内容简介
本书是深度学习领域的入门教材，全面阐述了深度学习的知识体系，涵盖人工智能的基础知识以及深度学习的基本原理、模型、方法和实践案例，使读者掌握深度学习的相关知识，提高以深度学习方法解决实际问题的能力。全书内容包括人工智能基础、机器学习基础、深度学习主要框架、深度神经网络、卷积神经网络、循环神经网络、自编码器与生成对抗网络。
展开全文
- A-fy
- 56510-bq
- C-bwh
- D-x1
- E-x2
- F-qy
- G-ml
- 01
- 1.1 人工智能概述
- 1.1.1 人工智能的层次结构
- 1．基础支撑层
- 2．技术驱动层
- 3．应用层
- 1.1.2 人工智能的典型事件
- 1．人工智能的第一次兴起
- 2．基于专家系统的人工智能
- 3．人工智能的第三次兴起
- 1.2 人工智能数学基础
- 1.2.1 矩阵及其运算
- 1．矩阵的定义
- 2．特殊矩阵
- 3．矩阵的运算
- 1.2.2 向量与向量空间
- 1．向量
- 2．向量空间
- 1.2.3 特征值与特征向量
- 1.2.4 奇异值分解
- 1.2.5 二次型
- 1.2.6 范数
- 1.2.7 导数与偏导数
- 1．复合函数的求导
- 2．偏导数
- 3．高阶偏导数
- 4．多元复合函数求导的链式法则
- 5．微分
- 1.2.8 方向导数与梯度
- 1．方向导数
- 2．梯度
- 1.2.9 泰勒公式
- 1．一元函数的泰勒公式
- 2．二元函数的泰勒公式
- 3．多元函数的泰勒公式
- 4．黑塞矩阵
- 1.2.10 函数的极值点
- 1．一元函数的极值点
- 2．多元函数的极值点
- 1.2.11 随机变量与概率分布
- 1．一维随机变量
- 2．一维随机变量的分布函数
- 3．多维随机变量
- 4．联合概率密度和边缘概率密度
- 5．条件分布律和条件概率密度
- 6．随机变量的独立性
- 1.2.12 随机变量的数字特征
- 1．数学期望
- 2．随机变量函数的数学期望
- 3．随机变量的方差与协方差
- 1.3 本章小结
- 1.4 习题
- 02
- 2.1 机器学习概述
- 2.1.1 机器学习的定义
- 2.1.2 机器学习的分类
- 1．监督学习
- 2．无监督学习
- 3．半监督学习
- 4．强化学习
- 2.1.3 常用损失函数
- 1．平方损失函数和均方误差损失函数
- 2．交叉熵损失函数
- 2.2 分类与回归
- 1．分类任务
- 2．回归任务
- 2.3 模型的评估
- 2.3.1 数据集的划分方法
- 1．留出法
- 2．交叉验证法
- 3．自助法
- 2.3.2 模型的评价指标
- 1．精确率与召回率
- 2．ROC曲线
- 3．混淆矩阵
- 2.4 模型的选择
- 2.4.1 欠拟合与过拟合
- 2.4.2 偏差与方差
- 2.4.3 正则化
- 2.5 本章小结
- 2.6 习题
- 03
- 3.1 TensorFlow原理与应用
- 3.1.1 安装与编译
- 1．快速安装
- 2．通过Anaconda方式安装
- 3.1.2 TensorFlow框架结构分析
- 1．TensorFlow系统架构
- 2．数据流图
- 3.1.3 TensorFlow原理与方法
- 1．张量
- 2．算子
- 3．图
- 4．会话
- 5．常量
- 6．变量
- 7．占位符
- 8．可视化数据流图
- 3.1.4 案例应用
- 1．安装MNIST数据集
- 2．加载MNIST数据集
- 3．创建占位符
- 4．定义变量
- 5．训练模型
- 6．评估模型
- 7．权重初始化
- 8．卷积和池化
- 9．第一层卷积
- 10．第二层卷积
- 11．密集层连接
- 12．输出层
- 13．训练和评估模型
- 14．开始训练模型
- 3.2 其他框架
- 3.2.1 Keras
- 1．为什么要使用Keras？
- 2．快速上手
- 3.2.2 Caffe
- 3.2.3 PyTorch
- 3.2.4 其他框架
- 3.3 本章小结
- 3.4 习题
- 04
- 4.1 深度神经网络概述
- 4.2 网络结构设计
- 4.2.1 架构设计
- 4.2.2 隐藏层
- 4.2.3 XOR的案例展示
- 4.3 前向传播算法
- 4.4 反向传播算法
- 4.4.1 梯度下降算法与学习率
- 4.4.2 反向传播算法的优点
- 4.4.3 反向传播相关计算公式
- 4.4.4 使用链式法则推导
- 4.5 常用的优化算法
- 4.5.1 随机梯度下降算法和小批量梯度下降算法
- 4.5.2 动量法
- 4.5.3 Adagrad算法
- 4.6 常用的正则化方法
- 4.6.1 范数惩罚法
- 4.6.2 稀疏表示法
- 4.6.3 其他方法
- 4.7 案例应用
- 4.8 本章小结
- 4.9 习题
- 05+
- 06
- 6.1 循环神经网络概述
- 6.2 简单循环神经网络
- 6.3 双向循环神经网络
- 6.4 基于编码-解码的序列到序列结构
- 6.4.1 序列到序列结构
- 6.4.2 编码-解码结构
- 6.4.3 目标函数
- 6.4.4 注意力机制
- 6.5 训练方法
- 6.6 长短期记忆网络
- 6.6.1 核心思想
- 6.6.2 网络结构
- 1．遗忘门
- 2．输入门
- 3．输出门
- 6.6.3 LSTM网络的训练原理
- 6.6.4 相关变体
- 6.7 案例应用
- 6.8 本章小结
- 6.9 习题
- 07
- 7.1 自编码器
- 7.1.1 自编码器概述
- 7.1.2 欠完备自编码器
- 7.1.3 正则自编码器
- 1．稀疏自编码器
- 2．去噪自编码器
- 7.1.4 卷积自编码器
- 1．编码器
- 2．解码器
- 7.1.5 使用Keras实现简单的自编码器
- 7.2 生成对抗网络
- 7.2.1 GAN概述
- 7.2.2 一般的GAN
- 7.2.3 CGAN
- 7.2.4 DCGAN
- 7.3 本章小结
- 7.4 习题
- 08ckwx
- 参考文献
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2021
作者：主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习——原理、模型与实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2021
作者：主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习——原理、模型与实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
深度学习——原理、模型与实践
免费读 (VIP)