神经网络与深度学习

图书标准信息

• 作者 [美]查鲁·C. 阿加沃尔（Charu C. Aggarwal）
• 出版社 机械工业出版社
• 出版时间 2021-08
• 版次 1
• ISBN 9787111686859
• 定价 149.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 408页
• 字数 340千字

【内容简介】

本书涵盖了经典和现代的深度学习模型。章节分为三类:第1部分为神经网络的基础。许多传统的机器学习模型可以理解为神经网络的特殊情况。前两章的重点是理解传统机器学习和神经网络之间的关系。支持向量机、线性/逻辑回归、奇异值分解、矩阵分解和推荐系统都是神经网络的特例。本书将这些方法与特征工程方法如word2vec一起进行了研究。第2部分是神经网络的基本原理。训练和正则化的详细讨论在第3章和第4章提供。第5章和第6章介绍了径向基函数(RBF)网络和受限的玻尔兹曼机。第3部分是神经网络的高级主题:第7章和第8章讨论了循环神经网络和卷积神经网络。第9章和第10章介绍了几个高级主题，如深度强化学习、神经图像机、Kohonen自组织映射和生成对抗网络。这本书是为研究生、研究人员和实践者编写的。大量的练习和一个解决方案手册，以帮助在课堂教学。在可能的情况下，突出显示以应用程序为中心的视图，以便提供对每一类技术的实际用途的理解。

【作者简介】

章神经网络概论1

1.1简介1

1.2神经网络的基本架构3

1.2.1单层计算网络：感知机3

1.2.2多层神经网络13

1.2.3多层网络即计算图15

1.3利用反向传播训练神经网络16

1.4神经网络训练中的实际问题19

1.4.1过拟合问题19

1.4.2梯度消失与梯度爆炸问题22

1.4.3收敛问题22

1.4.4局部优和伪优22

1.4.5计算上的挑战23

1.5复合函数的能力之谜23

1.5.1非线激活函数的重要25

1.5.2利用深度以减少参数26

1.5.3非常规网络架构27

1.6常见网络架构28

1.6.1浅层模型模拟基础机器学方28

1.6.2径向基函数网络29

1.6.3受限玻尔兹曼机29

1.6.4循环神经网络30

1.6.5卷积神经网络31

1.6.6层次特征工程与预训练模型32

1.7不错主题34

1.7.1强化学34

1.7.2分离数据存储和计算34

1.7.3生成对抗网络35

1.8两个基准35

1.8.1mnist手写数字数据库35

1.8.2image数据库36

1.9结37

1.10参资料说明37

1.10.1视频讲座38

1.10.2软件资源39

1.11练39

第2章基于浅层神经网络的机器学41

2.1简介41

2.2二分类模型的神经架构42

2.2.1复感知机42

2.2.2小二乘回归44

2.2.3逻辑回归47

2.2.4支持向量机49

2.3多分类模型的神经架构50

2.3.1多分类感知机51

2.3.2weston-watkins支持向量机52

2.3.3多重逻辑回归（softmax分类器）53

2.3.4应用于多分类的分层softmax54

2.4反向传播可以用于特征选择和神经网络的可解释54

2.5使用自编码器进行矩阵分解55

……