新書推薦：
《
迷失的盛宴：中国商业保险史：1919—2023
》
售價：NT$
718.0
《
甲骨文丛书·血色战场：阿勒颇争夺战与中世纪中东
》
售價：NT$
359.0
《
大萧条的孩子们：社会变迁中的个人生命历程（贝页）
》
售價：NT$
614.0
《
世界记忆总冠军高效记忆法
》
售價：NT$
354.0
《
朝贡圈
》
售價：NT$
354.0
《
政治的视野（第一卷）
》
售價：NT$
437.0
《
人间失格：《文豪野犬》联动版
》
售價：NT$
182.0
《
古典与文明·希罗多德的历史方法
》
售價：NT$
411.0
|
| 內容簡介： |
|
神经网络与深度学习是人工智能研究的重要领域，是机器学习的重要组成部分。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习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习的相关知识。全书共 16 章。第 1 章是绪论，简要介绍人工智能、机器学习、神经网络与深度学习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、学习方法、学习规则、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章介绍深度学习网络优化的相关内容；第 10～13章介绍受限玻尔兹曼机和深度置信网络、栈式自编码器、生成对抗网络和图神经网络；第 14 章介绍深度强化学习；第15章介绍深度学习的可解释性；第16章介绍多模态预训练模型。深度学习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习过程。本书整理了人工神经网络从简单到复杂的模型，归纳和总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考用书，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考用书。
|
| 關於作者： |
|
赵眸光，博士，以工业互联网、大数据、机器学习、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、MES、云计算、大数据等信息化项目。
|
| 目錄：
|
|
第1章 绪论11.1 与深度学习有关的几个概念11.1.1 人工智能21.1.2 机器学习41.1.3 表示学习101.1.4 机器学习、神经网络及深度学习的关系121.1.5 深度学习常用的框架141.2 神经网络与深度学习的发展历程151.2.1 神经网络的诞生161.2.2 神经网络的复兴161.2.3 深度学习的崛起171.3 神经网络的产生机理181.3.1 大脑研究的基本情况191.3.2 脑组织的基本组成201.3.3 脑组织的分层结构221.3.4 大脑的基本工作原理221.4 生物神经网络基础251.4.1 神经元的基本结构251.4.2 神经元的基本分类281.4.3 神经元的信息传递机理281.4.4 生物神经网络的构成311.5 本书的知识框架体系321.6 本章小结33第2章 人工神经网络计算352.1 神经网络概述352.2 人工神经元模型362.2.1 基本神经元模型362.2.2 常用激活函数382.2.3 Softmax输出分类422.3 神经网络结构432.3.1 单层前馈网络442.3.2 多层前馈网络452.3.3 反馈网络462.3.4 图网络462.4 神经网络的学习方法472.4.1 无监督学习的Hebb算法482.4.2 监督学习的Delta规则492.5 神经网络的损失函数502.5.1 均方差损失函数502.5.2 平均绝对误差损失函数502.5.3 交叉熵损失函数512.6 神经网络的学习规则552.6.1 极大似然估计552.6.2 经验风险最小化准则572.6.3 过拟合与欠拟合572.7 梯度下降法582.7.1 一维梯度下降592.7.2 多维梯度下降602.7.3 随机梯度下降612.8 网络正则化方法622.8.1 L1和L2正则化622.8.2 提前停止632.8.3 权重衰减642.8.4 丢弃法642.8.5 数据增强692.8.6 标签平滑692.9 模型评估方法702.9.1 混淆矩阵702.9.2 准确率、精确率、召回率712.9.3 ROC/AUC/PR曲线722.10 本章小结74第3章 多层感知器神经网络753.1 感知器及其发展过程753.2 感知器学习算法763.2.1 离散单输出感知器学习算法763.2.2 离散多输出感知器学习算法773.2.3 多层感知器线性处理问题793.3 多层感知器的算法实现823.4 反向传播算法843.4.1 反向传播多层感知器模型843.4.2 反向传播算法的原理853.4.3 反向传播算法的执行步骤893.4.4 梯度消失和梯度爆炸问题913.4.5 反向传播网络的数据拟合问题923.5 本章小结97第4章 自组织竞争神经网络984.1 竞争学习的概念与原理984.1.1 竞争学习规则984.1.2 竞争学习原理1004.2 SOFM网络1014.2.1 SOFM网络结构1014.2.2 运行原理1024.2.3 学习过程1034.2.4 两阶段学习1044.3 ART网络1054.3.1 ART网络结构1054.3.2 网络运行与训练1074.3.3 网络运行的参数说明1084.4 自组织竞争神经网络的算法实现1084.5 本章小结109第5章 径向基函数神经网络1115.1 径向基函数介绍及结构1115.2 函数逼近与内插1125.2.1 插值问题的定义1125.2.2 径向基函数的一般形式1125.2.3 径向基函数的性质1135.3 正则化理论1145.4 径向基函数神经网络学习1175.4.1 随机选取径向基函数中心1175.4.2 自组织学习选取径向基函数中心1185.4.3 有监督学习选取径向基函数中心1195.5 本章小结120第6章 卷积神经网络1226.1 卷积神经网络的概念及特点1226.1.1 卷积的定义1226.1.2 卷积的变形1236.1.3 卷积与互相关操作1246.1.4 