神经网络与深度学+案例与实践 人工智能 邱锡鹏
none
￥ 157.15 6.3折 ￥ 248 全新
库存5件
北京丰台
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
版次1
装帧平装
开本16
页数448页
定价248元
货号xhwx_1202703328
上书时间2024-12-07
- 在售商品 暂无
- 平均发货时间 27小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
目录：
序
前言
常用符号表
章绪论3
1.1人工智能4
1.2机器学7
1.3表示学8
1.4深度学11
1.5神经网络13
1.6本书的知识体系17
1.7常用的深度学框架18
1.8结和深入阅读20
第2章机器学概述23
2.1基本概念24
2.2机器学的三个基本要素26
2.3机器学的简单示例——线回归33
2.4偏差-方差分解38
2.5机器学算法的类型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结和深入阅读51
第3章线模型
3.1线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138
6.4参数学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结和深入阅读215
第9章无监督学219
9.1无监督特征学220
9.2概率密度估计227
9.3结和深入阅读232
0章模型独立的学方式235
10.1集成学235
10.1.1adaboost算法237
10.2自训练和协同训练240
10.3多任务学242
10.4迁移学245
10.5终身学249
10.6元学252
10.7结和深入阅读255
第三部分模型
1章概率图模型261
11.1模型表示262
11.2学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结和深入阅读292
2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结和深入阅读313
3章深度生成模型317
13.1概率生成模型318
13.2变分自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结和深入阅读336
4章深度强化学339
14.1强化学问题340
14.1.1典型例子340
14.1.2强化学定义340
14.1.3马尔可夫决策过程341
14.1.4强化学的目标函数343
14.1.5值函数344
14.1.6深度强化学345
14.2基于值函数的学方法346
14.2.1动态规划算法346
14.2.2蒙特卡罗方法349
14.2.3时序差分学方法350
14.2.4深度q网络353
14.3基于策略函数的学方法354
14.3.1reinforce算法356
14.3.2带基准线的reinforce算法356
14.4演员-员算法358
14.5结和深入阅读360
5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结和深入阅读390
附录数学基础393
附录a线代数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
内容简介：
本书是深度学领域的入门教材，系统地整理了深度学的知识体系，由浅入深地阐述了深度学的基础知识、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的相关知识，并具备以深度学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。部分为机器学基础：章是绪论，概要介绍人工智能、机器学、深度学；第2〜3章介绍机器学的基础知识。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方法；0章介绍一些模型独立的机器学方法，包括集成学、自训练、协同训练、多任务学、迁移学、终身学、元学等。第三部分是模型：1章介绍概率图模型的基本概念；2章介绍两种早期的深度学模型——玻尔兹曼机和深度信念网络；3章介绍深度生成模型，包括变分自和生成对抗网络；4章介绍深度强化学；5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。
— 没有更多了 —
以下为对购买帮助不大的评价