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

深度學習的幾何學--信號處理視角(人工智慧與智能系統)/經典譯叢

  • 作者：(韓)芮鍾?|責編:張鑫|譯者:周浦城//黃啟恆//王粉梅//吳素琴
  • 出版社：電子工業
  • ISBN：9787121447990
  • 出版日期：2023/01/01
  • 裝幀：平裝
  • 頁數：244
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    深度學習是人工智慧與機器學習領域的重要研究分支，經過短短十幾年的發展，已經在電腦視覺與圖像處理、自然語言處理等領域取得令人矚目的成就。本書作為深度學習方面的專門書籍，融合了機器學習、人工神經網路和深度學習的相關概念，並且從信號處理視角呈現了深度學習背後的幾何學原理，以便從統一的角度去深化理解深度學習的主要模型和演算法，從而更好地用於指導理論分析和實踐開發。全書分為三個部分，共14章。第1?4章為第一部分，主要介紹機器學習基礎知識，包括向量空間、矩陣代數、凸優化等數學預備知識，以及支持向量機、核回歸等經典機器學習技術；第5?9章為第二部分，主要介紹深度學習的構成要素，包括人工神經網路與反向傳播、卷積神經網路、圖神經網路及歸一化和注意力機制，重點介紹這些模型背後的數學原理和幾何解釋；第10?14章為第三部分，主要介紹深度學習的高級主題，包括深度神經網路幾何學、深度學習優化與泛化能力，以及生成模型與無監督學習。
    本書適合具備一定數學基礎和機器學習基礎且對深度神經網路感興趣的研究人員和工程技術人員閱讀。另外，高等院校智能科學與技術、電腦科學與技術、自動化及相關專業的研究生或高年級本科生也可以將本書作為輔助教材使用。
作者介紹
(韓)芮鍾?|責編:張鑫|譯者:周浦城//黃啟恆//王粉梅//吳素琴
    芮鍾?（Jong Chul Ye）于1999年獲美國普渡大學博士學位，現任韓國科學技術院（Korea Advanced Institute for Science and Technology，KAIST）生物與腦工程系教授和數學科學系兼職教授；長期從事壓縮感知圖像重建、信號處理和機器學習等研究；是IEEE Fellow，IEEE SPS計算成像技術委員會主席；目前是IEEE Transactions on Medical Imaging副主編、IEEE Signal Processing Magazine資深編輯，以及BMC Biomedical Engineering部門編輯；曾擔任2020 IEEE International Symposium on Biomedical Imaging（ISBI）大會共主席，IEEE Transactions on Image Processing、IEEE Transactions on Computational Imaging、Journal of Electronic Imaging副主編，Magnetic Resonance in Medicine編委會成員，以及Physics in Medicine and Biology國際咨詢委員會成員。
目錄
第一部分  機器學習基礎
  第1章  數學預備知識
    1.1  度量空間
    1.2  向量空間
    1.3  巴拿赫空間與希爾伯特空間
    1.4  概率空間
    1.5  矩陣代數
      1.5.1  Kronecker積
      1.5.2  矩陣與向量微積分
    1.6  凸優化基礎
      1.6.1  基本概念
      1.6.2  凸集與凸函數
      1.6.3  次微分
      1.6.4  凸共軛
      1.6.5  拉格朗日對偶公式
    1.7  習題
  第2章  線性與核分類器
    2.1  引言
    2.2  硬間隔線性分類器
      2.2.1  可分離情況的最大間隔分類器
      2.2.2  對偶公式
      2.2.3  KKT條件與支持向量
    2.3  軟間隔線性分類器
    2.4  採用核SVM的非線性分類器
      2.4.1  特徵空間中的線性分類器
      2.4.2  核技巧
    2.5  圖像分類的經典方法
    2.6  習題
  第3章  線性回歸、邏輯回歸與核回歸
    3.1  引言
    3.2  線性回歸
    3.3  邏輯回歸
      3.3.1  對數概率與線性回歸
      3.3.2  使用邏輯回歸進行多分類
    3.4  嶺回歸
    3.5  核回歸
    3.6  回歸中的偏差-方差權衡
    3.7  習題
  第4章  再生核希爾伯特空間與表示定理
    4.1  引言
    4.2  再生核希爾伯特空間
      4.2.1  特徵映射和核
      4.2.2  再生核希爾伯特空間的定義
    4.3  表示定理
    4.4  表示定理的應用
      4.4.1  核嶺回歸
      4.4.2  核SVM
    4.5  核機器的優缺點
    4.6  習題
第二部分  深度學習的構成要素

  第5章  生物神經網路
  第6章  人工神經網路與反向傳播
  第7章  卷積神經網路
  第8章  圖神經網路
  第9章  歸一化和注意力
第三部分  深度學習的高級主題
  第10章  深度神經網路幾何學
  第11章  深度學習優化
  第12章  深度學習的泛化能力
  第13章  生成模型與無監督學習
  第14章  總結與展望
附錄A  專業術語中英文對照表
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