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

深度學習簡明教程/人工智慧前沿技術叢書

  • 作者：編者:焦李成//劉夢琨//楊淑媛//劉芳//李玲玲等|責編:于文平|總主編:焦李成
  • 出版社：西安電子科大
  • ISBN：9787560669571
  • 出版日期：2023/12/01
  • 裝幀：平裝
  • 頁數：247
人民幣：RMB 48 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    為了適應和持續推動人工智慧學科和多學科交叉領域的新發展，本書遵循「理論化-典型化-應用化」的思路，秉持以理論學習和工程應用為主要背景論述深度學習基礎理論、方法和應用的宗旨，結合團隊多年領域研究和課堂教學實踐，從深度神經網路的核心結構和原理出發，闡述了典型神經網路及其實際應用。
    全書分為四部分，共16章。其中，深度學習理論概述部分（第1章）分析了人工智慧的歷史、發展與現狀；深度學習模型基礎部分（第2-8章）從神經網路的基礎出發，討論了人工神經網路的結構、原理、性質與典型應用，並依序詳細回顧了反向傳播演算法、卷積神經網路、自編碼網路、Hopfield神經網路、循環神經網路等幾類基本網路的功能、結構、演算法與典型應用； 深度學習進階部分（第9~14章）分別對殘差網路、生成式對抗網路、深度強化學習、圖神經網路、多尺度深度幾何網路、Transformer網路進行了介紹；深度學習實戰和展望部分（第15和16章）簡述了幾種深度學習實驗平台、工具的實例與方法，並在深度學習總結與展望中對深度學習的發展歷程進行了回顧，展望了深度學習未來的發展方向。
    本書可用於人工智慧、智能科學與技術、大數據科學與技術、智能機器人、電子科學與技術、人工智慧技術服務等領域相關專業本科生或研究生的實踐教學，也可供相關專業技術人員參考。
作者介紹
編者:焦李成//劉夢琨//楊淑媛//劉芳//李玲玲等|責編:于文平|總主編:焦李成
    焦李成，男，漢族，1959年10月生，1992年起任西安電子科技大學教授。現任智能感知與計算國際聯合研究中心主任、智能感知與圖像理解教育部重點實驗室主任、智能感知與計算國際合作聯合實驗室主任、「智能信息處理科學與技術」高等學校學科創新引智基地（「111計劃」）主任、教育部科技委國際合作部學部委員、中國人工智慧學會副理事長、IET西安分會主席、IEEE西安分會獎勵委員會主席、IEEE計算智能協會西安分會主席、IEEEGRSS西安分會主席，IEEETGRS副主編、教育部創新團隊首席專家。國務院學位委員會學科評議組成員、教育部本科教學水平評估專家。1991年被批准為享受國務院政府津貼的專家，1996年首批入選國家「百千萬」人才工程。當選為全國模範教師、陝西省師德標兵和曾任第八屆全國人大代表。     焦李成教授的主要研究方向為智能感知與計算、圖像理解與目標識別、深度學習與類腦計算，培養的十余名博士獲全國優秀博士學位論文獎、提名獎及陝西省優秀博士論文獎。研究成果獲包括國家自然科學獎二等獎及省部級一等獎以上科技獎勵十余項，出版學術專著十余部，五次獲國家優秀科技圖書獎勵及全國首屆三個一百優秀圖書獎。所發表的論著被他人引用超過25000余篇次，H指數為65。
目錄
第1章  緒論
  1.1  人工智慧
    1.1.1  人工智慧
    1.1.2  人工神經網路與人工智慧的區別
    1.1.3  人工神經網路與人工智慧的互補性
  1.2  機器學習
    1.2.1  第一次研究高潮
    1.2.2  第二次研究高潮
    1.2.3  神經網路：最近30年
  1.3  深度學習
  本章參考文獻
第2章  神經網路基礎
  2.1  神經元
    2.1.1  生物神經元
    2.1.2  McCulloch?Pitts神經元
  2.2  卷積層
  2.3  池化層
  2.4  正則化
  2.5  梯度下降法
    2.5.1  線性單元的梯度下降法
    2.5.2  隨機梯度下降法
  本章參考文獻
第3章  反向傳播演算法
  3.1  反向傳播機制
  3.2  反向傳播演算法性能分析
  3.3  改進的反向傳播演算法
    3.3.1  帶動量項自適應變步長BP演算法(ABPM)
    3.3.2  同倫BP演算法(HBP)
    3.3.3  LMBP演算法
  3.4  反向傳播演算法實現的幾點說明
  本章參考文獻
第4章  卷積神經網路（一）
  4.1  結構和學習演算法
    4.1.1  卷積神經網路的結構
    4.1.2  卷積神經網路的學習演算法
  4.2  兩種經典的卷積神經網路
    4.2.1  LeNet
    4.2.2  AlexNet
  4.3  案例與實踐
    4.3.1  圖像語義分割
    4.3.2  目標檢測
    4.3.3  目標跟蹤
  本章參考文獻
第5章  卷積神經網路（二）
  5.1  卷積神經網路的結構和原理
    5.1.1  卷積運算
    5.1.2  池化操作
    5.1.3  激活函數
    5.1.4  損失函數
  5.2  幾種經典的深度卷積神經網路

