类似推荐
编辑推荐
采用通俗易懂的语言，简明而全面地介绍对人工智能革命起到核心作用的深度学习技术。
内容简介
本书将深度学习技术的发展历史、现状和未来向你娓娓道来，以深入浅出的方式介绍了深度学习的核心思想和关键技术，非常适合尚不具备专业背景的读者学习和了解什么是深度学习技术，如何进行深度学习，深度学习适合哪些任务，深度学习还有哪些不足。
如果你是专业人士，这本书也不会让你失望，它对深度学习中的一些关键问题（如过拟合和梯度消失）、核心技术（如反向传播和梯度下降）、典型模型（如卷积神经网络和循环神经网络）的讲解简洁而不失深刻，对深度学习技术未来发展的讨论也很有启发性。
作者简介
章节目录
版权信息
译者序
前言
致谢
第1章 深度学习概述
1.1 人工智能、机器学习和深度学习
1.2 什么是机器学习
1.3 机器学习为何如此困难
1.4 机器学习的关键要素
1.5 有监督学习、无监督学习和强化学习
1.6 深度学习为何如此成功
1.7 本章小结及本书内容安排
第2章 预备知识
2.1 什么是数学模型
2.2 含有多个输入的线性模型
2.3 线性模型的参数设置
2.4 从数据中学习模型参数
2.5 模型的组合
2.6 输入空间、权重空间和激活空间
2.7 本章小结
第3章 神经网络：深度学习的基石
3.1 人工神经网络
3.2 人工神经元是如何处理信息的
3.3 为什么需要激活函数
3.4 神经元参数的变化如何影响神经元的行为
3.5 使用GPU加速神经网络的训练
3.6 本章小结
第4章 深度学习简史
4.1 早期研究：阈值逻辑单元
4.1.1 Rosenblatt的感知器训练规则
4.1.2 最小均方算法
4.1.3 异或问题
4.2 连接主义：多层感知机
4.2.1 反向传播和梯度消失
4.2.2 连接主义、局部表示和分布式表示
4.2.3 网络架构：卷积神经网络和循环神经网络
4.3 深度学习时代
4.3.1 使用自编码器进行逐层预训练
4.3.2 权重初始化和ReLU激活函数
4.3.3 良性循环：更好的算法、更快的硬件、更大规模的数据
4.4 本章小结
第5章 卷积神经网络和循环神经网络
5.1 卷积神经网络
5.2 循环神经网络
第6章 神经网络的训练
6.1 梯度下降
6.2 使用反向传播训练神经网络
6.2.1 反向传播算法：两阶段算法
6.2.2 反向传播算法：反向传播δ
6.2.3 反向传播算法：更新权重
第7章 深度学习的未来
7.1 推动算法革新的大数据
7.2 新模型的提出
7.3 新形式的硬件
7.4 可解释性问题
7.5 结语
术语表
参考文献
延伸阅读
人人可懂的深度学习是2021年由机械工业出版社华章分社出版,作者[爱尔兰] 约翰·D.凯莱赫。
得书感谢您对《人人可懂的深度学习》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。
