深度学与神经网络 人工智能 作者 新华正版
￥ 59.59 6.1折 ￥ 98 全新
库存2件
江苏无锡
认证卖家担保交易快速发货售后保障
作者作者
出版社电子工业出版社
ISBN9787121444296
出版时间2023-01
版次1
装帧平装
开本16
页数388页
字数489千字
定价98元
货号xhwx_1202769778
上书时间2024-05-28
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
目录：
章 绪论 1
1.1 与深度学有关的几个概念 1
1.1.1 人工智能 2
1.1.2 机器学 4
1.1.3 表示学 10
1.1.4 机器学、神经网络及深度学的关系 12
1.1.5 深度学常用的框架 14
1.2 神经网络与深度学的发展历程 15
1.2.1 神经网络的诞生 16
1.2.2 神经网络的复兴 16
1.2.3 深度学的崛起 17
1.3 神经网络的产生机理 18
1.3.1 大脑研究的基本情况 19
1.3.2 脑组织的基本组成 20
1.3.3 脑组织的分层结构 22
1.3.4 大脑的基本工作 22
1.4 生物神经网络基础 25
1.4.1 神经元的基本结构 25
1.4.2 神经元的基本分类 28
1.4.3 神经元的信息传递机理 28
1.4.4 生物神经网络的构成 31
1.5 本书的知识框架体系 32
1.6 本章小结 33
第2章 人工神经网络计算 35
2.1 神经网络概述 35
2.2 人工神经元模型 36
2.2.1 基本神经元模型 36
2.2.2 常用激活函数 38
2.2.3 softmax输出分类 42
2.3 神经网络结构 43
2.3.1 单层前馈网络 44
2.3.2 多层前馈网络 45
2.3.3 反馈网络 46
2.3.4 图网络 46
2.4 神经网络的学方法 47
2.4.1 无监督学的hebb算法 48
2.4.2 监督学的delta规则 49
2.5 神经网络的损失函数 50
2.5.1 均方差损失函数 50
2.5.2 均误差损失函数 50
2.5.3 交熵损失函数 51
2.6 神经网络的学规则 55
2.6.1 极大似然估计 55
2.6.2 经验风险小化准则 57
2.6.3 过拟合与欠拟合 57
2.7 梯度下降法 58
2.7.1 一维梯度下降 59
2.7.2 多维梯度下降 60
2.7.3 梯度下降 61
2.8 网络正则化方法 62
2.8.1 l1和l2正则化 62
2.8.2 提前停止 63
2.8.3 权重衰减 64
2.8.4 丢弃法 64
2.8.5 数据增强 69
2.8.6 标签滑 69
2.9 模型评估方法 70
2.9.1 混淆矩阵 70
2.9.2 准确率、准确率、召回率 71
2.9.3 roc/auc/pr曲线 72
2.10 本章小结 74
第3章 多层感知器神经网络 75
3.1 感知器及其发展过程 75
3.2 感知器学算法 76
3.2.1 离散单输出感知器学算法 76
3.2.2 离散多输出感知器学算法 77
3.2.3 多层感知器线处理问题 79
3.3 多层感知器的算法实现 82
3.4 反向传播算法 84
3.4.1 反向传播多层感知器模型 84
3.4.2 反向传播算法的 85
3.4.3 反向传播算法的执行步骤 89
3.4.4 梯度消失和梯度爆炸问题 91
3.4.5 反向传播网络的数据拟合问题 92
3.5 本章小结 97
第4章 自组织竞争神经网络 98
4.1 竞争学的概念与 98
4.1.1 竞争学规则 98
4.1.2 竞争学 100
4.2 sofm网络 101
4.2.1 sofm网络结构 101
4.2.2 运行 102
4.2.3 学过程 103
4.2.4 两阶段学 104
4.3 art网络 105
4.3.1 art网络结构 105
4.3.2 网络运行与训练 107
4.3.3 网络运行的参数说明 108
4.4 自组织竞争神经网络的算法实现 108
4.5 本章小结 109
第5章 径向基函数神经网络 111
5.1 径向基函数介绍及结构 111
5.2 函数逼近与内插 112
5.2.1 插值问题的定义 112
5.2.2 径向基函数的一般形式 112
5.2.3 径向基函数的质 113
5.3 正则化理论 114
5.4 径向基函数神经网络学 117
5.4.1 选取径向基函数中心 117
5.4.2 自组织学选取径向基函数中心 118
5.4.3 有监督学选取径向基函数中心 119
5.5 本章小结 120
第6章 卷积神经网络 122
6.1 卷积神经网络的概念及特点 122
