新書推薦：
《
浪潮将至
》
售價：NT$
395.0
《
在虚无时代：与马克斯·韦伯共同思考
》
售價：NT$
260.0
《
日内交易与波段交易的资金风险管理
》
售價：NT$
390.0
《
自然信息图：一目了然的万物奇观
》
售價：NT$
640.0
《
女性史：古代卷（真正意义上的女性大历史）
》
售價：NT$
560.0
《
跨代伴侣治疗
》
售價：NT$
440.0
《
心理治疗中的真意：心理治疗师的心灵之旅
》
售價：NT$
440.0
《
无冕之王：齐桓公与齐国崛起
》
售價：NT$
290.0
|
| 編輯推薦： |
深度学习相关技术逐渐成为目前工业界和学术界探索和研究的重点，并且越来越多的相关算法在实际应用中取得了广泛的成功。这些算法的成功和发展离不开相关研究者对深度学习相关理论的探索。目前的深度学习算法依然存在黑盒属性、需要大量训练样本、可解释性差、调参困难、算法模型规模大、学习时效低等不足，并且和人类本身的学习方式及智能化水平相比，
仍有着巨大的发展空间。这些也要求我们深入理解当前深度学习的相关算法理论，针对其特性
和缺点不断加以改进提升。
本书的写作目的是将深度学习的相关算法理论和应用实践深入浅出地介绍给读者，力求使大学本科低年级学生能够理解和掌握相关内容。本书-共包含11章。第1章绪论，简要介绍人工智能、机器学习、深度学习的基本概念、发展历程和- -些典型的应用实例。第2和第3章，基于回归和基础分类两个基本模型介绍机器学习的基础知识，为后续深度学习相关内容提供知识基础。第4和第5章是深度学习的理论基础章节，阐述人工神经网络基础，学习模型的训练和优化算法改进方法，以及模型的相关效果评估和具体实现方式。第6和第7章是深度学习理论在图像数据和序列数据处理上的应用和发展，分别介绍卷积神经网络
|
| 內容簡介： |
深度学习是计算机科学的一个重要分支，是一种以人工神经网络为架构，对数据进行表征学习的算法的总称。深度学习是传统机器学习算法的发展和衍生，相关内容涉及代数、统计学、优化理论、矩阵计算等多个领域。《深度学习理论与实践》是深度学习的基础入门级教材，在内容上尽可能覆盖深度学习算法相关基础知识。全书共11章，大致可分为三大部分：第一部分(第1～3章)主要介绍机器学习的基础知识和一些传统算法；第二部分(第4～8章)主要介绍人工神经网络等的相关理论、优化算法和各类经典神经网络模型；第三部分(第9～11章)为进阶知识，主要介绍非监督学习和强化学习的相关算法。
在学习《深度学习理论与实践》的过程中，读者不仅要深入理解相关算法理论，更要多思多练。读者在阅读各章节内容后，可基于各章习题巩固知识，并将理论与实践结合，基于torch、tensorflow等深度学习平台在实际任务中演练所学理论知识和技能。本书可作为高等院校计算机或电子信息相关专业的本科生或研究生教材。
|
| 目錄：
|
第1章 绪论 1
1.1 疫情防控中的应用 3
1.2 自动驾驶中的应用 4
1.3 现代农业中的应用 5
第2章 基础回归模型 6
2.1 线性回归模型 6
2.1.1 一元线性回归 7
2.1.2 多元线性回归 7
2.1.3 多项式回归 9
2.2 参数估计模型 10
2.2.1 最小二乘估计 10
2.2.2 岭回归 12
2.2.3 套索回归 14
2.2.4 弹性回归 15
2.3 梯度下降算法 17
2.3.1 梯度的概念 17
2.3.2 梯度下降法算法 21
2.3.3 梯度下降算法分类 25
2.4 回归模型效果评估 27
2.4.1 平均绝对误差(MAE) 27
2.4.2 平均绝对百分比误差
MAPE) 27
2.4.3 均方误差(MSE) 28
2.4.4 均方根误差(RMSE) 28
2.4.5 均方根对数误差(RMSLE) 28
2.4.6 中位数绝对误差(MedAE) 28
2.4.7 决定系数(R2) 29
习题2 30
第3章 基础分类模型 32
3.1 逻辑回归 32
3.1.1 广义线性模型 32
3.1.2 逻辑回归模型 33
3.1.3 代价函数 35
3.1.4 模型求解 36
3.2 支持向量机 37
3.2.1 线性支持向量机 37
3.2.2 模型参数的求解 40
3.2.3 非线性支持向量机 41
3.3 决策树 43
3.3.1 算法简介 43
3.3.2 决策树的基本构建流程 44