卷积神经网络的特点1256.2 卷积神经网络的基本结构1266.2.1 卷积层1276.2.2 汇聚层1316.2.3 全连接层1336.2.4 输出层1346.3 卷积神经网络参数学习1346.4 卷积神经网络常用模型1376.4.1 LeNet模型1376.4.2 AlexNet模型1396.4.3 VGGNet模型1406.4.4 GoogLeNet模型1416.4.5 ResNet模型1466.4.6 DenseNet模型1486.5 卷积神经网络的算法实现1496.6 本章小结152第7章 循环神经网络1537.1 循环神经网络的概念1537.2 循环神经网络模型1547.3 循环神经网络参数学习1567.3.1 BPTT算法1567.3.2 RTRL算法1577.4 网络梯度问题改进1577.5 长短期记忆1587.6 门控循环单元网络1617.7 深度循环神经网络1627.7.1 堆叠循环神经网络1627.7.2 双向循环神经网络1637.8 循环神经网络算法实现——手写体数字识别问题1647.9 本章小结168第8章 注意力机制与反馈网络1698.1 注意力机制网络1708.1.1 注意力机制网络的概念及分类1708.1.2 自注意力模型1748.2 离散型Hopfield神经网络1768.2.1 网络的结构与工作方式1768.2.2 网络的能量状态分析1788.2.3 网络吸引子的性质1818.3 连续型Hopfield神经网络1838.3.1 网络的拓扑结构1838.3.2 网络的能量与稳定性分析1858.4 Hopfield神经网络应用实例1868.5 Hopfield神经网络求解TSP1908.6 本章小结192第9章 深度学习网络优化1939.1 参数初始化1939.1.1 固定方差参数初始化1949.1.2 方差缩放参数初始化1959.1.3 正交初始化1979.2 数据预处理1989.3 逐层归一化2019.3.1 批量归一化2019.3.2 层归一化2039.3.3 权重归一化2049.3.4 局部响应归一化2059.4 超参数优化2059.4.1 网格搜索2069.4.2 随机搜索2069.4.3 贝叶斯优化2079.4.4 动态资源分配2089.4.5 神经架构搜索2089.5 优化算法2099.5.1 空间变量的非凸优化2099.5.2 Momentum2109.5.3 NAG2119.5.4 AdaGrad2119.5.5 AdaDelta2129.5.6 RMSProp2129.5.7 Adam2129.6 本章小结213第10章 受限玻尔兹曼机和深度置信网络21410.1 概率图模型21410.2 受限玻尔兹曼机的基本结构21510.3 受限玻尔兹曼机的能量模型和似然函数21610.4 受限玻尔兹曼机的学习任务21710.4.1 最优参数的梯度计算21710.4.2 吉布斯采样21910.4.3 对比散度算法22010.5 深度置信网络22210.5.1 网络模型22210.5.2 网络训练算法22310.6 深度置信网络的应用22510.6.1 音频特征提取22510.6.2 多模态数据建模22610.7 本章小结228第11章 栈式自编码器23011.1 自编码器23011.2 稀疏自编码器23311.3 栈式自编码器的原理23411.4 降噪自编码器23411.5 自编码器的图像还原23611.6 自编码器的机器翻译应用23811.7 本章小结239第12章 生成对抗网络24012.1 深度生成模型24012.1.1 概率密度估计24112.1.2 生成样本24112.2 生成对抗网络的基本结构24212.3 原始-对偶次梯度方法训练24612.4 生成对抗网络的应用24912.4.1 人脸图像的生成24912.4.2 生成对抗网络的算法实现25112.5 本章小结252第13章 图神经网络25413.1 图网络概述25413.1.1 图的定义25413.1.2 图数据网络的性质和特点25613.1.3 图神经网络的发展25713.2 图卷积神经网络25913.2.1 谱域图卷积神经网络25913.2.2 切比雪夫网络26213.2.3 图卷积神经网络26313.3 图循环神经网络26513.3.1 不动点理论26613.3.2 归纳式图表示学习26713.3.3 图注意力网络26913.4 消息传递神经网络27113.5 图神经网络模型的应用27313.5.1 图分类27313.5.2 知识图谱与注意力模型27413.5.3 基于图神经网络的推荐系统27513.5.4 计算机视觉27613.6 本章小结277第14章 深度强化学习27814.1 强化学习概述27814.2 马尔可夫决策过程28014.2.1 价值函数28114.2.2 动作价值函数28114.2.3 最优价值函数28214.2.4 策略迭代28214.2.5 价值迭代28314.3 Q-Learning算法28514.4 Deep Q-Network强化学习28814.5 蒙特卡罗算法29114.6 AlphaGo强化学习29214.6.1 AlphaGo发展概述29214.6.2 AlphaGo Fan算法的原理29514.6.3 AlphaGo Zero算法的原理30014.7 强化学习的应用30414.7.1 游戏领域30414.7.2 机器人控制领域30514.7.3 自然语言处理领域30514.7.4 其他领域30614.8 本章小结306第15章 深度学习的可解释性30815.1 可解释性的定义30915.2 可解释性方法30915.2.1 模型透明度30915.2.2 模型功能31115.3 可视化方法分类31215.3.1 特征可视化31215.3.2 关系可视化31215.3.3 过程可视化31315.4 神经网络特征可视化31315.5 本章小结317第16章 多模态预训练模型31916.1 预训练32016.2 多模态数据的特征表示32116.2.1 文本特征32116.2.2 图像特征32916.3 Transformer模型33016.3.1 模型的基本结构33016.3.2 编码模型33116.3.3
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
