 |
-- 會員 / 註冊 --
|
 |
|
|
|
神經網絡與深度學習應用實戰 ( 簡體 字) |
| 作者：劉凡平 等 | 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： 48696
詢問書籍請說出此書號！【有庫存】
NT售價： 345 元 |
| 出版日：3/1/2018 |
| 頁數：252 |
| 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：9787121337185 |
| 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：本書結合實際應用介紹神經網絡和深度學習等技術領域相關信息，從結構上重點介紹了前饋型神經網絡、反饋型神經網絡，以及自組織競爭型神經網絡，并針對當下深度學習中比較重要的網絡進行了詳細介紹，包括卷積神經網絡、循環（遞歸）神經網絡、深度信念網絡、生成對抗網絡，以及深度強化學習。本書不僅能讓讀者對當前神經網絡和深度學習技術有體系的認知，更能讓讀者在人工智能領域進行一些深入思考。
讀者對象
? 對神經網絡、深度學習以及人工智能有興趣的讀者；
? 對算法以及機器學習領域有興趣的讀者；
? 互聯網行業不同層次的從業者；
? 軟件工程或計算機相關專業的在校學生。
本書特色
書中內容緊密結合當前一線工程師工作研究成果，是對當前神經網絡和深度學習的完整性原理介紹和實踐分析。本書充分利用了最新技術發展的應用成果，不僅結合原理分析，還結合案例進行輔助理解。
本書介紹的相關深度學習技術廣泛應用于各個領域，可以在自然語言處理、計算機視覺、文本分析等領域中應用，在當前甚至未來三到五年，都具有實際意義。
本書結構
本書按照由淺入深、循序漸進的順序對神經網絡和深度學習的內容進行介紹。全書共分為三篇，分別從基礎、進階、高階三個層次逐步展開，總共12章，各章的主要內容如下。
第1章闡述了在當前時代背景下，神經網絡和人工智能的發展歷程，針對未來人工智能極可能改變的領域進行了深入介紹，并介紹了深度學習與機器學習的關系，以及深度學習與人工智能的關系。
第2章介紹了神經網絡和深度學習的數學基礎，從向量、矩陣、導數、數值計算、概率分布、參數估計等方面進行了詳細介紹，為學習后續內容奠定基礎。
第3章重點介紹了機器學習的基礎內容，神經網絡和深度學習都屬于機器學習中的內容，包括擬合問題、交叉檢驗、產生式與判別式模型等，有助于加強對神經網絡和深度學習的理解。
第4章介紹了神經網絡的基礎，包括神經網絡中常見的學習方法以及神經網絡的優化方法，闡述了常見的神經網絡類型以及深度學習中的網絡類型，并介紹了深度學習與多層神經網絡的關系。
第5章重點介紹了前饋型神經網絡，它是神經網絡中極為重要的一種網絡類型。本章從單層感知器開始，逐步深入介紹了BP神經網絡以及徑向基函數神經網絡，重點介紹了反向傳播算法。
第6章詳細介紹了反饋型神經網絡，它是一種帶聯想記憶的神經網絡。本章重點介紹了Hopfiled神經網絡、Elman神經網絡以及遞歸神經網絡。對于遞歸神經網絡還進行了更為深入的介紹，包括其反向傳播算法以及各類改進的結構。
第7章重點介紹了自組織競爭型神經網絡，從傳統的系統聚類法、基于劃分的聚類算法、基于密度的聚類算法、基于層次的聚類算法開始，詳細介紹了自組織競爭型神經網絡中的典型代表——自組織映射網絡，還介紹了自適應共振理論以及對偶傳播網絡。
第8章介紹了卷積神經網絡，卷積神經網絡是目前圖像處理中比較優秀的神經網絡。本章重點介紹了卷積神經網絡中的卷積、卷積核等重要基礎概念，詳細闡述了卷積神經網絡中各層的工作原理，并介紹了常見的間距神經網絡結構。
第9章介紹了循環神經網絡，循環神經網絡與遞歸神經網絡有一定的相似性。本章介紹了一般的循環神經網絡，包括單向循環神經網絡、雙向循環神經網絡以及深度循環神經網絡。重點介紹了長短時記憶網絡。
第10章介紹了深度信念網絡，深度信念網絡是由受限玻爾茲曼機組成的網絡結構。本章重點介紹了受限玻爾茲曼機的邏輯結構和工作原理，并介紹了深度信念網絡的訓練過程。
第11章介紹了生成對抗網絡，生成對抗網絡是未來會有較大突破的網絡結構之一。本章從一般的生成對抗網絡入手進行介紹，然后介紹了各類改進版本，包括DCGAN、CGAN、WGAN等，并對生成對抗網絡的未來做了一定猜想。