3.3.3 特征选择与不纯性计算 45
3.3.4 C4.5算法 50
3.4 贝叶斯分类 51
3.4.1 相关数学概念 51
3.4.2 贝叶斯决策理论 53
3.4.3 极大似然估计 55
3.4.4 朴素贝叶斯分类器 56
3.4.5 半朴素贝叶斯分类器 58
3.5 分类模型效果评估 60
3.5.1 一级指标 60
3.5.2 二级指标 61
3.5.3 三级指标 62
习题3 64
第4章 人工神经网络基础 65
4.1 人工神经网络基础结构 65
4.1.1 人工神经元 65
4.1.2 单层神经网络 66
4.1.3 多层神经网络 67
4.2 神经网络的向量化表示与主要函数 68
4.2.1 神经网络的向量化表示 68
4.2.2 常用激活函数 69
4.2.3 常见损失函数 72
4.3 正向传播与反向传播 73
4.3.1 正向传播 73
4.3.2 反向传播 74
4.4 深度学习平台简介 77
习题4 80
第5章 人工神经网络优化 81
5.1 人工神经网络的特点和主要
问题 81
5.2 模型优化表征能力提外
方法 82
5.2.1 模型的规模提升与结构选择 82
5.2.2 数据预处理 85
5.2.3 模型参数初始化 86
5.2.4 模型结构优化 89
5.2.5 模型的超参设定 92
5.3 优化算法改进方法 95
5.3.1 指数加权平均 95
5.3.2 基于动量的梯度下降法 96
5.3.3 AdaGrad & RMSprop算法 97
5.3.4 Adam算法 99
5.3.5 近似梯度计算 100
5.4 模型效果评估与泛化能力提外方法 104
5.4.1 训练集、验证集、测试集
划分 104
5.4.2 欠拟合与过拟合 105
5.4.3 正则化 106
5.4.4 丢弃法 107
5.4.5 提前停止法 109
5.4.6 误差分析 110
习题5 110
第6章 卷积神经网络 112
6.1 卷积神经网络基础 112
6.1.1 卷积运算 113
6.1.2 池化操作 116
6.1.3 卷积神经网络构成 116
6.1.4 反向传播 118
6.2 经典的卷积神经网络模型 121
6.2.1 AlexNet 121
6.2.2 VGG网络 124
6.2.3 GoogleNet(Inception) 126
6.2.4 ResNet 128
6.2.5 DenseNet 132
6.2.6 SqueezeNet 134
习题6 135
第7章 循环神经网络 137
7.1 循环神经网络基础 137
7.1.1 循环神经网络的基础结构 137
7.1.2 不同类型的循环神经网络 138
7.1.3 正向传播 140
7.1.4 反向传播 141
7.2 经典的循环神经网络模型 144
7.2.1 LSTM 144
7.2.2 GRU 147
7.2.3 双向循环神经网络 148
7.2.4 多层循环神经网络模型 149
7.2.5 Seq-to-Seq模型 150
习题7 152
第8章 注意力机制及其应用 154
8.1 注意力机制 154
8.1.1 注意力机制模型构建流程 155
8.1.2 多头注意力机制 157
8.2 自注意力模型 157
8.3 Transformer模型 159
8.3.1 编码器 160
8.3.2 解码器 160
8.3.3 多头自注意力 160
8.3.4 位置信息编码 161
8.4 自然语言处理中的注意力
模型 162
8.4.1 自然语言处理背景介绍 162
8.4.2 Word2vec原理与训练
模式 163
8.4.3 ELMo 174
8.4.4 GPT模型 176
8.4.5 Bert模型 179
习题8 180
第9章 图神经网络 181
9.1 图的概述 182
9.1.1 图的基本定义 182
9.1.2 图的基本类型 182
9.1.3 图的存储 184
9.1.4 图的应用 184
9.2 图信号处理 186
9.2.1 图的拉普拉斯矩阵 186
9.2.2 图的傅里叶变换 188
9.3 图卷积网络 190
9.3.1 图卷积网络的演化 191
9.3.2 一般图卷积网络 192
9.4 空间域图神经网络 194
9.4.1 GNN的通用框架 194
9.4.2 GraphSAGE 198
9.4.3 图自注意力网络 199
