深度学习的几何学:信号处理视角:a signal processing perspectiv
正版库存一手书，品相视出版时间长短而定，自然成色，可开电子发票，图片由软件自动采集，以书名为准，不以图片不符售后！
￥ 49 6.2折 ￥ 79 全新
库存39件
作者[韩]Jong,Chul,Ye 著,周浦城,黄启恒,王粉梅等
出版社电子工业出版社
ISBN9787121447990
出版时间2023-01
版次1
装帧平装
开本16开
纸张胶版纸
页数244页
字数99999千字
定价79元
货号R_12023479
上书时间2024-03-23
商品详情
- 品相描述：全新
- 正版库存一手书，品相视出版时间长短而定，自然成色，可开电子发票，图片由软件自动采集，以书名为准，不以图片不符售后！
- 商品描述
-
基本信息
书名:深度学习的几何学:信号处理视角:a signal processing perspective
定价：79元
作者:[韩]Jong,Chul,Ye 著,周浦城,黄启恒,王粉梅等 译
出版社：电子工业出版社
出版日期：2023-01-01
ISBN：9787121447990
字数：399000
页码：244
版次：
装帧：平装
开本：16开
商品重量：
编辑
内容提要
深度学习是人工智能与机器学习领域的重要研究分支，经过短短十几年的发展，已经在计算机视觉与图像处理、自然语言处理等领域取得令人瞩目的成就。 《深度学习的几何学：信号处理视角》作为深度学习方面的专门书籍，融合了机器学习、人工神经网络和深度学习的相关概念，并且从信号处理视角呈现了深度学习背后的几何学原理，以便从统一的角度去深入理解深度学习的主要模型和算法，从而更好地指导理论分析和实践开发。 《深度学习的几何学：信号处理视角》全书分为三个部分，共14章。-4章为分，主要介绍机器学习基础知识，包括向量空间、矩阵代数、凸优化等数学预备知识，以及支持向量机、核回归等经典机器学习技术；第5-9章为第二部分，主要介绍深度学习的构成要素，包括人工神经网络与反向传播、卷积神经网络、图神经网络及归一化和注意力机制，重点介绍这些模型背后的数学原理和几何解释；0-14章为第三部分，主要介绍深度学习的高级主题，包括深度神经网络几何学、深度学习优化与泛化能力，以及生成模型与无监督学习。 《深度学习的几何学：信号处理视角》适合具备一定数学基础和机器学习基础且对深度神经网络感兴趣的研究人员和工程技术人员阅读。另外，高等院校智能科学与技术、计算机科学与技术、自动化及相关专业的研究生或高年级本科生也可以将《深度学习的几何学：信号处理视角》作为辅助教材使用。
目录
部分 机器学习基础章 数学预备知识1．1 度量空间1．2 向量空间1．3 巴拿赫空间与希尔伯特空间1．4 概率空间1．5 矩阵代数1．5．1 Kronecker积1．5．2 矩阵与向量微积分1．6 凸优化基础1．6．1 基本概念1．6．2 凸集与凸函数1．6．3 次微分1．6．4 凸共轭1．6．5 拉格朗日对偶公式1．7 习题第2章 线性与核分类器2．1 引言2．2 硬间隔线性分类器2．2．1 可分离情况的间隔分类器2．2．2 对偶公式2．2．3 KKT条件与支持向量2．3 软间隔线性分类器2．4 采用核SVM的非线性分类器2．4．1 特征空间中的线性分类器2．4．2 核技巧2．5 图像分类的经典方法2．6 习题第3章 线性回归、逻辑回归与核回归3．1 引言3．2 线性回归3．3 逻辑回归3．3．1 对数概率与线性回归3．3．2 使用逻辑回归进行多分类3．4 岭回归3．5 核回归3．6 回归中的偏差-方差权衡3．7 习题第4章 再生核希尔伯特空间与表示定理4．1 引言4．2 再生核希尔伯特空间4．2．1 特征映射和核4．2．2 再生核希尔伯特空间的定义4．3 表示定理4．4 表示定理的应用4．4．1 核岭回归4．4．2 核SVM4．5 核机器的优缺点4．6 习题第二部分 深度学习的构成要素第5章 生物神经网络5．1 引言5．2 神经元5．2．1 神经元解剖5．2．2 信号传输机制5．2．3 突触可塑性5．3 生物神经网络5．3．1 视觉系统5．3．2 Hubel-Wiesel模型5．3．3 Jennifer Aniston细胞5．4 习题第6章 人工神经网络与反向传播6．1 引言6．2 人工神经网络6．2．1 符号约定6．2．2 单个神经元建模6．2．3 多层前馈神经网络6．3 人工神经网络训练6．3．1 问题描述6．3．2 优化器6．4 反向传播算法6．4．1 反向传播算法的推导6．4．2 反向传播算法的几何解释6．4．3 反向传播算法的变分解释6．4．4 局部变分公式6．5 习题第7章 卷积神经网络7．1 引言7．2 现代卷积神经网络发展简史7．2．1 AlexNet7．2．2 GoogLeNet7．2．3 VGGNet7．2．4 ReSNet7．2．5 DenSeNet7．2．6 U-Net7．3 卷积神经网络的基础构件7．3．1 卷积7．3．2 池化与反池化7．3．3 跳跃连接7．4 训练卷积神经网络7．4．1 损失函数7．4．2 数据划分7．4．3 正则化7．5 卷积神经网络可视化7．6 卷积神经网络的应用7．7 习题第8章 图神经网络……第三部分 深度学习的高级主题附录A 专业术语中英文对照表参考文献
作者介绍
Jong Chul Ye，于1999年获美国普渡大学博士学位，现任韩国科学技术院（Korea Advanced Institute for Science and Technology，KAIST）生物与脑工程系教授和数学科学系兼职教授；长期从事压缩感知图像重建、信号处理和机器学习等研究；是IEEE Fellow，IEEE SPS计算成像技术委员会主席；目前是IEEE Transactions oMedical Imaging副主编、IEEE Signal Processing Magazine资深编辑，以及BMC Biomedical Engineering部门编辑；曾担任2020 IEEE International Symposium oBiomedical Imaging（ISBI）大会共主席，IEEE Transactions oImage Processing、IEEE Transactions oComputational Imaging、Journal of Electronic Imaging副主编，Magnetic Resonance iMedicine编委会成员，以及Physics iMedicine and Biology国际咨询委员会成员。
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价