 |
-- 會員 / 註冊 --
|
 |
|
|
|
神經網絡與深度學習 ( 簡體 字) |
| 作者：吳岸城 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 44527
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：6/1/2016 |
| 頁數：232 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121288692 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：很多朋友告訴我，一本書總是要加一個前言才算完整。如果書沒有前言，就好像只有山沒有水一樣，沒有意境。
對我來說，這是我的第一本技術科普類讀物。之所以把它稱作第一本，是因為我從前沒寫過書，哪怕是一篇超過4萬字的文章（論文不算）都沒寫過，所以聽編輯說寫書有字數要求時，我都沒有概念，心想不就寫本書嗎？easy！
寫著寫著發現不對了，自己沒有為一本書建立好整體知識體系！從2014年開始斷斷續續地寫著，中間有段時間甚至想過放棄。我之所以沒放棄，無非是因為覺得做事要有始有終。如果我寫得不好，那是我的能力有限；如果因為一些之前估計不到的難度就放棄了，那是態度問題！
為什么說這是一本科普類讀物呢？至少在我寫書時，很多人（都是IT、軟件這個行業的人）對于神經網絡、深度學習（Deep Learning）等都毫無概念，如果連這些人對神經網絡等都沒有概念，可以想象其普及程度有多低。但我覺得深度學習并不是只有大學學府或幾個相關的專業學生才能研究它；并不是只有公司里這個領域的專家才能研究它，它是屬于整個大眾的東西。
對于技術層面的東西，將會慢慢簡化再簡化，如同編程語言一樣，開始是匯編語言，后來是C語言，再后來有了C++，再后來有了Java，甚至出現了Python、JavaScript，它們降低了進入門檻，可以讓更多人使用。對的，編程語言的進化就是讓更多人更便捷地使用。對于深度學習來說，基本的算法庫至少目前來講已經很多很多了，這些算法庫基本覆蓋了我們的現代編程語言，讓人能夠更方便地使用。微軟甚至出了一個圖形化的深度學習在線工具，你只要拖曳下鼠標就能得到一個算法并訓練它，極大地加快了學習效率。
我強調這一點是想說：技術的進步擴散了這些技術，最終目標也許就是機器像人類那樣思考，讓人類想什么有什么，而不僅僅局限于技術層面；而今天深度學習的進化已經可以使機器通過學習已有的知識就能推導出或預測出未知的事物，想起這點時常讓我激動，讓我覺得創造出一個機器生命體是有可能的！所以寫本書的意義在于讓人們不過多地關注公式及推導過程，而是關注它的使用方法，把人類的想法迅速轉換成生產力才是目的，畢竟只有人類的想法才是最有價值的！
按以上思路，我安排書的整體目錄架構如下。
第0章，介紹機器學習、神經網絡的歷史，好讓大家有基本的了解。
第1章，解釋大腦的運作結構和如何利用仿生學產生邏輯上的神經元和神經網絡。
第2章，我們用仿生學的知識試著構造一個神經網絡（感知機）并使用它做些事情，解釋了XOR問題。在2.6節給出一些例子，讓我們能更好地了解神經網絡是如何分類學習和預測的。
第3章，介紹深度學習的基本概念，深度學習和神經網絡的聯系。
第4章，介紹深度學習的常用方法。
第5章，介紹AlphaGo。
第6章，兩個重要概念，遷移學習和概率圖模型PGM。
第7章，給出了一些經驗以加快大家學習和研究的效率。
按照慣例，在前言的最后一部分應該做一些感謝，首先要感謝張杰同學，是他介紹了我和電子工業出版社的編輯認識。感謝我的編輯劉皎，對于一個剛剛進入寫書圈子的新人，她給予了我很多幫助和支持。另外，還要感謝我的同事唐煒，他在我寫書的后期給了一些很好的建議。
最后要感謝的，是我的夫人李茉，為了讓我完成這本書的創作，她付出了家庭方面的很多努力，也為成書給了很多建議和幫助。
謝謝他們！
本書部分資料來源于網上，由于鏈接失效或無法知道原作者，因此沒辦法注明來源。請原作者看到后和我聯系：wuanch@gmail.com。 |
內容簡介：隨著大數據和人工智能的發展，深度學習成為時下關注的技術熱點。本選題旨在以淺顯易懂的方式介紹深度學習的基本理念和技術架構，幫助從事相關工作的人們對深度學習有一個基本全面的認識。包括對神經網絡基本原理的介紹、如何構建一個最基礎的神經網絡模型、深度學習是什么、怎么用？如何用深度學習來解決問題。 |
