幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習與神經網路/人工智慧前沿理論與技術應用叢書

  • 作者：編者:趙眸光|責編:牛平月
  • 出版社：電子工業
  • ISBN：9787121444296
  • 出版日期：2023/01/01
  • 裝幀：平裝
  • 頁數：374
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    神經網路與深度學習是人工智慧研究的重要領域，是機器學習的重要組成部分。人工智慧是研究理解和模擬人類智能、智能行為及其規律的科學。本書緊緊圍繞神經網路和深度學習的基礎知識體系進行系統的梳理，力求從基礎理論、經典模型和前沿應用展開論述，便於讀者能夠較為全面地掌握深度學習的相關知識。
    全書共16章。第1章是緒論，簡要介紹人工智慧、機器學習、神經網路與深度學習的基本概念及相互關係，並對神經網路的發展歷程和產生機理進行闡述；第2章介紹神經網路的基本神經元模型、網路結構、學習方法、學習規則、正則化方法、模型評估方法等基礎知識；第3?8章介紹多層感知器神經網路、自組織競爭神經網路、徑向基函數神經網路、卷積神經網路、循環神經網路、注意力機制與反饋網路；第9章介紹深度學習網路優化的相關內容；第10?13章介紹受限玻爾茲曼機和深度置信網路、棧式自編碼器、生成對抗網路和圖神經網路；第14章介紹深度強化學習；第15章介紹深度學習的可解釋性；第16章介紹多模態預訓練模型。
    深度學習是源於對含有多個隱藏層的神經網路結構進行的研究，以便建立和模擬人腦的學習過程。本書整理了人工神經網路從簡單到複雜的模型，歸納和總結了神經網路的理論、方法和應用實踐。本書可以作為高等院校人工智慧及相關專業或非電腦專業的參考用書，也可以作為人工智慧領域的科技工作者或科研機構工作人員的參考用書。
作者介紹
編者:趙眸光|責編:牛平月
目錄
第1章  緒論
  1.1  與深度學習有關的幾個概念
    1.1.1  人工智慧
    1.1.2  機器學習
    1.1.3  表示學習
    1.1.4  機器學習、神經網路及深度學習的關係
    1.1.5  深度學習常用的框架
  1.2  神經網路與深度學習的發展歷程
    1.2.1  神經網路的誕生
    1.2.2  神經網路的復興
    1.2.3  深度學習的崛起
  1.3  神經網路的產生機理
    1.3.1  大腦研究的基本情況
    1.3.2  腦組織的基本組成
    1.3.3  腦組織的分層結構
    1.3.4  大腦的基本工作原理
  1.4  生物神經網路基礎
    1.4.1  神經元的基本結構
    1.4.2  神經元的基本分類
    1.4.3  神經元的信息傳遞機理
    1.4.4  生物神經網路的構成
  1.5  本書的知識框架體系
  1.6  本章小結
第2章  人工神經網路計算
  2.1  神經網路概述
  2.2  人工神經元模型
    2.2.1  基本神經元模型
    2.2.2  常用激活函數
    2.2.3  Softmax輸出分類
  2.3  神經網路結構
    2.3.1  單層前饋網路
    2.3.2  多層前饋網路
    2.3.3  反饋網路
    2.3.4  圖網路
  2.4  神經網路的學習方法
    2.4.1  無監督學習的Hebb演算法
    2.4.2  監督學習的Delta規則
  2.5  神經網路的損失函數
    2.5.1  均方差損失函數
    2.5.2  平均絕對誤差損失函數
    2.5.3  交叉熵損失函數
  2.6  神經網路的學習規則
    2.6.1  極大似然估計
    2.6.2  經驗風險最小化準則
    2.6.3  過擬合與欠擬合
  2.7  梯度下降法
    2.7.1  一維梯度下降
    2.7.2  多維梯度下降
    2.7.3  隨機梯度下降
  2.8  網路正則化方法

