编辑推荐
本书以神经网络为线索，沿着从线性模型到深度学习的路线讲解神经网络的原理和实现。
内容简介
本书将数学基础知识与机器学习和神经网络紧密结合，包含线性模型的结构与局限、损失函数、基于一阶和二阶信息的优化算法、模型自由度与正则化、神经网络的表达能力、反向传播与计算图自动求导、卷积神经网络等主题，帮助读者建立基于数学原理的较深刻的洞见和认知。
本书还提供了逻辑回归、多层全连接神经网络和多种训练算法的Python实现，以及运用TensorFlow搭建和训练多种卷积神经网络的代码实例。
作者简介
作者张觉非，本科毕业于复旦大学计算机系，于中国科学院古脊椎动物与古人类研究所取得古生物学硕士学位，目前在互联网行业从事机器学习算法相关工作。
章节目录
版权信息
内容提要
前言
目标读者
内容概览
阅读方式
代码与网络资源
致谢
第一部分 线性模型
第1章 逻辑回归
1.1 作为一个神经元的逻辑回归
1.2 基础向量几何
1.3 从几何角度理解逻辑回归的能力和局限
1.4 实例：根据鸟类骨骼判断生态类群
1.5 小结
第2章 模型评价与损失函数
2.1 训练集与测试集
2.2 分类模型的评价
2.3 损失函数
2.4 小结
第3章 梯度下降法
3.1 多元函数的微分
3.2 梯度下降法
3.3 梯度下降法的改进
3.4 运用梯度下降法训练逻辑回归
3.5 梯度下降法训练逻辑回归的Python实现
3.6 小结
第4章 超越梯度下降
4.1 矩阵
4.2 多元函数的局部二阶特性
4.3 基于二阶特性的优化
4.4 运用牛顿法训练逻辑回归
4.5 牛顿法训练逻辑回归的Python实现
4.6 小结
第5章 正则化
5.1 概率论回顾
5.2 模型自由度与偏置-方差权衡
5.3 正则化
5.4 过拟合与欠拟合
5.5 运用L2正则化训练逻辑回归
5.6 运用L2正则化训练逻辑回归的Python实现
5.7 小结
第二部分 神经网络
第6章 神经网络
6.1 合作的神经元
6.2 多层全连接神经网络
6.3 激活函数
6.4 多分类与SoftMax
6.5 小结
第7章 反向传播
7.1 映射
7.2 反向传播
7.3 相关问题
7.4 多层全连接神经网络的Python实现
7.5 小结
第8章 计算图
8.1 计算图模型
8.2 自动求导
8.3 自动求导的实现
8.4 计算图的Python实现
8.5 小结
第9章 卷积神经网络
9.1 卷积
9.2 卷积神经网络的组件
9.3 深度学习的正则化方法
9.4 小结
第10章 经典CNN
10.1 LeNet-5
10.2 AlexNet
10.3 VGGNet
10.4 GoogLeNet
10.5 ResNet
10.6 小结
第11章 TensorFlow实例
11.1 多分类逻辑回归
11.2 多层全连接神经网络
11.3 LeNet-5
11.4 AlexNet
11.5 VGG16
11.6 小结
附录A CNN与元胞自动机
A.1 二维元胞自动机与CNN
A.2 元胞自动机的行为和分类
A.2.1 相空间、轨迹与吸引子
A.2.2 不可逆性、信息擦除与熵减
A.2.3 康托尔集与分形维数
A.2.4 4类规则与混沌边缘
A.3 图灵机与可计算性
A.3.1 图灵机
A.3.2 图灵-邱奇论题与图灵完备
A.3.3 递归语言与可计算性
A.3.5 停机问题
A.3.6 规则110的图灵完备性
A.4 分类、训练与吸引子分岔
A.5 小结
参考文献
深入理解神经网络：从逻辑回归到CNN是2019年由人民邮电出版社·图灵出品出版,作者张觉非。
得书感谢您对《深入理解神经网络：从逻辑回归到CNN》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。
