神经网络与深度学习
￥ 111.75 7.5折 ￥ 149 全新
库存240件
北京房山
认证卖家担保交易快速发货售后保障
作者邱锡鹏
出版社机械工业出版社
ISBN9787111649687
出版时间2020-04
装帧平装
开本16开
定价149元
货号1202053304
上书时间2024-11-24
- 在售商品 暂无
- 平均发货时间 6小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
目录
序
前言
常用符号表
第1章绪论3
1.1人工智能4
1.2机器学习7
1.3表示学习8
1.4深度学习11
1.5神经网络13
1.6本书的知识体系17
1.7常用的深度学习框架18
1.8总结和深入阅读20
第2章机器学习概述23
2.1基本概念24
2.2机器学习的三个基本要素26
2.3机器学习的简单示例——线性回归33
2.4偏差-方差分解38
2.5机器学习算法的类型41
2.6数据的特征表示43
2.7评价指标46
2.8理论和定理49
2.9总结和深入阅读51
第3章线性模型
3.1线性判别函数和决策边界56
3.2Logistic回归59
3.3Softmax回归61
3.4感知器64
3.5支持向量机71
3.6损失函数对比75
3.7总结和深入阅读76
第二部分基础模型
第4章前馈神经网络81
4.1神经元82
4.1.1Sigmoid型函数83
4.1.2ReLU函数86
4.1.3Swish函数88
4.1.4GELU函数89
4.1.5Maxout单元89
4.2网络结构90
4.3前馈神经网络91
4.4反向传播算法95
4.5自动梯度计算98
4.6优化问题103
4.7总结和深入阅读104
第5章卷积神经网络109
5.1卷积110
5.2卷积神经网络115
5.3参数学习120
5.4几种典型的卷积神经网络121
5.5其他卷积方式127
5.6总结和深入阅读130
第6章循环神经网络133
6.1给网络增加记忆能力134
6.2简单循环网络135
6.3应用到机器学习138
6.4参数学习140
6.5长程依赖问题143
6.5.1改进方案144
6.6基于门控的循环神经网络145
6.7深层循环神经网络149
6.8扩展到图结构151
6.9总结和深入阅读153
第7章网络优化与正则化157
7.1网络优化157
7.2优化算法160
7.3参数初始化171
7.4数据预处理176
7.5逐层归一化178
7.6超参数优化183
7.7网络正则化186
7.8总结和深入阅读192
第8章注意力机制与外部记忆197
8.1认知神经学中的注意力198
8.2注意力机制199
8.3自注意力模型203
8.4人脑中的记忆205
8.5记忆增强神经网络207
8.6基于神经动力学的联想记忆211
8.6.1Hopfiel网络212
8.7总结和深入阅读215
第9章无监督学习219
9.1无监督特征学习220
9.2概率密度估计227
9.3总结和深入阅读232
第10章模型独立的学习方式235
10.1集成学习235
10.1.1AdaBoost算法237
10.2自训练和协同训练240
10.3多任务学习242
10.4迁移学习245
10.5终身学习249
10.6元学习252
10.7总结和深入阅读255
第三部分进阶模型
第11章概率图模型261
11.1模型表示262
11.2学习271
11.3推断279
11.4变分推断.283
11.5基于采样法的近似推断285
11.6总结和深入阅读292
第12章深度信念网络297
12.1玻尔兹曼机297
12.2受限玻尔兹曼机304
12.3深度信念网络309
12.4总结和深入阅读313
第13章深度生成模型317
13.1概率生成模型318
13.2变分自编码器319
13.3生成对抗网络327
13.3.1显式密度模型和隐式密度模型327
13.3.2网络分解327
13.3.3训练329
13.3.4一个生成对抗网络的具体实现：DCGAN330
13.3.5模型分析330
13.3.6改进模型333
13.4总结和深入阅读336
第14章深度强化学习339
14.1强化学习问题340
14.1.1典型例子340
14.1.2强化学习定义340
14.1.3马尔可夫决策过程341
14.1.4强化学习的目标函数343
14.1.5值函数344
14.1.6深度强化学习345
14.2基于值函数的学习方法346
14.2.1动态规划算法346
14.2.2蒙特卡罗方法349
14.2.3时序差分学习方法350
14.2.4深度Q网络353
14.3基于策略函数的学习方法354
14.3.1REINFORCE算法356
14.3.2带基准线的REINFORCE算法356
14.4演员-评论员算法358
14.5总结和深入阅读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元统计模型368
15.3深度序列模型370
15.3.1模型结构370
15.3.2参数学习373
15.4评价方法373
15.4.1困惑度373
15.4.2BLEU算法374
15.4.3ROUGE算法375
15.5序列生成模型中的学习问题375
15.5.1曝光偏差问题376
15.5.2训练目标不一致问题377
15.5.3计算效率问题377
15.6序列到序列模型385
15.6.1基于循环神经网络的序列到序列模型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总结和深入阅读390
附录数学基础393
附录A线性代数394
附录B微积分404
附录C数学优化413
附录D概率论420
附录E信息论433
索引439
内容摘要
本书是深度学习领域的入门教材，系统地整理了深度学习的知识体系，由浅入深地阐述了深度学习的基础知识、主要模型以及前沿研究热点，使得读者能有效地掌握深度学习的相关知识，并具备以深度学习技术来处理和解决大数据问题的能力。全书共15章，分为三个部分。第一部分为机器学习基础：第1章是绪论，概要介绍人工智能、机器学习、深度学习；第2〜3章介绍机器学习的基础知识。第二部分是基础模型：第4~6章分别讲述三种主要的神经网络模型：前馈神经网络、卷积神经网络和循环神经网络；第7章介绍神经网络的优化与正则化方法；第8章介绍神经网络中的注意力机制和外部记忆；第9章简要介绍一些无监督学习方法；第10章介绍一些模型独立的机器学习方法，包括集成学习、自训练、协同训练、多任务学习、迁移学习、终身学习、元学习等。第三部分是进阶模型：第11章介绍概率图模型的基本概念；第12章介绍两种早期的深度学习模型——玻尔兹曼机和深度信念网络；第13章介绍深度生成模型，包括变分自编码器和生成对抗网络；第14章介绍深度强化学习；第15意介绍应用+分广泛的序列生成模型。本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业的研究生或本科生教材，也可供相关领域的研究人员和工程技术人员参考。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价