    2.8.1  L1和L2正則化
    2.8.2  提前停止
    2.8.3  權重衰減
    2.8.4  丟棄法
    2.8.5  數據增強
    2.8.6  標籤平滑
  2.9  模型評估方法
    2.9.1  混淆矩陣
    2.9.2  準確率、精確率、召回率
    2.9.3  ROC/AUC/PR曲線
  2.10  本章小結
第3章  多層感知器神經網路
  3.1  感知器及其發展過程
  3.2  感知器學習演算法
    3.2.1  離散單輸出感知器學習演算法
    3.2.2  離散多輸出感知器學習演算法
    3.2.3  多層感知器線性處理問題
  3.3  多層感知器的演算法實現
  3.4  反向傳播演算法
    3.4.1  反向傳播多層感知器模型
    3.4.2  反向傳播演算法的原理
    3.4.3  反向傳播演算法的執行步驟
    3.4.4  梯度消失和梯度爆炸問題
    3.4.5  反向傳播網路的數據擬合問題
  3.5  本章小結
第4章  自組織競爭神經網路
  4.1  競爭學習的概念與原理
    4.1.1  競爭學習規則
    4.1.2  競爭學習原理
  4.2  SOFM網路
    4.2.1  SOFM網路結構
    4.2.2  運行原理
    4.2.3  學習過程
    4.2.4  兩階段學習
  4.3  ART網路
    4.3.1  ART網路結構
    4.3.2  網路運行與訓練
    4.3.3  網路運行的參數說明
  4.4  自組織競爭神經網路的演算法實現
  4.5  本章小結
第5章  徑向基函數神經網路
  5.1  徑向基函數介紹及結構
  5.2  函數逼近與內插
    5.2.1  插值問題的定義
    5.2.2  徑向基函數的一般形式
    5.2.3  徑向基函數的性質
  5.3  正則化理論
  5.4  徑向基函數神經網路學習
    5.4.1  隨機選取徑向基函數中心
    5.4.2  自組織學習選取徑向基函數中心

    5.4.3  有監督學習選取徑向基函數中心
  5.5  本章小結
第6章  卷積神經網路
  6.1  卷積神經網路的概念及特點
    6.1.1  卷積的定義
    6.1.2  卷積的變形
    6.1.3  卷積與互相關操作
    6.1.4  卷積神經網路的特點
  6.2  卷積神經網路的基本結構
    6.2.1  卷積層
    6.2.2  匯聚層
    6.2.3  全連接層
    6.2.4  輸出層
  6.3  卷積神經網路參數學習
  6.4  卷積神經網路常用模型
    6.4.1  LeNet模型
    6.4.2  AlexNet模型
    6.4.3  VGGNet模型
    6.4.4  GoogLeNet模型
    6.4.5  ResNet模型
    6.4.6  DenseNet模型
  6.5  卷積神經網路的演算法實現
  6.6  本章小結
第7章  循環神經網路
  7.1  循環神經網路的概念
  7.2  循環神經網路模型
  7.3  循環神經網路參數學習
    7.3.1  BPTT演算法
    7.3.2  RTRL演算法
  7.4  網路梯度問題改進
  7.5  長短期記憶
  7.6  門控循環單元網路
  7.7  深度循環神經網路
    7.7.1  堆疊循環神經網路
    7.7.2  雙向循環神經網路
  7.8  循環神經網路演算法實現??手寫體數字識別問題
  7.9  本章小結
第8章  注意力機制與反饋網路
  8.1  注意力機制網路
    8.1.1  注意力機制網路的概念及分類
    8.1.2  自注意力模型
  8.2  離散型Hopfield神經網路
    8.2.1  網路的結構與工作方式
    8.2.2  網路的能量狀態分析
    8.2.3  網路吸引子的性質
  8.3  連續型Hopfield神經網路
    8.3.1  網路的拓撲結構
    8.3.2  網路的能量與穩定性分析
  8.4  Hopfield神經網路應用實例
  8.5  Hopfield神經網路求解TSP