6.1.1 卷积的定义 122
6.1.2 卷积的变形 123
6.1.3 卷积与互相关作 124
6.1.4 卷积神经网络的特点 125
6.2 卷积神经网络的基本结构 126
6.2.1 卷积层 127
6.2.2 汇聚层 131
6.2.3 全连接层 133
6.2.4 输出层 134
6.3 卷积神经网络参数学 134
6.4 卷积神经网络常用模型 137
6.4.1 le模型 137
6.4.2 alex模型 139
6.4.3 vgg模型 140
6.4.4 google模型 141
6.4.5 res模型 146
6.4.6 dense模型 148
6.5 卷积神经网络的算法实现 149
6.6 本章小结 152
第7章 循环神经网络 153
7.1 循环神经网络的概念 153
7.2 循环神经网络模型 154
7.3 循环神经网络参数学 156
7.3.1 bptt算法 156
7.3.2 rtrl算法 157
7.4 网络梯度问题改进 157
7.5 长短期记忆 158
7.6 门控循环单元网络 161
7.7 深度循环神经网络 162
7.7.1 堆叠循环神经网络 162
7.7.2 双向循环神经网络 163
7.8 循环神经网络算法实现――手写体数字识别问题 164
7.9 本章小结 168
第8章 注意力机制与反馈网络 169
8.1 注意力机制网络 170
8.1.1 注意力机制网络的概念及分类 170
8.1.2 自注意力模型 174
8.2 离散型hopfield神经网络 176
8.2.1 网络的结构与工作方式 176
8.2.2 网络的能量分析 178
8.2.3 网络吸引子的质 181
8.3 连续型hopfield神经网络 183
8.3.1 网络的拓扑结构 183
8.3.2 网络的能量与稳定分析 185
8.4 hopfield神经网络应用实例 186
8.5 hopfield神经网络求解tsp 190
8.6 本章小结 192
第9章 深度学网络优化 193
9.1 参数初始化 193
9.1.1 固定方差参数初始化 194
9.1.2 方差缩放参数初始化 195
9.1.3 正交初始化 197
9.2 数据预处理 198
9.3 逐层归一化 201
9.3.1 批量归一化 201
9.3.2 层归一化 203
9.3.3 权重归一化 204
9.3.4 局部响应归一化 205
9.4 超参数优化 205
9.4.1 网格搜索 206
9.4.2 搜索 206
9.4.3 贝叶斯优化 207
9.4.4 动态资源分配 208
9.4.5 神经架构搜索 208
9.5 优化算法 209
9.5.1 空间变量的非凸优化 209
9.5.2 momentum 210
9.5.3 nag 211
9.5.4 adagrad 211
9.5.5 adadelta 212
9.5.6 rmsprop 212
9.5.7 adam 212
9.6 本章小结 213
0章 受限玻尔兹曼机和深度置信网络 214
10.1 概率图模型 214
10.2 受限玻尔兹曼机的基本结构 215
10.3 受限玻尔兹曼机的能量模型和似然函数 216
10.4 受限玻尔兹曼机的学任务 217
10.4.1 很优参数的梯度计算 217
10.4.2 吉布斯采样 219
10.4.3 对比散度算法 220
10.5 深度置信网络 222
10.5.1 网络模型 222
10.5.2 网络训练算法 223
10.6 深度置信网络的应用 225
10.6.1 音频特征提取 225
10.6.2 多模态数据建模 226
10.7 本章小结 228
1章 栈式自 230
11.1 自 230
11.2 稀疏自 233
11.3 栈式自的 234
11.4 降噪自 234
11.5 自的图像还原 236
11.6 自的机器翻译应用 238
11.7 本章小结 239
2章 生成对抗网络 240
12.1 深度生成模型 240
12.1.1 概率密度估计 241
12.1.2 生成样本 241
12.2 生成对抗网络的基本结构 242
12.3 原始-对偶次梯度方法训练 246
12.4 生成对抗网络的应用 249
12.4.1 人脸图像的生成 249
12.4.2 生成对抗网络的算法实现 251
12.5 本章小结 252
3章 图神经网络 254
13.1 图网络概述 254
13.1.1 图的定义 254
13.1.2 图数据网络的质和特点 256
13.1.3 图神经网络的发展 257
13.2 图卷积神经网络 259
13.2.1 谱域图卷积神经网络 259
13.2.2 切比雪夫网络 262
13.2.3 图卷积神经网络 263
