深度学习的理论基础与核心算法
全新正版 假一赔十 可开发票
￥ 69.4 7.0折 ￥ 99 全新
库存217件
北京海淀
认证卖家担保交易快速发货售后保障
作者焦李成 等 编
出版社清华大学出版社
ISBN9787302630715
出版时间2023-12
装帧平装
开本16开
定价99元
货号1203180681
上书时间2024-06-25
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
焦李成，欧洲科学院外籍院士，俄罗斯自然科学院外籍院士，IEEE Fellow。现任西安电子科技大学计算机科学与技术学部主任、人工智能研究院院长、智能感知与图像理解教育部重点实验室主任、教育部科技委学部委员、教育部人工智能科技创新专家组专家、首批入选国家百千万人才工程（第一二层次）、教育部长江学者计划创新团队负责人、“一带一路”人工智能创新联盟理事长，陕西省人工智能产业技术创新战略联盟理事长，中国人工智能学会第六-七届副理事长，IEEE/IET/CAAI/CAA/CIE/CCF Fellow，连续七年入选爱思唯尔高被引学者榜单。主要研究方向为智能感知与量子计算、图像理解与目标识别、深度学习与类脑计算。曾获国家自然科学奖二等奖、吴文俊人工智能杰出贡献奖、霍英东青年教师奖、全国模范教师称号、中国青年科技奖、及省部级一等奖以上科技奖励十余项。
目录
第1章 数学基础 1
1.1 线性代数 1
1.1.1 向量及其运算 1
1.1.2 矩阵及其运算 4
1.1.3 矩阵分解 8
1.2 概率论 12
1.2.1 概率与随机变量 12
1.2.2 期望、方差和协方差 14
1.2.3 常见的概率分布 15
1.2.4 共轭分布 19
1.3 信息论 19
1.3.1 熵的定义 20
1.3.2 互信息 21
1.3.3 交叉熵 21
1.3.4 Kullback-Leibler散度 21
参考文献 22 第2章 深度神经网络的逼近基础理论 23
2.1 函数的很好平方逼近 23
2.1.1 正交多项式的定义与性质 23
2.1.2 常用的正交多项式 24
2.1.3 构造正交多项式的一般方法 27
2.1.4 很好平方逼近的概念及计算 27
2.1.5 用正交多项式做很好平方逼近 29
2.2 曲线拟合的最小二乘法 30
2.2.1 最小二乘法 30
2.2.2 用多项式作最小二乘曲线拟合 32
2.3 三角多项式逼近与快速傅里叶变换 33
2.3.1 很好平方三角逼近与三角插值 33
2.3.2 快速傅里叶变换 35
2.4 多项式的万能逼近性质 37
Ⅳ
2.5 从函数逼近的角度解释神经网络 39
2.6 本章小结 40
参考文献 41
第3章 深度神经网络的函数逼近 42
3.1 基本的 ReLU 网络定义 42
3.2 乘法、多项式、光滑函数的逼近 45
3.2.1 乘法函数的逼近 46
3.2.2 多项式函数的逼近 49
3.2.3 光滑函数的逼近 52
3.3 正余弦函数的逼近 52
3.3.1 余弦函数的逼近 53
3.3.2 正弦函数的逼近 55
3.4 神经网络的万能逼近性质和深度的必要性 55
3.5 本章小结 56
附录 56
参考文献 59
第4章 深度神经网络的复杂函数逼近 60
4.1 神经网络的逼近 60
4.1.1 Kolmogorov-Donoho数据率失真理论 60
4.1.2 字典逼近 61
4.1.3 神经网络的表示 62
4.1.4 神经网络很好 M 项逼近表示 63
4.1.5 字典逼近转换为神经网络逼近 64
4.2 仿射系统的神经网络逼近 65
4.2.1 仿射系统的定义 65
4.2.2 仿射系统对神经网络逼近的影响 66
4.2.3 神经网络对仿射系统逼近证明 67
4.3 振荡纹理 69
4.3.1 振荡纹理的定义 69
4.3.2 振荡纹理的多项式逼近 69
4.3.3 振荡纹理的指数级逼近 72
4.4 Weierstrass函数 75
4.4.1 Weierstrass函数的定义 75
4.4.2 Weierstrass函数的指数级逼近 76
4.5 本章小结 77
参考文献 77
第5章 深度神经网络与多尺度几何逼近系统 78
5.1 小波分析与多尺度几何分析 78
5.1.1 由傅里叶到小波分析理论 78
Ⅴ
5.1.2 Gabor系统的逼近 79
5.2 多尺度几何分析的基础 86
5.2.1 由小波到多尺度几何理论 86
5.2.2 脊波变换 87
5.2.3 曲波变换 88
5.2.4 楔波变换 88
5.2.5 小线变换 89
5.2.6 条带波变换 89
5.2.7 轮廓波变换 90
5.2.8 剪切波变换 91
5.2.9 梳状波变换 91
5.2.10 方向波变换 91
5.3 多尺度几何变换的逼近性质 92
5.4 本章小结 92
参考文献 93
第6章 深度特征网络的构造理论 94
6.1 前馈神经网络构造理论 94
6.1.1 前馈神经网络的结构 94
6.1.2 前馈神经网络的前向传播 95
6.1.3 前馈神经网络的误差反向传播算法 95
