A8 9787000068345  9787115534521 9787115461476

（本套装包含以下书籍点击书名购买单册）

书名:深度学习 [deep learning]

定价:168.00元

作者:[美] Ian，Goodfellow，[加] Yoshua，Bengio著

出版社： 人民邮电出版社 

ISBN：9787115461476

版次：1

品牌：异步图书

包装：平装

外文名称：deep learning

开本：16开

出版时间：2017-08-01

用纸：胶版纸

《深度学习》由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；2部分系统深入地讲解现今已成熟的深度学习方法和技术；3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

1章引言1

11本书面向的读者7

12深度学习的历史趋势8

121神经网络的众多名称和命运变迁8

122与日俱增的数据量12

123与日俱增的模型规模13

124与日俱增的精度、复杂度和对现实世界的冲击15

1部分应用数学与机器学习基础

2章线性代数19

21标量、向量、矩阵和张量19

22矩阵和向量相乘21

23单位矩阵和逆矩阵22

24线性相关和生成子空间23

25范数24

26特殊类型的矩阵和向量25

27特征分解26

28奇异值分解28

29Moore-Penrose伪逆28

210迹运算29

211行列式30

212实例：主成分分析30

3章概率与信息论34

31为什么要使用概率34

32随机变量35

33概率分布36

331离散型变量和概率质量函数36

332连续型变量和概率密度函数36

34边缘概率37

35条件概率37

36条件概率的链式法则38

37独立性和条件独立性38

38期望、方差和协方差38

39常用概率分布39

391Bernoulli分布40

392Multinoulli分布40

393高斯分布40

394指数分布和Laplace分布41

395Dirac分布和经验分布42

396分布的混合42

310常用函数的有用性质43

311贝叶斯规则45

312连续型变量的技术细节45

313信息论47

314结构化概率模型49

4章数值计算52

41上溢和下溢52

42病态条件53

43基于梯度的优化方法53

431梯度之上：Jacobian和Hessian矩阵56

44约束优化60

45实例：线性小二乘61

5章机器学习基础63

51学习算法63

511任务T63

512性能度量P66

513经验E66

514示例：线性回归68

52容量、过拟合和欠拟合70

521没有免费午餐定理73

522正则化74

53参数和验证集76

531交叉验证76

54估计、偏差和方差77

541点估计77

542偏差78

543方差和标准差80

544权衡偏差和方差以小化均方误差81

545一致性82

55大似然估计82

551条件对数似然和均方误差84

552大似然的性质84

56贝叶斯统计85

561大后验(MAP)估计87

57监督学习算法88

571概率监督学习88

572支持向量机88

573其他简单的监督学习算法90

58无监督学习算法91

581主成分分析92

582k-均值聚类94

59随机梯度下降94

510构建机器学习算法96

511促使深度学习发展的挑战96

5111维数灾难97

5112局部不变性和平滑正则化97

5113流形学习99

2部分深度网络：现代实践

6章深度前馈网络105

61实例：学习XOR107

62基于梯度的学习110

621代价函数111

622输出单元113

63隐藏单元119

631整流线性单元及其扩展120

632logisticsigmoid与双曲正切函数121

633其他隐藏单元122

64架构设计123

641万能近似性质和深度123

642其他架构上的考虑126

65反向传播和其他的微分算法126

651计算图127

652微积分中的链式法则128

653递归地使用链式法则来实现反向传播128

654全连接MLP中的反向传播计算131

655符号到符号的导数131

656一般化的反向传播133

657实例：用于MLP训练的反向传播135

658复杂化137

659深度学习界以外的微分137

6510高阶微分138

66历史小记139

7章深度学习中的正则化141

71参数范数惩罚142

711L2参数正则化142

712L1正则化144

72作为约束的范数惩罚146

73正则化和欠约束问题147

74数据集增强148

75噪声鲁棒性149

751向输出目标注入噪声150

76半监督学习150

77多任务学习150

78提前终止151

79参数绑定和参数共享156

791卷积神经网络156

710稀疏表示157

711Bagging和其他集成方法158

712Dropout159

713对抗训练165

714切面距离、正切传播和流形正切分类器167

8章深度模型中的优化169

81学习和纯优化有什么不同169

811经验风险小化169

812代理损失函数和提前终止170

813批量算法和小批量算法170

82神经网络优化中的挑战173

821病态173

822局部极小值174

