掃一掃
關注中圖網
官方微博
>
全解深度學習——九大核心算法
本類五星書更多>
-
>
貨幣大歷史:金融霸權與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創意玩具書(精裝4冊)
全解深度學習——九大核心算法 版權信息
- ISBN：9787302679103
- 條形碼：9787302679103 ; 978-7-302-67910-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：
全解深度學習——九大核心算法 本書特色
本書深入淺出，系統性地講解深度學習和相關數學基礎，涵蓋了神經網絡、卷積神經網絡、循環神經網絡等核心主題，更結合自動編碼器、擴散模型、生成對抗網絡等前沿技術，引領讀者穿越深度學習的迷霧，揭開AI的神秘面紗。無論你是學生、研究員還是工程師，都能在這本書中找到屬于自己的AI之路。
全解深度學習——九大核心算法 內容簡介
"本書專注于介紹基于深度學習的算法。從探索深度學習的數學基礎和理論架構，到九大經典的深度學習算法，旨在為讀者提供一個從基礎到高級的全方位指導。截至2024年，書中介紹的9個算法幾乎涵蓋了整個深度學習領域的經典和前沿算法。 本書在第1章和第2章介紹了深度學習的基礎：數學基礎與神經網絡算法。從第3章開始，書籍逐步引領讀者進入深度學習的核心領域，即一些基于神經網絡的變體算法：卷積神經網絡、循環神經網絡、編碼器-解碼器模型，以及目前火熱的變形金剛算法、生成對抗網絡和擴散模型。這些章節不僅講解了各個模型的基礎理論和關鍵技術，還詳細介紹了這些模型在自然語言處理、計算機視覺等領域的應用案例。書籍的后半部分聚焦于圖神經網絡和強化學習這些前沿算法，深入淺出地講解了它們的基礎知識、算法變體及經典模型等高級話題。這些內容為讀者理解和應用深度學習技術提供了堅實的理論基礎。 本書適合對深度學習領域感興趣的本科生、研究生及相關行業的從業者閱讀。本書旨在幫助讀者掌握深度學習的核心技術，激發創新思維，推動個人和行業的發展。 "
全解深度學習——九大核心算法全解深度學習——九大核心算法 前言
在人工智能的輝煌舞臺上，深度學習扮演著主角的角色，不僅令科學家興奮不已，也讓普通人對未來充滿了無限遐想，但當我們站在技術巨人的肩膀上凝視未來時，往往會被它龐大的身軀和錯綜復雜的內部機制所困惑。這是一個充滿了挑戰和機遇的新世界，每個渴望探索的心都希望能在這片土地上留下自己的足跡。
《全解深度學習——九大核心算法》是為那些勇敢的探索者而寫的。我們的旅程從深度學習的基礎數學原理出發，像是在茫茫大海中設置的燈塔，為航行者指引方向，然后一起深入探討神經網絡的奧秘，揭開卷積、循環及其他復雜模型背后的面紗，讓這些知識不再遙不可及。
本書沒有避開深度學習之旅的崎嶇和曲折。相反，我們正視每個挑戰，無論是數學原理的推導，還是模型優化的策略都一一解析，并盡可能地以通俗、類比的表述方式進行解釋說明。更重要的是，本書還特別介紹了當前深度學習領域的熱點問題和前沿技術，如變形金剛算法、生成對抗網絡和擴散模型等，旨在引導讀者理解并掌握這些復雜但極具潛力的新技術，試圖捕捉深度學習發展的每次脈動。
這不僅是一本書，它更像是一艘航船，載著對知識渴望的你我，穿越深度學習技術的海洋，探索知識的邊界。隨著深度學習技術的不斷演進，我們的旅程永遠不會結束。每天都有新的發現和新的挑戰等待著我們。希望《全解深度學習——九大核心算法》能成為你的指南針，無論你在這個領域是初學者還是有志于更深入研究的學者都能在這個旅程中找到屬于自己的位置，與這個時代一起成長，開創屬于自己的未來。
本書主要內容
第1章： 深度學習的數學基礎，包括微積分、線性代數、概率論和統計學，為讀者后續的學習奠定堅實的基礎。
第2章： 介紹神經網絡的理論基礎，包括線性模型、損失函數、梯度下降算法等，為理解更復雜的深度學習模型打下基礎。
第3章： 聚焦于卷積神經網絡(CNN)，從其計算方法到特征提取過程，詳細介紹CNN在圖像識別中的關鍵作用和應用實例。
第4章： 深入講解循環神經網絡(RNN)及其變體模型，如LSTM和GRU，展示了它們在處理序列數據，特別是語言模型和文本預處理方面的應用。
