正版现货新书 深度学习 9787302704560 黄高著
全新正版现货，以书名为准，放心购买，购书咨询18822403591朱老师
￥ 49.03 6.2折 ￥ 79 全新
库存2件
北京丰台
作者黄高著
出版社清华大学出版社
ISBN9787302704560
出版时间2025-12
装帧平装
开本26cm
定价79元
货号200222199
上书时间2026-09-15
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
黄高，清华大学自动化系长聘副教授、博士生导师，清华大学人工智能学院兼聘导师。长期从事深度学习基础模型及算法研究，提出了原创深度卷积网络DenseNet，共计发表学术论文200余篇，学术总引用近10万次。以第一/通讯作者获人工智能顶尖会议CVPR、NeurIPS的最佳论文或最佳论文亚军。入选MIT TR35（亚太区）、亚洲青年科学家奖、达摩院青橙奖、AI 2000人工智能最具影响力学者、北京智源学者等。
目录
第1章 绪论
1.1 深度学习的历史
1.2 深度学习的应用
1.3 深度学习研究的前沿与趋势
1.3.1 深度学习研究的发展趋势
1.3.2 深度学习研究的挑战
第2章 基础知识
2.1 学习算法与评价方法
2.1.1 任务与机器学习算法
2.1.2 性能度量与评价指标
2.2 假设空间、过拟合和欠拟合
2.3 偏差和方差
2.3.1 偏差、方差与噪声的定义
2.3.2 泛化误差的分解
2.3.3 偏差与方差的权衡
2.4 最大似然估计
2.5 贝叶斯决策
2.5.1 贝叶斯定理
2.5.2 贝叶斯分类器
2.5.3 最小化错误率
2.5.4 贝叶斯风险
2.6 无监督、半监督和自监督学习
2.6.1 无监督学习
2.6.2 半监督学习
2.6.3 自监督学习
2.7 损失函数
2.7.1 分类任务
2.7.2 回归任务
2.7.3 密度估计任务
2.7.4 目标检测任务
2.7.5 图像分割任务
2.7.6 自然语言处理任务
2.8 习题
第3章 经典神经网络
3.1 感知机算法
3.1.1 基本模型
3.1.2 学习策略
3.1.3 感知机的特点与局限
3.2 多层感知机
3.2.1 基本结构
3.2.2 隐含层的作用
3.3 反向传播
3.3.1 链式法则
3.3.2 反向传播算法
3.3.3 反向传播示例
3.3.4 反向传播面临的挑战
3.4 典型优化算法
3.4.1 梯度下降法
3.4.2 牛顿法
3.4.3 拟牛顿法
3.4.4 高斯-牛顿法
3.4.5 L-M方法
3.5 激活函数
3.5.1 Sigmoid型函数
3.5.2 ReLU型函数
3.5.3 门控型函数
3.5.4 Mish函数
3.5.5 Maxout单元
3.5.6 AconC函数
3.5.7 各种激活函数的比较
3.6 习题
第4章 深度卷积网络
第5章 循环神经网络
第6章 Transformer
第7章 图神经网络
第8章 深度生成模型
第9章 深度神经网络的优化方法
第10章 深度学习中的正则化
第11章 自监督学习
第12章 深度强化学习
第13章 深度神经网络的高效计算
第14章 PyTorch深度学习框架
附录A 线性代数
附录B 微积分
附录C 概率统计
参考文献
精彩内容
"本书是一部系统阐述深度学习理论、方法与实践的专业教材，为读者构建了一套完整的深度学 习知识体系。全书共14 章，分为四篇：第一篇为深度学习相关的基本概念与理论（第1~2 章）， 梳理了深度学习的发展历程、前沿与趋势，介绍了机器学习任务类型、评价指标、过拟合与欠拟合、 偏差与方差、**似然估计、贝叶斯决策、损失函数设计等；第二篇介绍典型神经网络（第3~7 章）， 包括多层感知机、卷积神经网络、循环神经网络、Transformer 和图神经网络；第三篇为深度学习前 沿方向，包括深度生成模型、深度神经网络的优化方法、正则化方法、自监督学习、强化学习及深 度神经网络的高效计算方法。第四篇为深度学习实战，以PyTorch 框架为例介绍张量操作、自动求 导和神经网络层构建，同时结合图像分类、文本分类的实战案例展示深度学习模型的实现流程。此 外，附录部分补充了本书所需的线性代数、微积分、概率统计等数学基础知识。 本书适合作为高校人工智能及相关专业深度学习课程教材，也可以作为广大深度学习技术使用 者的自学参考用书。 "
以下为对购买帮助不大的评价