第12章介紹了深度強化學習，深度強化學習是一種有別于傳統的有監督學習和無監督學習的學習方式。本章重點介紹了強化學習的工作原理、馬爾科夫決策過程等，并結合強化學習的各類算法進行了詳細的介紹。
上述章節中，郭武彪完成了第6章內容的編寫，陳相禮完成了第9章內容的編寫，楊華完成了第11章內容的編寫以及本書格式校驗，其余章節內容由劉凡平完成編寫，并對本書內容進行了校驗。
由于時間倉促及編者水平有限，書中難免存在錯誤和不足之處，懇請廣大讀者多多理解，并批評指正，也可以通過郵箱聯系我們。
致謝
本書的內容基本都來自我們的工作經驗，感謝曹楊、黃誠，正是你們的支持和鼓勵，以及工作中的栽培和肯定，才能使得我們（陳相禮、郭武彪、楊華、劉凡平）有能力和勇氣寫出這本書。還有那些曾經一起學習和共事的朋友，你們給予我們很多無私的幫助，使得我們在和你們相處的過程中能夠快速地成長，感謝一路上有你們的陪伴，正是有了你們，沿途的風景才格外的美麗。
衷心感謝我們的家人，感謝你們在過去的時間里對我們的理解和支持，為我們營造了一個良好的寫作環境，并鼓勵我們堅持認真寫作，使得本書能夠順利完成。
本書編寫過程中還得到了很多朋友的支持和幫助，限于篇幅，雖然不能一一對你們表示感謝，但是對你們同樣心懷感激。
最后，感謝這個時代，給予每一個有理想的人，賦予實現人生價值的機會！ |
內容簡介：本書結合實際應用介紹神經網絡和深度學習等技術領域相關信息，從結構上重點介紹了前饋型神經網絡、反饋型神經網絡，以及自組織競爭型神經網絡，并針對當下深度學習中比較重要的網絡進行了詳細介紹，包括卷積神經網絡、循環（遞歸）神經網絡、深度信念網絡、生成對抗網絡，以及深度強化學習。本書不僅能讓讀者對當前神經網絡和深度學習技術有體系的認知，更能讓讀者在人工智能領域進行一些深入思考。 |
目錄：基礎篇
第1章 時代崛起 2
1.1 概要 2
1.1.1 基本概念 2
1.1.2 深度學習與機器學習的關系 4
1.1.3 深度學習與人工智能的關系 5
1.2 歷史發展 5
1.2.1 神經網絡發展歷史 5
1.2.2 人工智能發展歷史 7
1.3 應用領域 8
1.3.1 智能個人助理 8
1.3.2 智能安防 9
1.3.3 無人駕駛 9
1.3.4 電商零售 11
1.3.5 智慧醫療 11
1.3.6 金融服務 12
1.3.7 智能教育 13
1.4 未來猜想 14
1.4.1 人文的快速發展 14
1.4.2 人類也是“機器人” 14
1.4.3 新的不平等現象 15
1.5 本章小結 16
第2章 數學理論基礎 17
2.1 向量 17
2.1.1 相關概念 17
2.1.2 向量的線性相關性 18
2.1.3 向量的外積 18
2.1.4 向量夾角與余弦相似性 18
2.1.5 實例：基于向量夾角的文本相似性分析 19
2.2 矩陣 20
2.2.1 矩陣乘法 20
2.2.2 克羅內克積 21
2.3 導數 22
2.3.1 概述 22
2.3.2 一般運算法則 22
2.3.3 鏈式求導法則 23
2.4 數值計算 23
2.4.1 誤差 23
2.4.2 距離 24
2.4.3 數值歸一化 26
2.5 概率分布 26
2.5.1 二項分布 26
2.5.2 超幾何分布 27
2.5.3 泊松分布 27
2.5.4 指數分布 28
2.5.5 正態分布 29
2.6 參數估計 29
2.6.1 概率 29
2.6.2 貝葉斯估計 30
2.6.3 最大似然估計 31
2.6.4 最大后驗估計 32
2.7 回歸分析 33
2.7.1 線性回歸 33
2.7.2 邏輯回歸 36
2.8 判定問題 39
2.8.1 P問題 39
2.8.2 NP問題 39
2.8.3 NP-Complete問題 40
2.8.4 NP-Hard問題 40
2.9 本章小結 41
第3章 機器學習概要 42
3.1 機器學習的類型 42
3.1.1 有監督學習 42
3.1.2 無監督學習 43
3.1.3 強化學習 43
3.2 機器學習中常見的函數 44
3.2.1 激活函數 44
3.2.2 損失函數 47
3.2.3 核函數 48
3.3 機器學習中的重要參數 49
3.3.1 學習速率 49