823高原、鞍点和其他平坦区域175

824悬崖和梯度爆炸177

825长期依赖177

826非精确梯度178

827局部和全局结构间的弱对应178

828优化的理论限制179

83基本算法180

831随机梯度下降180

832动量181

833Nesterov动量183

84参数初始化策略184

85自适应学习率算法187

851AdaGrad187

852RMSProp188

853Adam189

854选择正确的优化算法190

86二阶近似方法190

861牛顿法190

862共轭梯度191

863BFGS193

87优化策略和元算法194

871批标准化194

872坐标下降196

873Polyak平均197

874监督预训练197

875设计有助于优化的模型199

876延拓法和课程学习199

9章卷积网络201

91卷积运算201

92动机203

93池化207

94卷积与池化作为一种无限强的先验210

95基本卷积函数的变体211

96结构化输出218

97数据类型219

98高效的卷积算法220

99随机或无监督的特征220

910卷积网络的神经科学基础221

911卷积网络与深度学习的历史226

10章序列建模：循环和递归网络227

101展开计算图228

102循环神经网络230

1021导师驱动过程和输出循环网络232

1022计算循环神经网络的梯度233

1023作为有向图模型的循环网络235

1024基于上下文的RNN序列建模237

103双向RNN239

104基于编码-解码的序列到序列架构240

105深度循环网络242

106递归神经网络243

107长期依赖的挑战244

108回声状态网络245

109渗漏单元和其他多时间尺度的策略247

1091时间维度的跳跃连接247

1092渗漏单元和一系列不同时间尺度247

1093删除连接248

1010长短期记忆和其他门控RNN248

10101LSTM248

10102其他门控RNN250

1011优化长期依赖251

10111截断梯度251

10112引导信息流的正则化252

1012外显记忆253

11章实践方法论256

111性能度量256

112默认的基准模型258

113决定是否收集更多数据259

114选择参数259

1141手动调整参数259

1142自动参数优化算法262

1143网格搜索262

1144随机搜索263

1145基于模型的参数优化264

115调试策略264

116示例：多位数字识别267

12章应用269

121大规模深度学习269

1211快速的CPU实现269

1212GPU实现269

1213大规模的分布式实现271

1214模型压缩271

1215动态结构272

1216深度网络的专用硬件实现273

122计算机视觉274

1221预处理275

1222数据集增强277

123语音识别278

124自然语言处理279

1241n-gram280

1242神经语言模型281

1243高维输出282

1244结合n-gram和神经语言模型286

1245神经机器翻译287

1246历史展望289

125其他应用290

1251推荐系统290

1252知识表示、推理和回答292

3部分深度学习研究

13章线性因子模型297

131概率PCA和因子分析297

132独立成分分析298

133慢特征分析300

134稀疏编码301

135PCA的流形解释304

14章自编码器306

141欠完备自编码器306

142正则自编码器307

1421稀疏自编码器307

1422去噪自编码器309

1423惩罚导数作为正则309

143表示能力、层的大小和深度310

144随机编码器和解码器310

145去噪自编码器详解311

1451得分估计312

1452历史展望314

146使用自编码器学习流形314

147收缩自编码器317

148预测稀疏分解319

149自编码器的应用319

15章表示学习321

151贪心逐层无监督预训练322

1511何时以及为何无监督预训练有效有效323

152迁移学习和领域自适应326

153半监督解释因果关系329

154分布式表示332

155得益于深度的指数增益336

156提供发现潜在原因的线索337

16章深度学习中的结构化概率模型339

161非结构化建模的挑战339

162使用图描述模型结构342

1621有向模型342

1622无向模型344

1623配分函数345

1624基于能量的模型346

1625分离和d-分离347

1626在有向模型和无向模型中转换350

1627因子图352

163从图模型中采样353

164结构化建模的优势353

165学习依赖关系354

166推断和近似推断354

167结构化概率模型的深度学习方法355

1671实例：受限玻尔兹曼机356

17章蒙特卡罗方法359

171采样和蒙特卡罗方法359

1711为什么需要采样359

1712蒙特卡罗采样的基础359

172重要采样360

173马尔可夫链蒙特卡罗方法362

174Gibbs采样365

175不同的峰值之间的混合挑战365

1751不同峰值之间通过回火来混合367

1752深度也许会有助于混合368

18章直面配分函数369

181对数似然梯度369