第5章： 探討編碼器解碼器模型，包括其在自然語言處理和計算機視覺領域的核心應用，如Seq2Seq、VAE模型等。
第6章： 詳述變形金剛算法的基礎知識和應用，特別是在自然語言處理、計算機視覺領域的Transformer模型，如BERT和Vision Transformer，以及它們如何改變了傳統模型的使用和效果。
第7章： 深入分析生成對抗網絡(GAN)及其改進模型，探討GAN在圖像生成、模式崩潰問題及其解決方法等方面的應用。
第8章： 詳細介紹擴散模型，特別是Denoising Diffusion Probabilistic Models(DDPM)的原理和應用，展示了這一類模型在生成任務中的潛力。
第9章： 探討圖神經網絡的基礎和模型，包括GCN、GraphSAGE、Graph Attention Network等，以及它們在數據分析和處理中的應用。
第10章： 講述強化學習的基本概念、基于價值和基于策略的深度強化學習方法，以及演員評論家模型，展示了強化學習在決策過程中的應用。
本書通過這10章的內容，為讀者提供一個深度學習領域從入門到進階的全面指南，旨在幫助讀者理解深度學習的核心理論、掌握主要技術，并應用于實踐中。掃描目錄上方的二維碼可下載配套資源。
于浩文
2024年10月
全解深度學習——九大核心算法 目錄
第1章深度學習數學基礎
1.1高等數學之微積分
1.1.1重識微分
1.1.2微分的解讀
1.1.3微分與函數的單調性和凹凸性
1.1.4微分的鏈式法則
1.1.5偏微分與全微分
1.1.6梯度與方向導數
1.1.7泰勒公式與麥克勞林公式
1.1.8拉格朗日乘子法
1.1.9重識積分
1.1.10不定積分和反導數
1.1.11定積分與牛頓萊布尼茨公式
1.1.12微積分的基本定理
1.2線性代數
1.2.1線性方程組
1.2.2線性方程組的矩陣求解法
1.2.3矩陣乘法
1.2.4向量的數乘
1.2.5向量的加法
1.2.6向量的線性組合
1.2.7向量空間
1.2.8向量的線性相關和線性無關
1.2.9向量乘法
1.2.10向量的正交
1.2.11向量與矩陣
1.2.12特征值和特征向量
1.3概率論
1.3.1頻數
1.3.2數據位置
1.3.3數據散布
1.3.4隨機變量的類型和概率分布
1.3.5理論概率分布之常見的離散型分布
1.3.6理論概率分布之常見的連續型分布
1.3.7經驗概率分布
1.4統計學
1.4.1大數定律與中心極限定理
1.4.2參數估計
1.4.3統計量和抽樣分布
1.4.4假設檢驗
1.4.5相關性分析
第2章神經網絡理論基礎
2.1線性模型
2.1.1線性模型的定義
2.1.2損失函數
2.1.3梯度下降算法
2.1.4廣義線性模型
2.2回歸與分類
2.2.1回歸和分類問題的定義與聯系
2.2.2線性模型解決回歸和分類問題
2.3感知機模型
2.3.1感知機模型定義與理解
2.3.2神經網絡算法與深度學習模型
2.3.3反向傳播算法
2.4激活函數
2.4.1激活函數的定義與作用
2.4.2常用激活函數
2.5維度詛咒
2.5.1神經網絡的層級結構
2.5.2維度詛咒與過擬合
2.6過擬合與欠擬合
2.6.1過擬合和欠擬合現象的定義
2.6.2過擬合和欠擬合現象的產生原因
2.7正則
2.7.1L1和L2正則
2.7.2DropOut
2.8數據增強
2.9數值不穩定性
第3章卷積神經網絡
3.1卷積神經網絡基礎
3.1.1卷積神經網絡的計算
3.1.2卷積的設計思想
3.1.3卷積進行特征提取的過程
3.1.4池化與采樣
3.1.5卷積神經網絡的感受野
3.1.6卷積模型實現圖像識別
3.1.7第1個卷積神經網絡模型： LeNet
3.2卷積的變體算法
3.2.1逐通道卷積
3.2.2逐點卷積
3.2.3深度可分離卷積
3.2.4組卷積
3.2.5空間可分離卷積
3.2.6空洞卷積
3.2.7轉置卷積
3.2.8稀疏卷積
3.2.9多維卷積
第4章循環神經網絡
4.1循環神經網絡基礎
4.1.1序列數據
4.1.2RNN模型
4.1.3語言模型
4.1.4文本預處理
4.1.5建模和預測
4.2循環神經網絡的變體模型
4.2.1門控循環單元
