(zhuān)利30余項(xiàng)。
書(shū)友推薦
- >
羅庸西南聯(lián)大授課錄
- >
二體千字文
- >
伯納黛特,你要去哪(2021新版)
- >
我與地壇
- >
龍榆生：詞曲概論/大家小書(shū)
- >
【精裝繪本】畫(huà)給孩子的中國(guó)神話
- >
上帝之肋:男人的真實(shí)旅程
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
本類(lèi)暢銷(xiāo)