182随机大似然和对比散度370

183伪似然375

184得分匹配和比率匹配376

185去噪得分匹配378

186噪声对比估计378

187估计配分函数380

1871退火重要采样382

1872桥式采样384

19章近似推断385

191把推断视作优化问题385

192期望大化386

193大后验推断和稀疏编码387

194变分推断和变分学习389

1941离散型潜变量390

1942变分法394

1943连续型潜变量396

1944学习和推断之间的相互作用397

195学成近似推断397

1951醒眠算法398

1952学成推断的其他形式398

20章深度生成模型399

201玻尔兹曼机399

202受限玻尔兹曼机400

2021条件分布401

2022训练受限玻尔兹曼机402

203深度信念网络402

204深度玻尔兹曼机404

2041有趣的性质406

2042DBM均匀场推断406

2043DBM的参数学习408

2044逐层预训练408

2045联合训练深度玻尔兹曼机410

205实值数据上的玻尔兹曼机413

2051Gaussian-BernoulliRBM413

2052条件协方差的无向模型414

206卷积玻尔兹曼机417

207用于结构化或序列输出的玻尔兹曼机418

208其他玻尔兹曼机419

209通过随机操作的反向传播419

2091通过离散随机操作的反向传播420

2010有向生成网络422

20101sigmoid信念网络422

20102可微生成器网络423

20103变分自编码器425

20104生成式对抗网络427

20105生成矩匹配网络429

20106卷积生成网络430

20107自回归网络430

20108线性自回归网络430

20109神经自回归网络431

201010NADE432

2011从自编码器采样433

20111与任意去噪自编码器相关的马尔可夫链434

20112夹合与条件采样434

20113回退训练过程435

2012生成随机网络435

20121判别性GSN436

2013其他生成方案436

2014评估生成模型437

2015结论438

参考文献439

索引486

ISBN编号: 9787115534521

书名: 深度学习导论(精装版)

作者: 尤金·查尔尼克

译者: 沈磊 郑春萍

定价: 89.00元

开本: 16开

是否是套装: 否

出版社名称: 人民邮电出版社

本书讲述了Tensorflow、前馈神经网络、卷积神经网络、词嵌入、循环神经网络、序列到序列学习、深度强化学习、无监督模型等深度学习领域的基本概念和技术，通过一系列的编程任务，向读者介绍了热门的人工智能应用，包括计算机视觉和自然语言处理等。 本书编写简明扼要，理论联系实践，每一章都包括一个编程项目、练习以及进一步阅读的参考资料。本书既可作为高校人工智能教学用书，也可供从业者入门参考。 本书要求读者熟悉线性代数、多元微积分、概率和统计知识，另外需要读者了解Python 编程。

第 1章 前馈神经网络 1 
1.1 感知机 3 
1.2 神经网络的交叉熵损失函数 7 
1.3 导数与随机梯度下降 11 
1.4 编写程序 15 
1.5 神经网络的矩阵表示 17 
1.6 数据独立性 19 
1.7 参考文献和补充阅读 20 
1.8 习题 21 
第 2章 Tensorflow 23 
2.1 预备知识 23 
2.2 TF程序 26 
2.3 多层神经网络 31 
2.4 其他方面 34 
2.4.1 检查点 34 
2.4.2 tensordot 35 
2.4.3 TF变量的初始化 37 
2.4.4 TF图创建的简化 39 
2.5 参考文献和补充阅读 40 
2.6 习题 40 
第3章 卷积神经网络 43 
3.1 滤波器、步长和填充 43 
3.2 一个简单的TF卷积例子 49 
3.3 多层卷积 51 
3.4 卷积细节 54 
3.4.1 偏置 54 
3.4.2 卷积层 55 
3.4.3 池化运算（pooling） 55 
3.5 参考文献和补充阅读 56 
3.6 习题 57 
第4章 词嵌入与循环神经网络 59 
4.1 语言模型的词嵌入 59 
4.2 构建前馈语言模型 63 
4.3 改进前馈语言模型 65 
4.4 过拟合 66 
4.5 循环网络 69 
4.6 长短期记忆模型 75 
4.7 参考文献和补充阅读 78 
4.8 习题 78 
第5章 序列到序列学习 81 
5.1 seq2seq模型 82 
5.2 编写一个seq2seq MT程序 84 
5.3 seq2seq中的注意力机制 87 
5.4 多长度seq2seq 90 
5.5 编程练习 91 
5.6 参考文献和补充阅读 93 
5.7 习题 94 
第6章 深度强化学习 97 
6.1 值迭代 98 
6.2 Q学习 101 
6.3 深度Q学习基础 103 
6.4 策略梯度法 106 
6.5 行动者-评论家方法 112 
6.6 经验回放 114 
6.7 参考文献和补充阅读 115 
6.8 习题 116 
第7章 无监督神经网络模型 119 
7.1 基本自编码 119 
7.2 卷积自编码 122 
7.3 变分自编码 126 
7.4 生成式对抗网络 132 
7.5 参考文献和补充阅读 137 
7.6 习题 137 
附录A 部分习题答案 139 
附录B 参考文献 143 
附录C 索引 147 
本书赞誉 151