深度学习：基于Matlab的设计实例

图书标准信息

• 作者 [韩]Phil、Kim 著
• 出版社 北京航空航天大学出版社
• 出版时间 2018-03
• 版次 1
• ISBN 9787512426665
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 189页

【内容简介】

深度学习：基于Matlab的设计实例

 

本书共包含6章内容,可以分为3个主题。书中例子均用MATLAB编写而成。

 

第1个主题是机器学习。深度学习起源于机器学习,这意味着如果想要理解深度学习的本质,就必须在某种程度上知道机器学习背后的理念。第1章从机器学习与深度学习的关系开始讲起,随后是解决问题的策略和机器学习的基本局限性。

 

第2个主题是人工神经网络这是第2~4章的重点内容。由于深度学习就是采用一种神经网络的机器学习,所以不能将神经网络与深度学习分开。第2章从神经网络的基本概念讲起:它的工作原理、体系结构和学习规则,也讲到了神经网络由简单的单层结构演化为复杂的多层结构的原因。第3章介绍了反向传播算法,它是神经网络中一种重要和典型的学习规则,深度学习也使用这种算法。本章解释了代价函数和学习规则是如何联系起来的,哪一种代价函数在深度学习中被广泛使用。第4章介绍了将神经网络应用到分类问题中的方法。其中单列一节专门讲分类,因为它是目前流行的一种深度学习应用。例如图像识别是一个分类问题,也是深度学习的一种主要应用。

 

第3个主题是深度学习,也是本书的重点,将在第5章和第6章中讲解。第5章介绍了使深度学习能够产生卓越性能的驱动因素。第6章讲解了卷积神经网络,本章首先介绍了卷积神经网络的基本概念和结构,并与前面的图像识别算法进行了比较;随后解释了卷积层和池化层的作用和运算方法,它们是卷积神经网络的重要组成部分。第6章也包含了一个用卷积神经网络进行数字图像识别的例子,并研究了图像通过各层的演化过程。

 

 

 

【作者简介】

Phil Kim，博士，从事无人驾驶飞机自主飞行算法和机载软件的开发和研制工作。同时，他作为一名经验丰富的MATLAB程序员，一直致力于使用MATLAB进行人工智能、深度学习的大数据集绘制和分析算法的研究，先后在美国出版了MATLAB Deep Learning: with Machine Learning, Neural Networks and Artificial Intelligence和Deep Learning for Beginners: with MATLAB Examples 等书籍，在人工智能和MATLAB领域享有较高声誉。

 

译者简介

 

邹伟，副研究员，北京睿客邦科技有限公司CEO，并成立了中科院邹博人工智能研究中心（杭州站）等产研机构；研究方向为机器学习、数据挖掘、计算几何等领域，研究成果已成功应用于大型气象设备的图像与文本挖掘、金融产品AI化、股票交易与预测、高速公路流量预测和分析、传统农资产品价格预测和决策等领域；获得发明专利4项，著作权3个。

 

【目录】

第1章 机器学习 

 

1.1 机器学习与深度学习 

 

1.2 什么是机器学习 

 

1.3 机器学习的挑战 

 

1.4 过拟合 

 

1.5 直面过拟合 

 

1.6 机器学习的类型 

 

1.7 分类和回归 

 

1.8 总 结 

 

第2章 神经网络 

 

2.1 概 述 

 

2.2 神经网络节点 

 

2.3 多层神经网络 

 

2.4 神经网络的监督学习 

 

2.5 单层神经网络训练:增量规则 

 

2.6 广义增量规则 

 

2.7 随机梯度下降算法、批量算法和小批量算法 

 

2.7.1 随机梯度下降算法 

 

2.7.2 批量算法 

 

2.7.3 小批量算法 

 

2.8 示例:增量规则 

 

2.8.1 随机梯度下降算法的实现 

 

2.8.2 批量算法的实现 

 

2.8.3 随机梯度下降算法与批量算法的比较 

 

2.9 单层神经网络的局限性

 

2.10 总 结

 

第3章 训练多层神经网络

 

3.1 概 述

 

3.2 反向传播算法

 

3.3 示 例 

 

3.3.1 XOR问题

 

3.3.2 动量法(Momentum)

 

3.4 代价函数和学习规则

 

3.5 示 例 

 

3.5.1 交叉熵函数 

 

3.5.2 代价函数的比较 

 

3.6 总 结 

 

第4章 神经网络及其分类 

 

4.1 概 述 

 

4.2 二分类

 

4.3 多分类

 

4.4 示例:多分类 

 

4.5 总 结

 

第5章 深度学习

 

5.1 概 述 

 

5.2 深度神经网络的进化 

 

5.2.1 梯度消失 

 

5.2.2 过拟合

 

5.2.3 计算量的增加 

 

5.3 示 例

 

5.3.1 ReLU 函数 

 

5.3.2 节点丢弃 

 

5.4 总 结

 

第6章 卷积神经网络 

 

6.1 概 述 

 

6.2 卷积神经网络的架构

 

6.3 卷积层

 

6.4 池化层 

 

6.5 示例:MNIST

 

6.6 总 结 

 

索 引