深入浅出深度学习
正版保障 假一赔十 可开发票
￥ 30.68 6.2折 ￥ 49.8 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者[克罗地亚]桑德罗·斯卡尼
出版社清华大学出版社有限公司
ISBN9787302573210
出版时间2020-08
装帧平装
开本16开
定价49.8元
货号11034418
上书时间2024-11-18
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
桑德罗·斯卡尼，博士，克罗地亚萨格勒布大学的逻辑学助理教授,同时还是克罗地亚萨格勒布代数学院的数据科学讲师。他拥有GitHub北极代码库贡献者勋章（ArcticCode Vault Contributor）。
目录
目 录
PAGE _IX_ 深入浅出深度学习
第1章 从逻辑学到认知科学 1
1.1 人工神经网络的起源 1
1.2 异或(XOR)问题 6
1.3 从认知科学到深度学习 8
1.4 总体人工智能景观中的 神经网络 12
1.5 哲学和认知概念 13
第2章 数学和计算先决条件 17
2.1 求导和函数极小化 17
2.2 向量、矩阵和线性 规划 26
2.3 概率分布 34
2.4 逻辑学和图灵机 41
2.5 编写Python代码 44
2.6 Python编程概述 46
第3章 机器学习基础知识 55
3.1 基本分类问题 55
3.2 评估分类结果 61
3.3 一种简单的分类器： 朴素贝叶斯 64
3.4 一种简单的神经网络： 逻辑回归 67
3.5 MNIST数据集简介 73
3.6 没有标签的学习： k均值 76
3.7 学习不同的表示形式： PCA 78
3.8 学习语言：词袋表示 81
第4章 前馈神经网络 85
4.1 神经网络的基本概念和 术语 85
4.2 使用向量和矩阵表示 网络分量 88
4.3 感知器法则 90
4.4 Delta法则 93
4.5 从逻辑神经元到反向 传播 95
4.6 反向传播 100
4.7 一个完整的前馈神经 网络 110
第5章 前馈神经网络的修改和 扩展 113
5.1 正则化的概念 113
5.2 L1和L2正则化 115
5.3 学习率、动量和丢弃 117
5.4 随机梯度下降和在线 学习 123
5.5 关于多个隐藏层的问题： 梯度消失和梯度爆炸 124
第6章 卷积神经网络 127
6.1 第三次介绍逻辑回归 127
6.2 特征图和池化 131
6.3 一个完整的卷积网络 133
6.4 使用卷积网络对文本 进行分类 136
第7章 循环神经网络 141
7.1 不等长序列 141
7.2 使用循环神经网络进行 学习的三种设置 143
7.3 添加反馈环并展开神经 网络 145
7.4 埃尔曼网络 146
7.5 长短期记忆网络 148
7.6 使用循环神经网络预测 后续单词 151
第8章 自动编码器 161
8.1 学习表示 161
8.2 不同的自动编码器体系 结构 164
8.3 叠加自动编码器 166
8.4 重新创建猫论文 170
第9章 神经语言模型 173
9.1 词嵌入和词类比 173
9.2 CBOW和Word2vec 174
9.3 Word2vec代码 176
9.4 单词领域概览：一种摒弃 符号AI的观点 179
第10章 不同神经网络体系结构 概述 183
10.1 基于能量的模型 183
10.2 基于记忆的模型 186
10.3 通用联结主义智能的 内核：bAbI数据集 189
第11章 结论 193
11.1 开放性研究问题简单 概述 193
11.2 联结主义精神与哲学 联系 194
精彩内容
《深入浅出深度学习》对深度学习进行了深入浅出的介绍，语言简明扼要、通俗易懂。介绍了各个时期的联结主义模型，同时以简单、直观的形式展示了各种很流行的算法和体系结构，详细解释了数学求导过程。本书的内容涵盖卷积网络、LSTM、word2vec、RBM、DBN、神经图灵机、记忆网络以及自动编码器。此外，本书还提供了大量可以实际运行的Python代码示例。
主要内容：
介绍机器学习的基础知识以及深度学习的数学和计算先决条件；
讨论前馈神经网络，并探索可以应用于任何神经网络的修改；
探讨卷积神经网络，以及前馈神经网络的循环连接；
描述分布式表示的概念、自动编码器的概念，以及使用深度学习进行语言处理背后的思想；
简单介绍人工智能和神经网络的发展历史，提出深度学习和联结主义的各种有趣的开放性研究问题。
媒体评论
★目前我在美国华盛顿大学讲授“深度学习”课程。我选了两本教材，一本出自Goodfellow之手，另一本便是本书。本书有两大亮点：
（1）对“深度学习”历史回顾详实准确，给许多学生和年轻研究人员补了一课。
（2）列举经由多层网络的反向传播的详明数值示例，直接推导反向传播公式。我要求学生不借助TensorFlow或PyTorch中的自动微分软件，用计算器自行在一个小例子上计算。
书不厚，但涵盖必要的基础知识，探讨标准的前馈深度网络、基本的卷积神经网络（CNN）、循环神经网络（RNN）、自动编码器和语言模型（Word2vec）等，分析正则化（L1、L2、丢弃）和动量等实际问题。为读者进一步了解Transformer、BERT和GPT-2等新模型打下坚实基础。
书中的数学符号比高级书籍容易理解，我认为本书是一个完美起点。
内容精彩，简明易懂；块头不大，但魔术般地囊括了所有深度学习主题。
——Eric Nichols
★如果你对以下内容感兴趣，请务必阅读本书：
（1）“机器学习”在过去50年里演变为“深度学习”的历程。
（2）对深度学习的数学基础知识（如微积分、矩阵、概率）的完整、扼要的描述。
（3）深入浅出地讲解机器学习的基础知识、卷积网络、循环网络和自动编码器；对这几个方面的讲解明显优于其他书籍。
我也特别欣赏对“神经语言模型”的概述；简短，但清晰有力。
向硕士研究生、博士研究生和初学者强烈推荐本书！
——Antonio Gulli
★本书逻辑严密，每句话都有力量，涵盖深度学习基础知识以及神经网络的发展历程。本书插图丰富，结合数学公式和Python代码，直观呈现所有概念、方法和算法变体。如果你想进入统计和机器学习殿堂，本书将是一本不错的参考指南和入门书籍。
简明、精悍的深度学习著作！
——Sasa Savic
— 没有更多了 —
以下为对购买帮助不大的评价