神經(jīng)網(wǎng)絡(luò)與深度學習

定　價：￥149.00

作　者：	邱錫鵬著
出版社：	機械工業(yè)出版社
叢編項：	人工智能技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥149.00)

ISBN：	9787111649687	出版時間：	2020-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	448	字數(shù)：

內(nèi)容簡介

　　本書是深度學習領(lǐng)域的入門教材，系統(tǒng)地整理了深度學習的知識體系，并由淺入深地闡述了深度學習的原理、模型以及方法，使得讀者能全面地掌握深度學習的相關(guān)知識，并提高以深度學習技術(shù)來解決實際問題的能力。全書共15章，分為三個部分。 ·第一部分為機器學習基礎(chǔ)：第1章是緒論，介紹人工智能、機器學習、深度學習的概要，使讀者全面了解相關(guān)知識；第2~3章介紹機器學習的基礎(chǔ)知識。 ·第二部分是基礎(chǔ)模型：第4～6章分別講述三種主要的神經(jīng)網(wǎng)絡(luò)模型：前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；第7章介紹神經(jīng)網(wǎng)絡(luò)的優(yōu)化與正則化方法；第8章介紹神經(jīng)網(wǎng)絡(luò)中的注意力機制和外部記憶；第9章簡要介紹一些無監(jiān)督學習方法；第10章介紹一些模型獨立的機器學習方法，包括集成學習、自訓練、協(xié)同訓練、多任務(wù)學習、遷移學習、終身學習、元學習等。 ·第三部分是進階模型：第11章介紹概率圖模型的基本概念，為后面的章節(jié)進行鋪墊；第12章介紹兩種早期的深度學習模型：玻爾茲曼機和深度信念網(wǎng)絡(luò)；第13章介紹深度生成模型，包括變分自編碼器和生成對抗網(wǎng)絡(luò)；第14章介紹深度強化學習；第15章介紹應用十分廣泛的序列生成模型。本書可作為高等院校人工智能、計算機、自動化、電子和通信等相關(guān)專業(yè)的研究生或本科生教材，也可供相關(guān)領(lǐng)域的研究人員和工程技術(shù)人員參考。本書還配備了教學PPT、編程練習以及課后習題的討論，獲取方式： 1.微信關(guān)注“華章計算機”（微信號：hzbook_jsj） 2.在后臺回復關(guān)鍵詞：蒲公英書

作者簡介

　　邱錫鵬復旦大學計算機科學技術(shù)學院教授、博士生導師，于復旦大學獲得理學學士和博士學位。主要研究領(lǐng)域包括自然語言處理、機器學習、深度學習等，在相關(guān)領(lǐng)域的權(quán)威國際期刊、會議上發(fā)表學術(shù)論文60余篇，獲得計算語言學國際會議ACL 2017杰出論文獎、全國計算語言學會議CCL 2019最佳論文獎，2015年入選首屆中國科協(xié)青年人才托舉工程，2018年獲得中國中文信息學會“錢偉長中文信息處理科學技術(shù)獎青年創(chuàng)新一等獎”，入選由“清華—中國工程院知識智能聯(lián)合研究中心和清華大學人工智能研究院”聯(lián)合發(fā)布的2020年人工智能（AI）全球具影響力學者提名。該排名參考過去十年人工智能各子領(lǐng)域最有影響力的會議和期刊發(fā)表論文的引用情況，排名前10的學者當選該領(lǐng)域當年影響力學者獎，排名前100的其他學者獲影響力學者提名獎。作為項目負責人開源發(fā)布了兩個自然語言處理開源系統(tǒng)FudanNLP和FastNLP，獲得了學術(shù)界和產(chǎn)業(yè)界的廣泛使用。目前擔任中國中文信息學會青年工作委員會執(zhí)行委員、計算語言學專委會委員、語言與知識計算專委會委員，中國人工智能學會青年工作委員會常務(wù)委員、自然語言理解專委會委員。