4.2.2長短期記憶網絡
4.2.3深度循環神經網絡
4.2.4雙向循環神經網絡
4.2.5基于注意力的循環神經網絡
第5章編碼器解碼器模型
5.1編碼器解碼器模型基礎
5.1.1編碼器解碼器模型的基本結構
5.1.2編碼器解碼器模型在自然語音處理領域的應用
5.1.3編碼器解碼器模型在計算機視覺領域的應用
5.1.4自編碼器模型
5.2CV中的編碼器解碼器： VAE模型
5.2.1VAE模型簡明指導
5.2.2潛空間
5.2.3*大似然估計
5.2.4隱變量模型
5.2.5蒙特卡洛采樣
5.2.6變分推斷
5.3NLP中的編碼器解碼器： Seq2Seq模型
5.3.1Seq2Seq編碼器
5.3.2Seq2Seq解碼器
5.3.3Seq2Seq的Attention機制
5.3.4Seq2Seq的Teacher Forcing策略
5.3.5Seq2Seq評價指標BLEU
5.3.6Seq2Seq模型小結
第6章變形金剛算法
6.1算法基礎
6.1.1算法概況
6.1.2自注意力層
6.1.3多頭自注意力層
6.1.4編碼器結構
6.1.5解碼器結構
6.1.6線性頂層和Softmax層
6.1.7輸入數據的向量化
6.2NLP中的Transformer模型
6.2.1BERT
6.2.2GPT
6.3CV中的Transformer模型
6.3.1Vision Transformer
6.3.2Swin Transformer
6.4Transformer小結
第7章生成對抗網絡
7.1生成對抗網絡基礎
7.1.1GAN的模型結構
7.1.2GAN模型的訓練
7.2改進的GAN
7.2.1模式崩潰
7.2.2模式崩潰的解決方法
7.3fGAN
7.3.1GAN模型損失與散度
7.3.2GAN損失的通用框架f散度
7.4WGAN
7.4.1傳統的GAN模型梯度消失的分析
7.4.2Wasserstein距離
7.4.3由Wasserstein距離推導WGAN的損失
7.4.4使用梯度懲罰
7.5CycleGAN
7.5.1循環一致性
7.5.2對抗訓練
7.5.3損失函數
7.5.4訓練流程
7.5.5小結
第8章擴散模型
8.1擴散模型基礎
8.1.1擴散模型的基本原理
8.1.2DDPM擴散模型與變分自編碼器的比較
8.2去噪擴散概率模型(DDPM)
8.2.1DDPM前向擴散簡明指導
8.2.2DDPM反向去噪過程
8.2.3DDPM擴散模型的損失函數
8.2.4DDPM擴散模型的使用
第9章圖神經網絡
9.1圖神經網絡算法基礎
9.1.1圖的表示
9.1.2圖數據的任務類型
9.1.3圖數據的嵌入
9.2圖神經網絡模型
9.2.1消息傳遞神經網絡
9.2.2圖神經網絡的層結構與連接性
9.2.3圖神經網絡模型的訓練
9.3圖神經網絡算法基礎的變體
9.3.1GCN
9.3.2GraphSAGE
9.3.3GAT
第10章強化學習
10.1強化學習基礎概念
10.1.1概述
10.1.2強化學習基本概念
10.1.3理解強化學習中的隨機性
10.2基于價值的深度強化學習(DQN)
10.2.1DQN介紹
10.2.2貝爾曼方程與時序差分學習
10.2.3訓練神經網絡
10.2.4估計網絡與目標網絡
10.3基于策略的深度強化學習
10.3.1算法介紹： 基于策略的強化學習
10.3.2策略優化
10.3.3對比梯度上升和時序差分
10.4演員評論家模型
10.4.1算法介紹： 演員評論家模型
10.4.2演員評論家模型算法訓練
10.4.3演員評論家模型算法的優缺點
10.4.4對比生成對抗網絡和演員評論家模型算法
展開全部
全解深度學習——九大核心算法 作者簡介
于浩文，南安普頓大學人工智能專業碩士一等學位，曼徹斯特大學生物信息與系統生物碩士一等學位；湖南點頭教育科技有限公司聯合創始人。在SCI和IEEE上發表論文多篇，獲國家技術專利一項。 出版圖書《圖像識別——深度學習模型理論與實戰》。
書友推薦
- >
詩經-先民的歌唱
- >
唐代進士錄
- >
伯納黛特,你要去哪(2021新版)
- >
我與地壇
- >
煙與鏡
- >
上帝之肋:男人的真實旅程
- >
朝聞道
- >
巴金－再思錄
本類暢銷
