消息首页搜索举报

【9成新正版】深入浅出深度学习：原理剖析与Python实践9787121312700

二手书籍不包光盘和其他配件介意慎拍！！

12.5 1.6折 79 九品

仅1件

天津宝坻

认证卖家担保交易快速发货售后保障

作者黄安埠

出版社电子工业出版社

ISBN9787121312700

出版时间2017-05

装帧其他

开本16开

定价79元

货号9787121312700

上书时间2024-09-02

天津的柠檬

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 24小时
好评率暂无

最新上架

【9成新正版】沟通心理学：你不可不知的说话心理策略9787518032402 ¥10.99

【9成新正版】自营销(如何传递品牌好声音)9787213051289 ¥11.75

【9成新正版】50个餐桌小实验让你的小伙伴们对你刮目相看9787111434122 ¥10.25

【9成新正版】即时满足让人嗨起来的动机心理学心理学 (英)安迪·拉梅奇新华9787522604398 ¥13.70

【9成新正版】法布尔昆虫记(1屎壳郎的故事名家名绘版)(精)9787510144592 ¥10.57

【9成新正版】互联网金融--逻辑与结构9787300209708 ¥11.56

【9成新正版】四千周（吴主任个人年度十佳书，关于这一生什么是重要的，以及如何重启自己，附赠4000周人生涂9787221172679 ¥15.30

【9成新正版】从零开始学公众号运营推广(第2版)9787302528005 ¥16.92

【9成新正版】变态心理学9787516811320 ¥11.14

商品详情

品相描述：九品

商品描述: 作者简介
黄安埠，2012年毕业于清华大学，现为腾讯基础研究不错工程师，目前负责腾讯QQ音乐、全民K歌等产品的个性化推荐研发工作。研究领域包括个性化推荐和自然语言处理，在理论沉淀和工程实践都具有丰富的经验，并撰写了10余项靠前相关专利。

