深度学习：Java语言实现

图书标准信息

• 作者 陈澎、王磊 译者；巣笼悠辅（Yusuke Sugomori）
• 出版社 机械工业出版社
• 出版时间 2017-07
• 版次 1
• ISBN 9787111572985
• 定价 49.00元
• 装帧 平装
• 开本 其他
• 页数 188页
• 正文语种 简体中文
• 原版书名 Java Deep Learning Essentials
• 丛书 智能系统与技术丛书

【内容简介】

人工智能以及深度学习正在改变着人们对软件的理解，正使得计算机更加智能。深度学习算法应用非常广泛，远远超出数据科学的范畴。本书首先介绍了一些机器学习算法的基础，随后就带领你进入一个引人入胜的机器智能的世界。你将领略到各种神经网络的魅力及挑战。我们将使用基于DL4J的Java库，一起攻克图像处理、语音识别和自然语言处理等各种问题。同时，你也会接触到当今重要的其他开发平台，如Theano、TensorFlow和Caffe。通过本书的学习，你将具备用Java攻克深度学习问题的能力，并为这个领域贡献自己的力量。

【作者简介】

                                 作者：（日本）巢笼悠辅（Yusuke Sugomori） 译者：陈澎 王磊 陆明

巢笼悠辅（Yusuke Sugomori）是一位有信息工程背景的富有创造力的技术专家，目前是MICIN联合创始人和首席技术官，东京大学客座讲师。当他攻读研究生的时候，就与同事共同建立了Gunosy，主要是利用机器学习和基于网页的数据挖掘技术判断用户兴趣，并提供与之匹配的每日新闻推荐。这个基于算法的应用程序从发布起就引起了广泛关注，到目前累计用户已超过1000万。Yusuke在2013年加入日本的广告公司Dentsu，从事数字广告、智能手机应用开发及大数据分析等工作。Yusuke被日本《Web Designing》杂志评为“新一代”创新八强之一。

【目录】

                                 译者序
前言
第1章深度学习概述
1.1人工智能的变迁
1.1.1人工智能的定义
1.1.2人工智能曾经的辉煌
1.1.3机器学习的演化
1.1.4机器学习的局限性
1.2人与机器的区分因素
1.3人工智能与深度学习
1.4小结
第2章机器学习算法——为深度学习做准备
2.1入门
2.2机器学习中的训练需求
2.3监督学习和无监督学习
2.3.1支持向量机
2.3.2隐马尔可夫模型
2.3.3神经网络
2.3.4逻辑回归
2.3.5增强学习
2.4机器学习应用流程
2.5神经网络的理论和算法
2.5.1单层感知器
2.5.2逻辑回归
2.5.3多类逻辑回归
2.5.4多层感知器
2.6小结
第3章深度信念网络与栈式去
噪自编码器
3.1神经网络的没落
3.2神经网络的复兴
3.2.1深度学习的进化——突破是什么
3.2.2预训练的深度学习
3.3深度学习算法
3.3.1限制玻尔兹曼机
3.3.2深度信念网络
3.3.3去噪自编码器
3.3.4栈式去噪自编码器
3.4小结
第4章dropout和卷积神经网络
4.1没有预训练的深度学习算法
4.2dropout
4.3卷积神经网络
4.3.1卷积
4.3.2池化
4.3.3公式和实现
4.4小结
第5章探索Java深度学习库——DL4J、ND4J以及其他
5.1从零实现与使用库／框架
5.2DL4J和ND4J的介绍
5.3使用ND4J实现
5.4使用DL4J实现
5.4.1设置
5.4.2构建
5.4.3CNN Mnist Example.java／Lenet Mnist Example.java
5.4.4学习速率的优化
5.5小结
第6章实践应用——递归神经网络等
6.1深度学习热点
6.1.1图像识别
6.1.2自然语言处理
6.2深度学习的挑战
6.3最大化深度学习概率和能力的方法
6.3.1面向领域的方法
6.3.2面向分解的方法
6.3.3面向输出的方法
6.4小结
第7章其他重要的深度
学习库
7.1Theano
7.2Tensor Flow
7.3Caffe
7.4小结
第8章未来展望
8.1深度学习的爆炸新闻
8.2下一步的展望
8.3对深度学习有用的新闻资源
8.4小结