深度学习的理论基础与核心算法 清华大学 9787302630715 编者:焦李成//杨淑媛//刘芳//刘旭//田晨曦等|责编:王芳
新华书店全新正版书籍图书 保证_可开发票_极速发货支持7天无理由
￥ 65.4 6.6折 ￥ 99 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者编者:焦李成//杨淑媛//刘芳//刘旭//田晨曦等|责编:王芳
出版社清华大学
ISBN9787302630715
出版时间2023-12
装帧平装
开本其他
定价99元
货号31945066
上书时间2024-06-30
- 最新上架
![霍比特人 上海人民 9787208186637 [英] J.R.R.托尔金（J.R.R.Tolkien） 著](https://www0.kfzimg.com/sw/kfz-cos/kfzimg/aacfbaee/2ddffdac950ef25d_s.jpg)
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
焦李成，欧洲科学院外籍院士，俄罗斯自然科学院外籍院士，IEEEFellow。现任西安电子科技大学计算机科学与技术学部主任、人工智能研究院院长、智能感知与图像理解教育部重点实验室主任、教育部科技委学部委员、教育部人工智能科技创新专家组专家、首批入选国家百千万人才工程（第一二层次）、教育部长江学者计划创新团队负责人、“一带一路”人工智能创新联盟理事长，陕西省人工智能产业技术创新战略联盟理事长，中国人工智能学会第六-七届副理事长，IEEE/IET/CAAI/CAA/CIE/CCFFellow，连续七年入选爱思唯尔高被引学者榜单。主要研究方向为智能感知与量子计算、图像理解与目标识别、深度学习与类脑计算。曾获国家自然科学奖二等奖、吴文俊人工智能杰出贡献奖、霍英东青年教师奖、全国模范教师称号、中国青年科技奖、及省部级一等奖以上科技奖励十余项。
目录
第1章 数学基础
1.1 线性代数
1.1.1 向量及其运算
1.1.2 矩阵及其运算
1.1.3 矩阵分解
1.2 概率论
1.2.1 概率与随机变量
1.2.2 期望、方差和协方差
1.2.3 常见的概率分布
1.2.4 共轭分布
1.3 信息论
1.3.1 熵的定义
1.3.2 互信息
1.3.3 交叉熵
1.3.4 Kullback-Leibler散度
参考文献
第2章 深度神经网络的逼近基础理论
2.1 函数的最佳平方逼近
2.1.1 正交多项式的定义与性质
2.1.2 常用的正交多项式
2.1.3 构造正交多项式的一般方法
2.1.4 最佳平方逼近的概念及计算
2.1.5 用正交多项式做最佳平方逼近
2.2 曲线拟合的最小二乘法
2.2.1 最小二乘法
2.2.2 用多项式作最小二乘曲线拟合
2.3 三角多项式逼近与快速傅里叶变换
2.3.1 最佳平方三角逼近与三角插值
2.3.2 快速傅里叶变换
2.4 多项式的万能逼近性质
2.5 从函数逼近的角度解释神经网络
2.6 本章小结
参考文献
第3章 深度神经网络的函数逼近
3.1 基本的ReLU网络定义
3.2 乘法、多项式、光滑函数的逼近
3.2.1 乘法函数的逼近
3.2.2 多项式函数的逼近
3.2.3 光滑函数的逼近
3.3 正余弦函数的逼近
3.3.1 余弦函数的逼近
3.3.2 正弦函数的逼近
3.4 神经网络的万能逼近性质和深度的必要性
3.5 本章小结
附录
参考文献
第4章 深度神经网络的复杂函数逼近
4.1 神经网络的逼近
4.1.1 Kolmogorov-Donoho数据率失真理论
4.1.2 字典逼近
4.1.3 神经网络的表示
4.1.4 神经网络最佳M项逼近表示
4.1.5 字典逼近转换为神经网络逼近
4.2 仿射系统的神经网络逼近
4.2.1 仿射系统的定义
4.2.2 仿射系统对神经网络逼近的影响
4.2.3 神经网络对仿射系统逼近证明
4.3 振荡纹理
4.3.1 振荡纹理的定义
4.3.2 振荡纹理的多项式逼近
4.3.3 振荡纹理的指数级逼近
4.4 Weierstrass函数
4.4.1 weierstrass函数的定义
4.4.2 weierstrass函数的指数级逼近
4.5 本章小结
参考文献
第5章 深度神经网络与多尺度几何逼近系统
5.1 小波分析与多尺度几何分析
5.1.1 由傅里叶到小波分析理论
……
第6章 深度特征网络的构造理论
第7章 学习表征编码器的构造理论
第8章 多尺度几何深度网络理论
第9章 复数深度学习网络
第10章 拟合问题
第11章 正则化理论
第12章 泛化理论
第13章 学习可解释性
第14章 收敛性理论
第15章 学习模型的复杂度
第16章 一阶优化方法
第17章 高阶优化方法
第18章 启发式学习优化
第19章 进化深度学习
第20章 离散优化问题
第21章 非凸优化
第22章 非负矩阵深度学习分解
第23章 稀疏张量深度学习分解
第24章 线性方程组的深度学习求解
第25章 微分方程的深度学习求解
第26章 深度学习分类
第27章 深度学习聚类
第28章 深度学习回归
内容摘要
本书旨在给出深度学习的理论基础和核心算法的主要内容，从而有利于读者和研究者系统地掌握理论结构和脉络。本书首先介绍了深度学习的相关数学基础，主要包括线性代数、概率论、
信息论三部分随后系统地介绍了深度学习的重点内容，主要分为五方面：深度学习的通近理论、深度学习的表征理论、深度学习的学习理论、深度学习的优化理论、
深度学习的核心算法。
本书可作为高等院校智能科学与技术、人工智能、
计算机科学、电子科学与技
术、控制科学与工程等专业本科生和研究生的教材，还可供对人工智能技术及其应用感兴趣的工程技术人员参
考。
主编推荐
本书旨在给出深度学习的理论基础和核心算法的主要内容，从而有利于读者和研究者系统的掌握理论结构和脉络。全书在理论方面，兼顾人工智能数学基础知识与领域近期新原创基础理论，为推动下一代人工智能、下一代深度学习的发展提供坚实的理论支撑；面向关键核心技术，以核心算法为驱动，抽取出最关键普适的技术思想，提炼简洁可复用的知识模型，提出更有力的新方法，为发展更有力的新方法提供“源头活水”。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价