13.3 图循环神经网络 265
13.3.1 不动点理论 266
13.3.2 归纳式图表示学 267
13.3.3 图注意力网络 269
13.4 消息传递神经网络 271
13.5 图神经网络模型的应用 273
13.5.1 图分类 273
13.5.2 知识图谱与注意力模型 274
13.5.3 基于图神经网络的系统 275
13.5.4 计算机视觉 276
13.6 本章小结 277
4章 深度强化学 278
14.1 强化学概述 278
14.2 马尔可夫决策过程 280
14.2.1 价值函数 281
14.2.2 动作价值函数 281
14.2.3 很优价值函数 282
14.2.4 策略迭代 282
14.2.5 价值迭代 283
14.3 q-learning算法 285
14.4 deep q-work强化学 288
14.5 蒙特卡罗算法 291
14.6 alphago强化学 292
14.6.1 alphago发展概述 292
14.6.2 alphago fan算法的 295
14.6.3 alphago zero算法的 300
14.7 强化学的应用 304
14.7.1 游戏领域 304
14.7.2 机器人控制领域 305
14.7.3 自然语言处理领域 305
14.7.4 其他领域 306
14.8 本章小结 306
5章 深度学的可解释 308
15.1 可解释的定义 309
15.2 可解释方法 309
15.2.1 模型透明度 309
15.2.2 模型功能 311
15.3 可视化方法分类 312
15.3.1 特征可视化 312
15.3.2 关系可视化 312
15.3.3 过程可视化 313
15.4 神经网络特征可视化 313
15.5 本章小结 317
6章 多模态预训练模型 319
16.1 预训练 320
16.2 多模态数据的特征表示 321
16.2.1 文本特征 321
16.2.2 图像特征 329
16.3 transformer模型 330
16.3.1 模型的基本结构 330
16.3.2 编码模型 331
16.3.3 解码模型 335
16.3.4 基于transformer模型的扩展 337
16.4 预训练模型学 342
16.4.1 预训练模型的学方式 342
16.4.2 预训练迁移学 346
16.5 大模型的训练与预测 348
16.5.1 大模型的共享模式和组合方式 348
16.5.2 多模态预训练方法 349
16.5.3 预训练模型实例 356
16.6 本章小结 359
附录a 主要符号 361
参文献 363
内容简介：
神经网络与深度学是人工智能研究的重要领域，是机器学的重要组成部分。人工智能是研究理解和模拟人类智能、智能行为及其规律的科学。本书紧紧围绕神经网络和深度学的基础知识体系进行系统的梳理，力求从基础理论、经典模型和前沿应用展开论述，便于读者能够较为全面地掌握深度学的相关知识。全书共 16 章。 章是绪论，简要介绍人工智能、机器学、神经网络与深度学的基本概念及相互关系，并对神经网络的发展历程和产生机理进行阐述；第2章介绍神经网络的基本神经元模型、网络结构、学方法、学规则、正则化方法、模型评估方法等基础知识；第3～8章介绍多层感知器神经网络、自组织竞争神经网络、径向基函数神经网络、卷积神经网络、循环神经网络、注意力机制与反馈网络；第9章介绍深度学网络优化的相关内容；0～13章介绍受限玻尔兹曼机和深度置信网络、栈式自、生成对抗网络和图神经网络；4 章介绍深度强化学；5章介绍深度学的可解释；6章介绍多模态预训练模型。深度学是源于对含有多个隐藏层的神经网络结构进行的研究，以便建立和模拟人脑的学过程。本书整理了人工神经网络从简单到复杂的模型，归纳和结了神经网络的理论、方法和应用实践。本书可以作为高等院校人工智能及相关专业或非计算机专业的参用书，也可以作为人工智能领域的科技工作者或科研机构工作人员的参用书。
作者简介：
赵眸光，博士，以互联网、大数据、机器学、计算机视觉和自然语言处理等内容为研究方向，服务于智慧城市产业化应用。大数据产业联合会会员，人工智能协会会员。大数据与人工智能智库专家。曾担任过首席架构专家、首席数据专家、企业信息资源规划专家。在清华从事过信息规划咨询，产学研合作、技术成果转化工作。从事过智慧城市的顶层设计规划工作。参与过多项项目评审工作。围绕数字金融、智慧医疗、智能交通、智能制造、智慧旅游、智慧教育、智慧园区等参与过多个项目和课题研究。出版过智慧城市、大数据、企业信息规划、信息安全等领域多本著作。从事过大型企业互联网、企业erp、me、云计算、大数据等信息化项目。
— 没有更多了 —
以下为对购买帮助不大的评价