目錄：第0章 寫在前面：神經網絡的歷史 1
第1章 神經網絡是個什么東西 13
1.1 買橙子和機器學習 13
1.1.1 規則列表 14
1.1.2 機器學習 15
1.2 怎么定義神經網絡 16
1.3 先來看看大腦如何學習 16
1.3.1 信息輸入 17
1.3.2 模式加工 17
1.3.3 動作輸出 18
1.4 生物意義上的神經元 19
1.4.1 神經元是如何工作的 19
1.4.2 組成神經網絡 22
1.5 大腦如何解決現實生活中的分類問題 24
第2章 構造神經網絡 26
2.1 構造一個神經元 26
2.2 感知機 30
2.3 感知機的學習 32
2.4 用代碼實現一個感知機 34
2.4.1 Neuroph：一個基于Java的神經網絡框架 34
2.4.2 代碼實現感知機 37
2.4.3 感知機學習一個簡單邏輯運算 39
2.4.4 XOR問題 42
2.5 構造一個神經網絡 44
2.5.1 線性不可分 45
2.5.2 解決XOR問題（解決線性不可分） 49
2.5.3 XOR問題的代碼實現 51
2.6 解決一些實際問題 54
2.6.1 識別動物 54
2.6.2 我是預測大師 59
第3章 深度學習是個什么東西 66
3.1 機器學習 67
3.2 特征 75
3.2.1 特征粒度 75
3.2.2 提取淺層特征 76
3.2.3 結構性特征 78
3.3 淺層學習和深度學習 81
3.4 深度學習和神經網絡 83
3.5 如何訓練神經網絡 84
3.5.1 BP算法：神經網絡訓練 84
3.5.2 BP算法的問題 85
3.6 總結深度學習及訓練過程 86
第4章 深度學習的常用方法 89
4.1 模擬大腦的學習和重構 90
4.1.1 灰度圖像 91
4.1.2 流行感冒 92
4.1.3 看看如何編解碼 93
4.1.4 如何訓練 95
4.1.5 有監督微調 97
4.2 快速感知：稀疏編碼（Sparse Coding） 98
4.3 棧式自編碼器 100
4.4 解決概率分布問題：限制波爾茲曼機 102
4.4.1 生成模型和概率模型 102
4.4.2 能量模型 107
4.4.3 RBM的基本概念 109
4.4.4 再看流行感冒的例子 111
4.5 DBN 112
4.6 卷積神經網絡 114
4.6.1 卷積神經網絡的結構 116
4.6.2 關于參數減少與權值共享 120
4.6.3 舉個典型的例子：圖片內容識別 124
4.7 不會忘記你：循環神經網絡 131
4.7.1 什么是RNN 131
4.7.2 LSTM網絡 136
4.7.3 LSTM變體 141
4.7.4 結論 143
4.8 你是我的眼：利用稀疏編碼器找圖像的基本單位 143
4.9 你是我的眼（續） 150
4.10 使用深度信念網搞定花分類 160
第5章 深度學習的勝利：AlphaGo 169
5.1 AI如何玩棋類游戲 169
5.2 圍棋的復雜性 171
5.3 AlphaGo的主要原理 173
5.3.1 策略網絡 174
5.3.2 MCTS拯救了圍棋算法 176
5.3.3 強化學習：“周伯通，左右互搏” 179
5.3.4 估值網絡 181
5.3.5 將所有組合到一起：樹搜索 182
5.3.6 AlphaGo有多好 185
5.3.7 總結 187
5.4 重要的技術進步 189
5.5 一些可以改進的地方 190
5.6 未來 192
第6章 兩個重要的概念 194
6.1 遷移學習 194
6.2 概率圖模型 197
6.2.1 貝葉斯的網絡結構 201
6.2.2 概率圖分類 204
6.2.3 如何應用PGM 208
第7章 雜項 210
7.1 如何為不同類型的問題選擇模型 210
7.2 我們如何學習“深度學習” 211
7.3 如何理解機器學習和深度學習的差異 212
7.4 大規模學習（Large Scale Learning）和并行計算 214
7.5 如果喜歡應用領域，可以考慮以下幾種應用 215
7.6 類腦：人工智能的終極目標 216
參考文獻 218
術語 220 |
| 序： |
|