目录
第1部分  概要
  1  绪论
    1.1  人工智能、机器学习与深度学习的关系
    1.1.1  人工智能——机器推理
    1.1.2  机器学习——数据驱动的科学
    1.1.3  深度学习——大脑的仿真
    1.2  深度学习的发展历程
    1.3  深度学习技术概述
    1.3.1  从低层到高层的特征抽象
    1.3.2  让网络变得更深
    1.3.3  自动特征提取
    1.4  深度学习框架
  2  Theano基础
    2.1  符号变量
    2.2  符号计算的抽象——符号计算图模型
    2.3  函数
    2.3.1  函数的定义
    2.3.2  Logistic回归
    2.3.3  函数的复制
    2.4  条件表达式
    2.5  循环
    2.6  共享变量
    2.7  配置
    2.7.1  通过THEANO_FLAGS配置
    2.7.2  通过.theanorc文件配置
    2.8  常用的Debug技巧
    2.9  小结
第2部分  数学与机器学习基础篇
  3  线性代数基础
    3.1  标量、向量、矩阵和张量
    3.2  矩阵初等变换
    3.3  线性相关与向量空间
    3.4  范数
    3.4.1  向量范数
    3.4.2  矩阵范数
    3.5  特殊的矩阵与向量
    3.6  特征值分解
    3.7  奇异值分解
    3.8  迹运算
    3.9  样例：主成分分析
  4  概率统计基础
    4.1  样本空间与随机变量
    4.2  概率分布与分布函数
    4.3  一维随机变量
    4.3.1  离散型随机变量和分布律
    4.3.2  连续型随机变量和概率密度函数
    4.4  多维随机变量
    4.4.1  离散型二维随机变量和联合分布律
    4.4.2  连续型二维随机变量和联合密度函数
    4.5  边缘分布
    4.6  条件分布与链式法则
    4.6.1  条件概率
    4.6.2  链式法则
    4.7  多维随机变量的独立性分析
    4.7.1  边缘独立
    4.7.2  条件独立
    4.8  数学期望、方差、协方差
    4.8.1  数学期望
    4.8.2  方差
    4.8.3  协方差
    4.8.4  协方差矩阵
    4.9  信息论基础
    4.9.1  信息熵
    4.9.2  条件熵
    4.9.3  互信息
    4.9.4  相对熵与交叉熵
  5  概率图模型
    5.1  生成模型与判别模型
    5.2  图论基础
    5.2.1  图的结构
    5.2.2  子图
    5.2.3  路径、迹、环与拓扑排序
    5.3  贝叶斯网络
    5.3.1  因子分解
    5.3.2  局部马尔科夫独立性断言
    5.3.3  I-Map与因子分解
    5.3.4  有效迹
    5.3.5  D-分离与全局马尔科夫独立性
    5.4  马尔科夫网络
    5.4.1  势函数因子与参数化表示
    5.4.2  马尔科夫独立性
    5.5  变量消除
    5.6  信念传播
    5.6.1  聚类图
    5.6.2  团树
    5.6.3  由变量消除构建团树
    5.7  MCMC采样原理
    5.7.1  随机采样
    5.7.2  随机过程与马尔科夫链
    5.7.3  MCMC采样
    5.7.4  Gibbs采样
    5.8  参数学习
    5.8.1  最大似然估计
    5.8.2  期望最大化算法
    5.9  小结
  6  机器学习基础
    6.1  线性模型
    6.1.1  线性回归
    6.1.2  Logistic回归
    6.1.3  广义的线性模型
    6.2  支持向量机
    6.2.1  最优间隔分类器
    6.2.2  对偶问题
    6.2.3  核函数
    6.3  朴素贝叶斯
    6.4  树模型
    6.4.1  特征选择
    6.4.2  剪枝策略
    6.5  聚类
    6.5.1  距离度量
    6.5.2  层次聚类
    6.5.3  K-means聚类
    6.5.4  谱聚类
  7  数值计算与最优化
    7.1  无约束极小值的最优化条件
    7.2  梯度下降
    7.2.1  传统更新策略
    7.2.2  动量更新策略
    7.2.3  改进的动量更新策略
    7.2.4  自适应梯度策略
    7.3  共轭梯度
    7.4  牛顿法
    7.5  拟牛顿法
    7.5.1  拟牛顿条件
    7.5.2  DFP算法
    7.5.3  BFGS算法
    7.5.4  L-BFGS算法
    7.6  约束最优化条件
第3部分  理论与应用篇
  8  前馈神经网络
    8.1  生物神经元结构
    8.2  人工神经元结构
    8.3  单层感知机
    8.4  多层感知机
    8.5  激活函数
    8.5.1  激活函数的作用
    8.5.2  常用的激活函数
  9  反向传播与梯度消失
    9.1  经验风险最小化
    9.2  梯度计算
    9.2.1  输出层梯度
    9.2.2  隐藏层梯度
    9.2.3  参数梯度
    9.3  反向传播
    9.4  深度学习训练的难点
    9.4.1  欠拟合——梯度消失
    9.4.2  过拟合
  10  自编码器及其相关模型
    10.1  自编码器
    10.2  降噪自编码器
    10.3  栈式自编码器
    10.4  稀疏编码器
    10.5  应用：cifar10图像分类
  11  玻尔兹曼机及其相关模型
    11.1  玻尔兹曼机
    11.2  能量模型
    11.2.1  能量函数
    11.2.2  从能量函数到势函数
    11.2.3  从势函数到概率分布
    11.3  推断
    11.3.1  边缘分布
    11.3.2  条件分布
    11.4  学习
    11.4.1  最大似然估计
    11.4.2  对比散度
    11.5  应用：个性化推荐
    11.5.1  个性化推荐概述
    11.5.2  个性化推荐架构与算法
    11.5.3  RBM与协同过滤
  12  递归神经网络
    12.1  Elman递归神经网络
    12.2  时间反向传播
    12.3  长短时记忆网络
    12.4  结构递归神经网络
    12.5  应用：语言模型
    12.5.1  N元统计模型
    12.5.2  基于LSTM构建语言模型
  13  卷积神经网络
    13.1  卷积运算
    13.2  网络结构
    13.3  卷积层
    13.4  池化层
    13.5  应用：文本分类

内容摘要
黄安埠著的《深入浅出深度学习(原理剖析与Python实践)》介绍了深度学习相关的原理与应用，全书共分为三大部分，第一部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和至优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、
受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。
本书适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的后面都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。理论与实践相结合，本书针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看本书的代码
（https://github.com/innovation-cat/DeepLearningBook）。