圖書目錄

序
前言
常用符號表
第1章緒論3
1.1人工智能...............................4
1.2機器學習...............................7
1.3表示學習...............................8
1.4深度學習...............................11
1.5神經(jīng)網(wǎng)絡(luò)...............................13
1.6本書的知識體系...........................17
1.7常用的深度學習框架.........................18
1.8總結(jié)和深入閱讀...........................20
第2章機器學習概述23
2.1基本概念...............................24
2.2機器學習的三個基本要素......................26
2.3機器學習的簡單示例——線性回歸.................33
2.4偏差-方差分解............................38
2.5機器學習算法的類型.........................41
2.6數(shù)據(jù)的特征表示...........................43
2.7評價指標...............................46
2.8理論和定理..............................49
2.9總結(jié)和深入閱讀...........................51
第3章線性模型
3.1線性判別函數(shù)和決策邊界......................56
3.2Logistic回歸.............................59
3.3Softmax回歸.............................61
3.4感知器.................................64
3.5支持向量機..............................71
3.6損失函數(shù)對比.............................75
3.7總結(jié)和深入閱讀...........................76
第二部分基礎(chǔ)模型
第4章前饋神經(jīng)網(wǎng)絡(luò)81
4.1神經(jīng)元.................................82
4.1.1Sigmoid型函數(shù).......................83
4.1.2ReLU函數(shù)..........................86
4.1.3Swish函數(shù)..........................88
4.1.4GELU函數(shù)..........................89
4.1.5Maxout單元.........................89
4.2網(wǎng)絡(luò)結(jié)構(gòu)...............................90
4.3前饋神經(jīng)網(wǎng)絡(luò).............................91
4.4反向傳播算法.............................95
4.5自動梯度計算.............................98
4.6優(yōu)化問題...............................103
4.7總結(jié)和深入閱讀...........................104
第5章卷積神經(jīng)網(wǎng)絡(luò)109
5.1卷積..................................110
5.2卷積神經(jīng)網(wǎng)絡(luò).............................115
5.3參數(shù)學習...............................120
5.4幾種典型的卷積神經(jīng)網(wǎng)絡(luò)......................121
5.5其他卷積方式.............................127
5.6總結(jié)和深入閱讀...........................130
第6章循環(huán)神經(jīng)網(wǎng)絡(luò)133
6.1給網(wǎng)絡(luò)增加記憶能力.........................134
6.2簡單循環(huán)網(wǎng)絡(luò).............................135
6.3應用到機器學習...........................138
6.4參數(shù)學習...............................140
6.5長程依賴問題.............................143
6.5.1改進方案...........................144
6.6基于門控的循環(huán)神經(jīng)網(wǎng)絡(luò)......................145
6.7深層循環(huán)神經(jīng)網(wǎng)絡(luò)..........................149
6.8擴展到圖結(jié)構(gòu).............................151
6.9總結(jié)和深入閱讀...........................153
第7章網(wǎng)絡(luò)優(yōu)化與正則化157
7.1網(wǎng)絡(luò)優(yōu)化...............................157
7.2優(yōu)化算法...............................160
7.3參數(shù)初始化..............................171
7.4數(shù)據(jù)預處理..............................176
7.5逐層歸一化..............................178
7.6超參數(shù)優(yōu)化..............................183
7.7網(wǎng)絡(luò)正則化..............................186
7.8總結(jié)和深入閱讀...........................192
第8章注意力機制與外部記憶197
8.1認知神經(jīng)學中的注意力.......................198
8.2注意力機制..............................199
8.3自注意力模型.............................203
8.4人腦中的記憶.............................205
8.5記憶增強神經(jīng)網(wǎng)絡(luò)..........................207
8.6基于神經(jīng)動力學的聯(lián)想記憶.....................211
8.6.1Hopfiel網(wǎng)絡(luò)........................212
8.7總結(jié)和深入閱讀...........................215
第9章無監(jiān)督學習219
9.1無監(jiān)督特征學習...........................220
9.2概率密度估計.............................227
9.3總結(jié)和深入閱讀...........................232
第10章模型獨立的學習方式235
10.1集成學習...............................235
10.1.1AdaBoost算法........................237
10.2自訓練和協(xié)同訓練..........................240
10.3多任務(wù)學習..............................242
10.4遷移學習...............................245
10.5終身學習...............................249
10.6元學習.................................252
10.7總結(jié)和深入閱讀...........................255
第三部分進階模型
第11章概率圖模型261
11.1模型表示...............................262
11.2學習..................................271
11.3推斷..................................279
11.4變分推斷...............................283
11.5基于采樣法的近似推斷.......................285
11.6總結(jié)和深入閱讀...........................292
第12章深度信念網(wǎng)絡(luò)297
12.1玻爾茲曼機..............................297
12.2受限玻爾茲曼機...........................304
12.3深度信念網(wǎng)絡(luò).............................309
12.4總結(jié)和深入閱讀...........................313
第13章深度生成模型317
13.1概率生成模型.............................318
13.2變分自編碼器.............................319
13.3生成對抗網(wǎng)絡(luò).............................327
13.3.1顯式密度模型和隱式密度模型...............327
13.3.2網(wǎng)絡(luò)分解...........................327
13.3.3訓練..............................329
13.3.4一個生成對抗網(wǎng)絡(luò)的具體實現(xiàn)：DCGAN..........330
13.3.5模型分析...........................330
13.3.6改進模型...........................333
13.4總結(jié)和深入閱讀...........................336
第14章深度強化學習339
14.1強化學習問題.............................340
14.1.1典型例子...........................340
14.1.2強化學習定義........................340
14.1.3馬爾可夫決策過程......................341
14.1.4強化學習的目標函數(shù)....................343
14.1.5值函數(shù)............................344
14.1.6深度強化學習........................345
14.2基于值函數(shù)的學習方法.......................346
14.2.1動態(tài)規(guī)劃算法........................346
14.2.2蒙特卡羅方法........................349
14.2.3時序差分學習方法......................350
14.2.4深度Q網(wǎng)絡(luò)..........................353
14.3基于策略函數(shù)的學習方法......................354
14.3.1REINFORCE算法......................356
14.3.2帶基準線的REINFORCE算法...............356
14.4演員-評論員算法...........................358
14.5總結(jié)和深入閱讀...........................360
第15章序列生成模型365
15.1序列概率模型.............................366
15.1.1序列生成...........................367
15.2N元統(tǒng)計模型.............................368
15.3深度序列模型.............................370
15.3.1模型結(jié)構(gòu)...........................370
15.3.2參數(shù)學習...........................373
15.4評價方法...............................373
15.4.1困惑度............................373
15.4.2BLEU算法..........................374
15.4.3ROUGE算法.........................375
15.5序列生成模型中的學習問題.....................375
15.5.1曝光偏差問題........................376
15.5.2訓練目標不一致問題....................377
15.5.3計算效率問題........................377
15.6序列到序列模型...........................385
15.6.1基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列到序列模型...........386
15.6.2基于注意力的序列到序列模型...............387
15.6.3基于自注意力的序列到序列模型..............388
15.7總結(jié)和深入閱讀...........................390
附錄數(shù)學基礎(chǔ) 393
附錄A 線性代數(shù) 394
附錄B 微積分 404
附錄C 數(shù)學優(yōu)化 413
附錄D 概率論 420
附錄E 信息論 433
索引 439