3.3.2 動量系數 50
3.3.3 偏置項 50
3.4 擬合問題 51
3.4.1 過擬合現象 51
3.4.2 欠擬合現象 52
3.4.3 解決過擬合問題的一般方法 52
3.4.4 實例：擬合與二元一次方程求解 55
3.5 交叉檢驗 55
3.5.1 數據類型種類 55
3.5.2 留一交叉驗證 57
3.5.3 K折交叉驗證 57
3.6 線性可分與不可分 58
3.7 機器學習的學習特征 59
3.8 產生式模型與判別式模型 60
3.9 機器學習效果的一般評價指標 61
3.10 本章小結 63
第4章 神經網絡基礎 64
4.1 概述 64
4.1.1 神經網絡模型 64
4.1.2 經典的神經網絡結構 65
4.1.3 一般業務場景中神經網絡適應性 66
4.1.4 神經網絡的深度 67
4.2 常見學習方法 67
4.2.1 誤差修正學習 67
4.2.2 赫布學習規則 68
4.2.3 最小均方規則 69
4.2.4 競爭學習規則 70
4.2.5 其他學習規則 71
4.3 優化方法：梯度下降 72
4.3.1 概述 72
4.3.2 梯度下降法 72
4.3.3 梯度下降的優化算法 74
4.3.4 梯度消失問題 76
4.3.5 示例：利用梯度下降法求函數極值 77
4.4 常見的神經網絡類型 78
4.4.1 前饋型神經網絡 78
4.4.2 反饋型神經網絡 79
4.4.3 自組織競爭型神經網絡 79
4.5 深度學習中常見的網絡類型 80
4.5.1 卷積神經網絡 80
4.5.2 循環神經網絡 80
4.5.3 深度信念網絡 80
4.5.4 生成對抗網絡 81
4.5.5 深度強化學習 81
4.6 其他神經網絡與深度學習 82
4.6.1 隨機神經網絡 82
4.6.2 量子神經網絡 82
4.6.3 遷移學習 82
4.7 深度學習與多層神經網絡的關系 83
4.8 調參技巧 84
4.9 本章小結 85
進階篇
第5章 前饋型神經網絡 88
5.1 概述 88
5.2 常見結構 88
5.3 單層感知器網絡 89
5.3.1 原理 89
5.3.2 網絡結構 90
5.3.3 實例一：基于單層感知器“與”運算 90
5.3.4 實例二：利用感知器判定零件是否合格 91
5.4 BP神經網絡 93
5.4.1 概述 93
5.4.2 反向傳播算法 93
5.4.3 異或問題的解決 96
5.4.4 避免病態結果 98
5.4.5 實例：基于多層感知器的手寫體數字識別 99
5.5 徑向基函數神經網絡 101
5.5.1 原理介紹 101
5.5.2 中心選擇方法 102
5.5.3 訓練過程 103
5.5.4 徑向基函數神經網絡與BP神經網絡的差異 104
5.6 本章小結 105
第6章 反饋型神經網絡 107
6.1 概述 107
6.1.1 基本原理 107
6.1.2 與前饋型神經網絡的差異 108
6.2 Hopfield神經網絡 109
6.3 Elman神經網絡 112
6.3.1 結構組成 112
6.3.2 學習算法 112
6.4 遞歸神經網絡 113
6.4.1 產生背景 114
6.4.2 基本結構 115
6.4.3 前向計算過程 116
6.4.4 反向傳播：BPTS算法 117
6.4.5 應用場景 118
6.4.6 遞歸神經網絡的結構改進 118
6.4.7 應用實例 121
6.5 本章小結 124
第7章 自組織競爭型神經網絡 125
7.1 概述 125
7.1.1 一般網絡模型 125
7.1.2 工作原理 126
7.1.3 實例：用競爭學習規則進行模式分類 127
7.2 常見的聚類方法 129
7.2.1 系統聚類法 129
7.2.2 基于劃分的聚類算法 130
7.2.3 基于密度的聚類算法 131
7.2.4 基于層次的聚類算法 132
7.3 自組織映射網絡 134
7.3.1 概述 134
7.3.2 訓練算法 134
7.3.3 實例：利用自組織映射網絡劃分城市群 135
7.3.4 優劣勢分析 136
7.4 其他自組織競爭型神經網絡 137
7.4.1 自適應共振理論 137
7.4.2 對偶傳播神經網絡 138
7.5 本章小結 139
高階篇
第8章 卷積神經網絡 142