6.1.4 前馈神经网络的梯度下降法 97
6.1.5 常见前馈神经网络 98
6.2 卷积神经网络构造理论 98
6.2.1 卷积运算 98
6.2.2 非线性激活层 99
6.2.3 池化 99
6.2.4 常见的距离度量方法 99
6.2.5 常见的激活函数 101
6.2.6 卷积神经网络的生物学启发 103
6.2.7 卷积神经网络的发展 104
6.3 递归神经网络 105
6.3.1 循环神经网络 105
6.3.2 深度循环网络 106
6.3.3 递归神经网络 106
6.4 图卷积网络 107
6.4.1 图的基本定义 107
6.4.2 图信号处理 108
6.4.3 图上的滤波器 109
6.4.4 图卷积网络 110
Ⅵ
6.4.5 图卷积网络的过度平滑问题 111
6.4.6 图小波神经网络 112
6.5 自组织网络构造理论 113
6.5.1 自注意力模型 113
6.5.2 多头自注意力模型 114
6.5.3 Transformer模型 114
6.5.4 稀疏自注意力机制 115
6.5.5 结合卷积的自注意力机制 117
6.5.6 强化自注意力模型 117
6.5.7 结合先验的自注意力机制 118
6.6 本章小结 118
参考文献 118
第7章 学习表征编码器的构造理论 119
7.1 自编码器 119
7.1.1 欠完备自编码器 119
7.1.2 正则自编码器 120
7.1.3 稀疏自编码器 120
7.1.4 去噪自编码器 121
7.1.5 卷积自编码器 121
7.2 线性编码器 121
7.2.1 概率 PCA 122
7.2.2 独立成分分析 122
7.2.3 慢特征分析 122
7.2.4 稀疏编码 123
7.3 生成模型 123
7.3.1 玻耳兹曼机 123
7.3.2 生成随机网络 124
7.3.3 生成对抗网络 125
7.4 变分推断 125
7.5 部分-整体层次结构 126
7.6 因果推理 128
7.6.1 从相关性到因果关系 128
7.6.2 预测和因果推理的区别 129
7.6.3 因果推理的表示方式 129
7.7 本章小结 131
参考文献 131
第8章 多尺度几何深度网络理论 132
8.1 小波神经网络 132
8.2 多小波网 133
Ⅶ
8.3 散射网 134
8.4 深度散射网 135
8.5 深度曲线波散射网 136
8.6 轮廓波卷积神经网络 137
8.7 本章小结 139
参考文献 139
第9章 复数深度学习网络 140
9.1 复数深度神经网络的相关概念 140
9.1.1 复数值的表征 140
9.1.2 复数卷积 140
9.1.3 复数可微性 141
9.1.4 复数激活 141
9.1.5 复数批归一化 141
9.1.6 复数权重初始化 141
9.2 复数卷积神经网络 142
9.2.1 数学计算过程 142
9.2.2 网络结构 142
9.3 复数轮廓波网络 143
9.3.1 原理描述 144
9.3.2 数学计算过程 144
9.3.3 网络参数 145
9.4 半监督复数 GAN 146
9.5 复数 Transformer网络 147
9.6 本章小结 148
参考文献 148
第10章 拟合问题 149
10.1 拟合方法介绍 149
10.1.1 线性回归 149
10.1.2 复杂函数拟合 151
10.1.3 通用逼近定理 153
10.2 拟合数据划分 154
10.2.1 留出法 154
10.2.2 交叉验证法 155
10.2.3 自助法 155
10.3 拟合能力度量 156
10.3.1 错误率和精度 156
10.3.2 精准率和召回率 156
10.3.3 精准率-召回率曲线 157
10.3.4 F1 度量与交并比 158
Ⅷ
10.3.5 受试者工作特征曲线 158
10.3.6 曲线下的面积与平均精度 159
10.3.7 代价敏感错误率与代价曲线 160
10.3.8 欠拟合与过拟合 161
10.4 计算复杂度 162
10.4.1 计算复杂性理论基本问题 163
10.4.2 判定问题类 164
10.5 本章小结 166
参考文献 166
第11章 正则化理论 167
11.1 常用范数特性 167
11.2 正则化理论 168
11.2.1 良态问题 168
11.2.2 Tikhonov正则化定义 168
11.2.3 Tikhonov正则化近似解求解 168
11.2.4 L 曲线准则 169
11.3 正则化方法 170
11.3.1 参数范数惩罚 170
11.3.2 权重衰减 171
11.3.3 噪声注入 171
11.3.4 数据增强 171
11.3.5 多任务学习 172
11.3.6 提前终止 172
11.3.7 Dropout 173
11.3.8 DropConnect 174
11.3.9 SelfNorm 与 CrossNorm 174
11.4 本章小结 175
参考文献 175
第12章 泛化理论 176