  8.6  本章小結
第9章  深度學習網路優化
  9.1  參數初始化
    9.1.1  固定方差參數初始化
    9.1.2  方差縮放參數初始化
    9.1.3  正交初始化
  9.2  數據預處理
  9.3  逐層歸一化
    9.3.1  批量歸一化
    9.3.2  層歸一化
    9.3.3  權重歸一化
    9.3.4  局部響應歸一化
  9.4  超參數優化
    9.4.1  網格搜索
    9.4.2  隨機搜索
    9.4.3  貝葉斯優化
    9.4.4  動態資源分配
    9.4.5  神經架構搜索
  9.5  優化演算法
    9.5.1  空間變數的非凸優化
    9.5.2  Momentum
    9.5.3  NAG
    9.5.4  AdaGrad
    9.5.5  AdaDelta
    9.5.6  RMSProp
    9.5.7  Adam
  9.6  本章小結
第10章  受限玻爾茲曼機和深度置信網路
  10.1  概率圖模型
  10.2  受限玻爾茲曼機的基本結構
  10.3  受限玻爾茲曼機的能量模型和似然函數
  10.4  受限玻爾茲曼機的學習任務
    10.4.1  最優參數的梯度計算
    10.4.2  吉布斯採樣
    10.4.3  對比散度演算法
  10.5  深度置信網路
    10.5.1  網路模型
    10.5.2  網路訓練演算法
  10.6  深度置信網路的應用
    10.6.1  音頻特徵提取
    10.6.2  多模態數據建模
  10.7  本章小結
第11章  棧式自編碼器
  11.1  自編碼器
  11.2  稀疏自編碼器
  11.3  棧式自編碼器的原理
  11.4  降噪自編碼器
  11.5  自編碼器的圖像還原
  11.6  自編碼器的機器翻譯應用
  11.7  本章小結

第12章  生成對抗網路
  12.1  深度生成模型
    12.1.1  概率密度估計
    12.1.2  生成樣本
  12.2  生成對抗網路的基本結構
  12.3  原始-對偶次梯度方法訓練
  12.4  生成對抗網路的應用
    12.4.1  人臉圖像的生成
    12.4.2  生成對抗網路的演算法實現
  12.5  本章小結
第13章  圖神經網路
  13.1  圖網路概述
    13.1.1  圖的定義
    13.1.2  圖數據網路的性質和特點
    13.1.3  圖神經網路的發展
  13.2  圖卷積神經網路
    13.2.1  譜域圖卷積神經網路
    13.2.2  切比雪夫網路
    13.2.3  圖卷積神經網路
  13.3  圖循環神經網路
    13.3.1  不動點理論
    13.3.2  歸納式圖表示學習
    13.3.3  圖注意力網路
  13.4  消息傳遞神經網路
  13.5  圖神經網路模型的應用
    13.5.1  圖分類
    13.5.2  知識圖譜與注意力模型
    13.5.3  基於圖神經網路的推薦系統
    13.5.4  電腦視覺
  13.6  本章小結
第14章  深度強化學習
  14.1  強化學習概述
  14.2  馬爾可夫決策過程
    14.2.1  價值函數
    14.2.2  動作價值函數
    14.2.3  最優價值函數
    14.2.4  策略迭代
    14.2.5  價值迭代
  14.3  Q-Learning演算法
  14.4  DeepQ-Network強化學習
  14.5  蒙特卡羅演算法
  14.6  AlphaGo強化學習
    14.6.1  AlphaGo發展概述
    14.6.2  AlphaGoFan演算法的原理
    14.6.3  AlphaGoZero演算法的原理
  14.7  強化學習的應用
    14.7.1  遊戲領域
    14.7.2  機器人控制領域
    14.7.3  自然語言處理領域
    14.7.4  其他領域

  14.8  本章小結
第15章  深度學習的可解釋性
  15.1  可解釋性的定義
  15.2  可解釋性方法
    15.2.1  模型透明度
    15.2.2  模型功能
  15.3  可視化方法分類
    15.3.1  特徵可視化
    15.3.2  關係可視化
    15.3.3  過程可視化
  15.4  神經網路特徵可視化
  15.5  本章小結
第16章  多模態預訓練模型
  16.1  預訓練
  16.2  多模態數據的特徵表示
    16.2.1  文本特徵
    16.2.2  圖像特徵
  16.3  Transformer模型
    16.3.1  模型的基本結構
    16.3.2  編碼模型
    16.3.3  解碼模型
    16.3.4  基於Transformer模型的擴展
  16.4  預訓練模型學習
    16.4.1  預訓練模型的學習方式
    16.4.2  預訓練遷移學習
  16.5  大模型的訓練與預測
    16.5.1  大模型的共享模式和組合方式
    16.5.2  多模態預訓練方法
    16.5.3  預訓練模型實例
  16.6  本章小結
附錄A主要符號
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032