8.1 概述 142
8.1.1 發展背景 142
8.1.2 基本概念 143
8.1.3 基本網絡結構 144
8.2 卷積 145
8.2.1 卷積的物理意義 145
8.2.2 卷積的理解 145
8.2.3 卷積的實例 147
8.3 卷積核 148
8.3.1 卷積核的含義 148
8.3.2 卷積操作 150
8.3.3 卷積核的特征 150
8.4 卷積神經網絡中各層工作原理 151
8.4.1 卷積層 151
8.4.2 下采樣層 151
8.4.3 Softmax層 152
8.5 卷積神經網絡的逆向過程 153
8.6 常見卷積神經網絡結構 154
8.6.1 LeNet-5 154
8.6.2 AlexNet 155
8.7 應用場景與效果評估 157
8.7.1 場景1：圖像分類 157
8.7.2 場景2：目標檢測 158
8.7.3 場景3：實例分割 159
8.8 Maxout Networks 160
8.9 本章小結 162
第9章 循環神經網絡 163
9.1 概述 163
9.2 一般循環神經網絡 164
9.2.1 概述 164
9.2.2 單向循環神經網絡 165
9.2.3 雙向循環神經網絡 166
9.2.4 深度循環神經網絡 167
9.3 訓練算法：BPTT算法 168
9.3.1 前向計算 168
9.3.2 誤差項計算 169
9.3.3 權值梯度計算 169
9.3.4 梯度爆炸與梯度消失問題 170
9.4 長短時記憶網絡 170
9.4.1 背景 170
9.4.2 核心思想 171
9.4.3 詳細結構 172
9.4.4 訓練過程 176
9.4.5 相關變種簡介 181
9.5 常見循環神經網絡結構 182
9.5.1 N比N結構 182
9.5.2 N比1結構 183
9.5.3 1比N結構 183
9.5.4 N比M結構 184
9.6 與自然語言處理結合 185
9.7 實例：文本自動生成 186
9.8 本章小結 187
第10章 深度信念網絡 188
10.1 概要 188
10.1.1 背景 188
10.1.2 基本結構 188
10.2 受限玻爾茲曼機 190
10.2.1 概述 190
10.2.2 邏輯結構 192
10.2.3 對比分歧算法 194
10.3 訓練過程 194
10.3.1 工作流程 194
10.3.2 調優過程 195
10.4 本章小結 196
第11章 生成對抗網絡 197
11.1 概述 197
11.1.1 背景概要 197
11.1.2 核心思想 198
11.1.3 基本工作流程 199
11.2 樸素生成對抗網絡 201
11.2.1 網絡結構 201
11.2.2 實例：基于樸素生成對抗網絡生成手寫體數字 203
11.3 深度卷積生成對抗網絡 206
11.3.1 產生背景 206
11.3.2 模型改進 206
11.3.3 網絡結構 207
11.3.4 實例：基于深度卷積對抗網絡生成手寫體數字 208
11.4 條件生成對抗網絡 212
11.4.1 網絡結構 212
11.4.2 實例：CGAN結合DCGAN生成手寫體數字 213
11.5 瓦瑟斯坦生成對抗網絡 214
11.5.1 概述 214
11.5.2 差異化 215
11.5.3 實例：WGAN結合DCGAN生成手寫體數字 216
11.6 生成對抗網絡的探索 217
11.6.1 價值與意義 217
11.6.2 面臨的問題 218
11.6.3 應用場景示例 218
11.6.4 未來探索 220
11.7 本章小結 220
第12章 深度強化學習 221
12.1 概述 221
12.1.1 概要 221
12.1.2 基本原理 222
12.2 馬爾科夫決策過程 223
12.2.1 馬爾科夫過程 223
12.2.2 隱馬爾科夫模型 224
12.2.3 馬爾科夫決策過程 225
12.3 深度強化學習算法 229
12.3.1 DQN算法 229
12.3.2 A3C算法 231
12.3.3 UNREAL算法 231
12.4 強化學習的探索 232
12.4.1 應用場景探索 232
12.4.2 面臨的問題 233
12.5 本章小結 234 |
| 序： |
|
