深入淺出人工神經(jīng)網(wǎng)絡(luò)

定　價：￥69.00

作　者：	江永紅著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787115506665	出版時間：	2019-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	280	字數(shù)：

內(nèi)容簡介

　　作為一本講解人工神經(jīng)網(wǎng)絡(luò)原理的圖書，《深入淺出人工神經(jīng)網(wǎng)絡(luò)》旨在讓讀者在短的時間內(nèi)對這些原理知識有一個清晰明了的認識和理解。《深入淺出人工神經(jīng)網(wǎng)絡(luò)》總共分為3部分，總計9章。第1部分講解了人工神經(jīng)網(wǎng)絡(luò)的源頭—生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，第2部分講解了學習人工神經(jīng)網(wǎng)絡(luò)的數(shù)學知識，第3部分講解了幾種常見而典型的人工神經(jīng)網(wǎng)絡(luò)模型，比如感知器、多層感知器、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。《深入淺出人工神經(jīng)網(wǎng)絡(luò)》寫作風格簡潔明快，深入淺出，特別適合對人工神經(jīng)網(wǎng)絡(luò)/人工智能感興趣的入門級讀者。本書只聚焦原理性知識的講解，不涉及編程實現(xiàn)，即使對程序編碼尚不熟悉的讀者也可以輕松閱讀理解。本書還可用作高等院校以及相關(guān)培訓機構(gòu)的教學或參考用書。

作者簡介

　　江永紅博士，生于1965年，1981~1985年就讀于四川大學無線電電子學專業(yè)，獲學士學位；1985~1988年就讀于中國空間技術(shù)研究院通信與電子系統(tǒng)專業(yè)，獲碩士學位；1988~1992年就讀于西安電子科技大學通信與電子系統(tǒng)專業(yè)，獲博士學位，主要研究人工神經(jīng)網(wǎng)絡(luò)在模糊控制系統(tǒng)中的應用；1992~1995年于華南理工大學進行博士后研究工作，其間申請并主持了國家自然科學基金項目“基于神經(jīng)網(wǎng)絡(luò)的譜估計方法”。 20世紀90年代中后期，江永紅博士于新西蘭梅西大學開設(shè)并講授人工神經(jīng)網(wǎng)絡(luò)課程。20世紀90年代末期，入職華為技術(shù)有限公司，長期從事技術(shù)研發(fā)及培訓工作，曾擔任華為HCIE面試主考官，以及華為ICT技術(shù)認證系列書籍的審稿人。在他編寫的《HCNA網(wǎng)絡(luò)技術(shù)學習指南》一書中，華為全球培訓與認證部部長這樣評價：“江永紅博士在華為工作近20年，現(xiàn)為華為技術(shù)專家，且之前于國內(nèi)外高校從事過多年的教學工作，對于知識的學習及傳授方法有著深刻的領(lǐng)悟……” 江永紅博士目前為YESLAB講師，專門致力于人工神經(jīng)網(wǎng)絡(luò)、深度學習原理及應用的教學活動和知識普及工作。

圖書目錄

第 1章　背景知識 1
1．1　什么是智能 /　1
1．2　大腦與神經(jīng)元 /　2
1．3　關(guān)于人工智能/機器學習/神經(jīng)網(wǎng)絡(luò)/深度學習 /　7
第　2章函數(shù)　10
2．1　函數(shù)的極限 /　10
2．2　函數(shù)的連續(xù)性 /　13
2．3　導數(shù) /　14
2．4　凹凸性與拐點 /　21
2．5　極值與駐點 /　23
2．6　曲率 /　25
2．7　二元函數(shù) /　27
第3章　梯度　34
3．1　矢量的概念 /　34
3．2　矢量的運算 /　35
3．3　矢量與坐標 /　37
3．4　方向角與方向余弦 /　39
3．5　矢量的數(shù)量積 /　40
3．6　函數(shù)的梯度 /　42
第4章　矩陣　50
4．1　矩陣的概念及運算 /　50
4．2　矩陣的初等變換 /　54
4．3　矢量的矩陣表示法 /　57
4．4　矩陣的秩 /　58
4．5　矩陣的逆 /　63
4．6　從標量函數(shù)到矩陣函數(shù) /　69
第5章　MCP模型及感知器（Perceptron）　80
5．1　MCP模型 /　80
5．2　模式識別初探 /　84
5．3　感知器 /　88
5．4　凸集與單層感知器 /　94
5．5　XOR問題 /　98
第6章　多層感知器（MLP）　100
6．1　縱向串接 /　100
6．2　MLP的基本架構(gòu) /　102
6．3　BP算法 /　108
6．4　梯度下降法 /　120
6．5　極小值問題 /　121
6．6　學習率 /　123
6．7　批量訓練 /　125
6．8　欠擬合與過擬合 /　127
6．9　容量 /　128
6．10　拓撲 /　130
6．11　收斂曲線 /　132
6．12　訓練樣本集 /　133
6．13　權(quán)值連接方式 /　135
第7章　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）　137
7．1　插值的概念 /　137
7．2　RBF /　141
7．3　從精確插值到RBFNN /　148
7．4　Cover定理 /　151
7．5　空間分割問題 /　154
7．6　訓練策略 /　156
第8章　卷積神經(jīng)網(wǎng)絡(luò)（CNN）　157
8．1　卷積運算與相關(guān)運算 /　157
8．2　卷積核與特征映射圖 /　188
8．3　CNN的一般結(jié)構(gòu) /　195
8．4　三種思想 /　207
8．5　邊界策略 /　209
8．6　池化 /　211
8．7　CNN網(wǎng)絡(luò)實例 /　214
8．8　Hubel-Wiesel實驗 /　225
第9章　循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）　228
9．1　N-Gram模型 /　228
9．2　RNN示例 /　232
9．3　單向RNN /　237
9．4　BPTT算法 /　240
9．5　填空問題 /　255
9．6　雙向RNN /　263
9．7　梯度爆炸與梯度消失 /　265
9．8　LSTM /　269
結(jié)束語　278