    5.2.1  VGG
    5.2.2  GoogLeNet
  5.3  案例與實踐
    5.3.1  圖像分類
    5.3.2  圖像分割
    5.3.3  目標檢測
  本章參考文獻
第6章  自編碼網路
  6.1  自編碼網路的結構
  6.2  自編碼網路的原理
  6.3  幾種經典的自編碼網路
    6.3.1  稀疏自編碼(SAE)
    6.3.2  收縮自編碼(CAE)
    6.3.3  棧式自編碼(SA)
  6.4  案例與實踐
    6.4.1  圖像分類
    6.4.2  目標檢測
    6.4.3  目標跟蹤
  本章參考文獻
第7章  Hopfield神經網路
  7.1  Hopfield神經網路的結構
  7.2  Hopfield反饋神經網路的原理
  7.3  Hopfield反饋神經網路的非線性動力學
    7.3.1  狀態軌跡為網路的穩定點
    7.3.2  狀態軌跡為極限環
    7.3.3  狀態軌跡為混沌狀態
    7.3.4  狀態軌跡發散
  7.4  案例與實踐
    7.4.1  TSP問題
    7.4.2  圖像分割
    7.4.3  人臉識別
  本章參考文獻
第8章  循環神經網路
  8.1  循環神經網路的結構
  8.2  循環神經網路的原理
  8.3  幾種經典的循環神經網路
    8.3.1  長短時記憶網路(LSTM)
    8.3.2  雙向循環神經網路(BiRNN)
    8.3.3  深度雙向循環神經網路(Deep BiRNN)
  8.4  案例與實踐
    8.4.1  自動問答
    8.4.2  文本摘要生成
    8.4.3  目標跟蹤
  本章參考文獻
第9章  殘差網路
  9.1  結構和原理
    9.1.1  殘差網路的結構
    9.1.2  殘差網路的原理
  9.2  幾種經典的殘差網路
    9.2.1  寬剩餘網路

    9.2.2  深度殘差金字塔網路
    9.2.3  空洞殘差網路
  9.3  案例與實踐
    9.3.1  圖像分類
    9.3.2  圖像分割
    9.3.3  目標檢測
  本章參考文獻
第10章  生成式對抗網路
  10.1  結構和原理
    10.1.1  生成式對抗網路的原理
    10.1.2  生成式對抗網路的結構
  10.2  幾種經典的生成式對抗網路
    10.2.1  信息最大化生成對抗網路(InfoGAN)
    10.2.2  條件生成對抗網路(CGAN)
    10.2.3  深度卷積生成對抗網路(DCGAN)
    10.2.4  循環一致性生成對抗網路(CycleGAN)
  10.3  案例與實踐
    10.3.1  數據增強
    10.3.2  圖像補全(修復)
    10.3.3  文本翻譯成圖像
  本章參考文獻
第11章  深度強化學習
  11.1  結構和原理
    11.1.1  深度強化學習的結構
    11.1.2  深度強化學習的原理
  11.2  幾種經典的深度強化學習網路
    11.2.1  基於卷積神經網路的深度強化學習
    11.2.2  基於遞歸神經網路的深度強化學習
  11.3  案例與實踐
    11.3.1  玩Atari遊戲
    11.3.2  目標檢測
    11.3.3  目標跟蹤
  本章參考文獻
第12章  圖神經網路
  12.1  結構和原理
    12.1.1  圖神經網路的結構
    12.1.2  圖神經網路的原理
  12.2  幾種經典的圖神經網路
    12.2.1  基於空間域的圖卷積神經網路
    12.2.2  基於譜域的圖卷積神經網路
    12.2.3  圖注意力網路
  12.3  案例與實踐
    12.3.1  圖像分類
    12.3.2  目標檢測
    12.3.3  語義分割
  本章參考文獻
第13章  多尺度深度幾何網路
  13.1  多尺度分析
    13.1.1  小波神經網路
    13.1.2  多小波網路

  13.2  多尺度幾何網路
    13.2.1  方向多分辨脊波網路
    13.2.2  深度曲線波散射網路
    13.2.3  輪廓波卷積神經網路
  13.3  案例與實踐
    13.3.1  極化SAR圖像分類
    13.3.2  SAR圖像目標檢測
  本章參考文獻
第14章  Transformer網路
  14.1  Transformer基礎知識
    14.1.1  Transformer的介紹
    14.1.2  Transformer的結構和原理
  14.2  常見的Transformer變體
    14.2.1  基於模型架構的改進
    14.2.2  基於其他模塊級的改進
  14.3  案例與實踐
    14.3.1  圖像分類
    14.3.2  圖像分割
    14.3.3  目標檢測
  本章參考文獻
第15章  深度學習實驗平台
  15.1  Pytorch
    15.1.1  平台介紹與應用優勢
    15.1.2  常用的工具包
    15.1.3  編碼實例
  15.2  Tensorflow
    15.2.1  平台介紹與應用優勢
    15.2.2  編碼實例
    15.2.3  Keras API介面實例
第16章  總結與展望
  16.1  深度學習的發展歷程
  16.2  深度學習的未來方向
  本章參考文獻

  • 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