12.1 泛化的定义 176
12.2 泛化理论 176
12.2.1 机器学习的泛化理论 177
12.2.2 基于模型复杂度的泛化理论 179
12.2.3 基于信息论的泛化理论 180
12.2.4 基于随机梯度下降算法的泛化理论 181
12.2.5 基于损失曲面几何结构的泛化理论 183
12.2.6 基于傅里叶分析的泛化理论 184
12.2.7 基于未标记数据的泛化理论 187
12.3 泛化方法 188
Ⅸ
12.3.1 数据处理 188
12.3.2 特征表示 188
12.3.3 训练策略 189
12.3.4 学习方法 189
12.4 本章小结 190
参考文献 190
第13章 学习可解释性 191
13.1 深度学习的可解释性基本概念 191
13.1.1 可解释性的概念 191
13.1.2 研究可解释性的必要性 192
13.2 深度学习的可解释性分类方法 193
13.2.1 学习深度过程的可解释性方法 193
13.2.2 学习深度网络表示的可解释性方法 196
13.2.3 学习深度系统自身可解释的生成方法 198
13.2.4 其他类别方法 199
13.3 深度卷积框架的可解释性 200
13.3.1 卷积的 Hankel矩阵表示 200
13.3.2 Hankel矩阵分解和卷积框架 204
13.3.3 深度卷积框架进行多分辨率分析 205
13.4 本章小结 209
参考文献 209
第14章 收敛性理论 210
14.1 收敛问题 210
14.1.1 收敛问题定义 210
14.1.2 收敛与一致收敛之间的差异 210
14.2 单隐藏层神经网络的收敛性 211
14.2.1 基本假设与判定指标 211
14.2.2 基于 SGD 算法的收敛性 212
14.2.3 基于自适应梯度算法的收敛性 214
14.2.4 基于动量自适应算法的收敛性 216
14.3 非线性神经网络的收敛性 222
14.3.1 基本假设与判定指标 222
14.3.2 基于 SGD 算法的收敛性 226
14.3.3 基于自适应梯度算法的收敛性 233
14.4 深度神经网络的收敛性 234
14.4.1 深度线性神经网络的收敛性 234
14.4.2 深度非线性神经网络的收敛性 238
14.5 本章小结 241
参考文献 241
Ⅹ
第15章 学习模型的复杂度 242
15.1 复杂度的基本概念 242
15.2 与动态训练无关 243
15.2.1 VC 维及其扩展 243
15.2.2 表达能力 243
15.3 与动态训练相关 246
15.3.1 Rademacher复杂度 246
15.3.2 表达能力 246
15.3.3 有效复杂度 247
15.4 表达能力与有效复杂度 248
15.5 本章小结 249
参考文献 249
第16章 一阶优化方法 250
16.1 导数和梯度 250
16.2 梯度下降算法 251
16.2.1 批量梯度下降 251
16.2.2 随机梯度下降 251
16.2.3 小批量梯度下降 251
16.3 动量 252
16.4 自适应学习率 254
16.4.1 Adagrad 254
16.4.2 RMSprop 255
16.4.3 Adadelta 255
16.4.4 Adam 256
16.4.5 AmsGrad 257
16.4.6 Adamax 257
16.4.7 Nadam 257
16.4.8 SparseAdam 258
16.5 减少方差的方法 258
16.6 交替方向乘子法 259
16.7 Frank-Wolfe方法 259
16.8 投影梯度下降算法 260
16.9 本章小结 261
参考文献 261
第17章 高阶优化方法 262
17.1 共轭梯度法 262
17.2 牛顿法及其变体 264
17.2.1 牛顿法 264
17.2.2 切割牛顿法 264
Ⅺ
17.2.3 拟牛顿法 265
17.2.4 DFP法 266
17.2.5 BFGS法 266
17.2.6 随机拟牛顿法 267
17.3 不含海森矩阵的很优化方法 268
17.4 自然梯度法 270
17.5 信任区域法 270
17.6 本章小结 271
参考文献 271
第18章 启发式学习优化 272
18.1 启发式算法 272
18.1.1 传统启发式算法 272
18.1.2 元启发式算法 272
18.2 基于 PSO 算法的深度神经网络学习 273
18.2.1 PSO 算法 273
18.2.2 基于 PSO 的深度神经网络算法的学习 274
18.3 基于免疫优化算法的深度神经网络学习 274
18.3.1 免疫优化算法 274
18.3.2 基于免疫优化的 RBF深度神经网络算法的学习 274
18.4 基于量子优化算法的网络学习 276
18.4.1 量子优化算法发展及研究现状 276
18.4.2 基于量子离散多目标粒子群算法的学习 276
18.5 本章小结 279
参考文献 279
第19章 进化深度学习&n
— 没有更多了 —
以下为对购买帮助不大的评价