9.4.4 Graphormer 201
习题9 203
第10章 无监督学习 204
10.1 聚类 205
10.1.1 k-Means聚类 205
10.1.2 k-Means 聚类算法 207
10.2 无监督特征学习 208
10.2.1 主成分分析 208
10.2.2 自编码器 210
10.2.3 生成对抗网络 214
习题10 218
第11章 强化学习 220
11.1 强化学习概述 220
11.1.1 强化学习的理论基础 221
11.1.2 强化学习的分类 223
11.1.3 强化学习的应用 224
11.2 马尔可夫决策过程 225
11.2.1 价值函数 226
11.2.2 最优价值函数求解 228
11.2.3 马尔可夫决策过程实例 229
11.3 模型强化学习 230
11.3.1 策略评估 231
11.3.2 策略改进 232
11.3.3 策略迭代 233
11.4 无模型强化学习 233
11.4.1 蒙特卡罗强化学习 234
11.4.2 时序差分学习 237
11.4.3 价值函数近似 241
11.4.4 深度Q-learning 243
习题11 244
参考文献 246
|
| 內容試閱：
|
自古以来，人类文明的发展始终伴随着对智能化的不懈追求。早期的人类通过总结经验、发现规律来改善工具，提升生产、生活的智能化水平。人类社会进入工业化时代以后，随着科学技术的发展和相关知识的演进，工具的智能化水平得到快速提升。近年来，随着计算机、互联网等的兴起，人类社会步入大数据时代。当前，智能化相关的研究成果呈井喷式爆发。与此同时，新的生活和生产环境又对智能化技术的演进提出了更高的要求。习近平总书记在党的二十大报告中强调，要加强科技基础能力建设，推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术等一批新的增长引擎。
深度学习相关技术逐渐成为目前工业界和学术界探索和研究的重点，并且越来越多的相关算法在实际应用中取得了广泛的成功。这些算法的成功和发展离不开相关研究者对深度学习相关理论的探索。目前的深度学习算法依然存在黑盒属性、需要大量训练样本、可解释性差、调参困难、算法模型规模大、学习时效低等不足，并且和人类本身的学习方式及智能化水平相比，仍有着巨大的发展空间。这些也要求我们深入理解当前深度学习的相关算法理论，针对其特性和缺点不断加以改进提升。
本书的写作目的是将深度学习的相关算法理论和应用实践深入浅出地介绍给读者，力求使大学本科低年级学生能够理解和掌握相关内容。本书一共包含11章。第1章绪论，简要介绍人工智能、机器学习、深度学习的基本概念、发展历程和一些典型的应用实例。第2和第3章，基于回归和基础分类两个基本模型介绍机器学习的基础知识，为后续深度学习相关内容提供知识基础。第4和第5章是深度学习的理论基础章节，阐述人工神经网络基础，学习模型的训练和优化算法改进方法，以及模型的相关效果评估和具体实现方式。第6和第7章是深度学习理论在图像数据和序列数据处理上的应用和发展，分别介绍卷积神经网络及其经典模型、循环神经网络及其经典模型。第8章是深度学习理论在自然语言处理问题上的拓展和应用，重点阐述注意力机制及其经典模型，并探讨模型在自然语言处理中的算法演进。第9章是深度学习理论在网络图数据处理问题上的拓展和应用，重点阐述基于谱域和空间域的各类图神经网络模型。第10章探讨针对无监督特征学习问题的传统机器学习算法和相关深度学习模型。第11章介绍强化学习的相关理论和经典模型。
本书由主编曹文明负责整体编写和质量把控；王浩负责章节规划以及第3章到第8章的编写；全智负责第1章和第2章的编写；何志权负责第9章的编写；温阳负责第10章和第11章的编写。此外，感谢广东省多媒体信息服务工程技术中心全体人员的帮助，感谢张婉莹、钟建奇、刘启凡、闫志越、宋晓宝、陈作胜、刘伊善、张汝君、蓝旭佳、熊敏等在材料收集、校稿等方面的建议和帮助。
因作者能力有限，书中难免有不当之处，还望读者海涵和指正。
本书提供教学课件、教学大纲、电子教案和教学视频，读者可扫下列二维码获取学习。
教学课件 教学大纲 电子教案 教学视频
曹文明 王浩 全智 何志权 温阳
于深圳大学
2023年8月
|
|
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
