深度学习 陈蔼祥 正版图书
全新正版书籍，支持七天无理由
￥ 62.6 7.9折 ￥ 79 全新
库存5件
山东泰安
认证卖家担保交易快速发货售后保障
作者陈蔼祥
出版社清华大学出版社
ISBN9787302546597
出版时间2020-08
装帧平装
开本16开
定价79元
货号1202133707
上书时间2024-03-09
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
陈蔼祥，中山大学博士，广东财经大学统计与数学学院副院长，先后访问美国韦恩州立大学、北京大学
目录
第1章浅层模型1
1.1深度学习史前发展史1
1.1.1数据分析的初级阶段：手工演算阶段1
1.1.2数据分析的中级阶段：浅层模型阶段3
1.1.3数据分析的高级阶段：大数据深度学习阶段4
1.2线性回归模型7
1.2.1极小二乘线性回归8
1.2.2模型选择：模型容量与过拟合和欠拟合问题19
1.2.3属性空间、假设函数空间与基于核函数的特征映射22
1.2.4特征选择26
1.2.5回归分析的概率解释32
1.3Logistics二分类模型33
1.4Softmax多分类模型37
1.5广义线性模型42
参考文献52
第2章深度神经网络56
2.1引言56
2.2BP神经网络58
2.2.1从生物神经元到MP神经元模型58
2.2.2BP神经网络结构59
2.2.3BP算法64
2.2.4BP算法算例72
2.3从BP网络到深度网络73
2.3.1梯度消失：多层BP网络训练难题74
2.3.2逐层贪心预训练+全局微调76
2.4深度网络的进一步解释83
2.5克服过拟合：深度网络中的正则化技术85
2.5.1模型约束技术86
2.5.2输入约束技术88
2.5.3模型集成技术92
2.6深度网络发展史98
2.6.1早期神经网络模型（1958—1969年）98
2.6.2深度学习萌芽期（1969—2006年）99
2.6.3深度学习爆发期（2006年至今）100
参考文献101
第3章卷积神经网络108
3.1引言108
3.2卷积的数学公式及其含义109
3.3卷积神经网络的技术细节114
3.3.1计算机“眼”中的图像115
3.3.2卷积神经网络116
3.3.3卷积神经网络的结构116
3.3.4CNNs训练算法121
3.3.5卷积网提取特征的可视化129
3.4CNNs的变体131
3.4.1关于卷积核的变体132
3.4.2关于卷积通道的变体136
3.4.3关于卷积层连接的变体141
3.5卷积网络在自动驾驶中的应用145
3.6卷积网络发展史146
参考文献148
第4章反馈神经网络151
4.1引言151
4.2反馈神经网络153
4.2.1统计语言模型154
4.2.2RNNs的网络结构158
4.2.3RNNs的训练算法：BPTT162
4.2.4RNNs的误差沿时间轴传播公式170
4.2.5RNNs的变体172
4.3长短期记忆单元反馈神经网络175
4.3.1早期解决长时间序列学习难题的朴素方法176
4.3.2LSTM网络结构177
4.3.3LSTM的前向计算179
4.3.4LSTM的反向计算181
4.3.5LSTM的权值更新184
4.3.6理解LSTM网络186
4.4时间序列处理中的几种重要机制188
4.4.1处理变长序列的编码器-解码器模型189
4.4.2注意力机制192
4.4.3序列自动对齐的CTC技术195
4.4.4小结215
4.5深度反馈网络在时间序列处理中的应用216
4.5.1Google神经机器翻译系统216
4.5.2深度语音识别系统219
4.5.3用LSTM编程和写作223
4.6反馈神经网络发展现状229
参考文献229
第5章深度强化学习234
5.1引言234
5.2马尔可夫决策过程238
5.2.1马尔可夫过程239
5.2.2马尔可夫奖励过程243
5.2.3马尔可夫决策过程246
5.2.4广义策略迭代255
5.2.5小结257
5.3强化学习算法257
5.3.1动态规划算法258
5.3.2蒙特卡罗算法263
5.3.3时间差分学习算法274
5.3.4小结297
5.4深度强化学习算法299
5.4.1基于深度网络的状态价值和动作价值函数近似301
5.4.2基于深度网络的策略梯度法307
5.5深度强化学习的应用317
5.5.1围棋AlphaGo317
5.5.2从AlphaGo到AlphaGoZero332
5.5.3基于像素的乒乓球游戏341
5.6深度强化学习发展现状344
5.6.1强化学习起源与发展现状344
5.6.2深度强化学习在棋类中的应用345
5.6.3深度强化学习技术在自主智能体中的应用347
参考文献350
后记353
内容摘要
深度学习是机器学习的一个分支，是以人工神经M络为架构，对数据进行表征学习的算法。本书深入浅出地介绍了浅层模塑、深度学习模型以及相应的正则化技术、卷积的物理意义、卷积神经网络及其各种改进、反馈神经网络及其改进的长短期记忆单元、深度强化学习等内容。本书的目标读者是大学三年级以上的本科生和研究生、广大的工程技术人员、研发人员，亦可以作为统计、计算机、大数据以及相关专业和各交叉学科的教材使用。
主编推荐
本书目标读者是大三以上的学生，以及广大的工程技术人员，研发人员。亦可以作为统计、计算机、大数据以及相关专业和各交叉学科的教材使用。
— 没有更多了 —
以下为对购买帮助不大的评价