基本信息

 

书   名:  卷积神经网络与视觉计算  图书定价:  59元  作 者:  [美] 拉加夫·维凯特森（Ragav Venkatesan）李宝新（Baoxin Li）  出 版 社:  机械工业出版社  出版日期:  2018-11-27  ISBN 号:  9787111612391  开   本: 16开  页   数: 182  版   次: 1-1

 

内容介绍

从零基础开始，系统阐述卷积神经网络理论基础及其实践应用，可以帮助初学者快速学习和构建深度学习系统。第1章简要介绍了图像表示和一些计算机视觉模型；第2章介绍了回归、机器学习和优化的概念；第3章介绍了Rosenblatt感知器和感知器学习算法、logistic神经元及其激活函数，以及两类和多类问题的单神经元模型等；第4章介绍了卷积池化层和CNN；第5章通过介绍CNN的一些当前新颖实用的用法，进一步拓展和丰富了深度神经网络的结构。

目录

 

译者序

作者简介

前言

致谢

1章视觉计算简介

11图像表示基础

111变换域表示

112图像的直方图

113图像梯度和边缘

114超越图像梯度

12基于Hough变换的直线检测

13Harris角点

14尺度不变的特征变换

15方向梯度直方图

151人工设计特征空间中的决策制定

152贝叶斯决策

153线性决策边界

16可变形零件模型的实例研究

17计算机视觉向神经网络转变

本章小结

参考文献

第2章回归问题中的机器学习

21监督学习

22线性模型

23最小二乘法

24极大似然估计的解释

25扩展到非线性模型

26正则化

27交叉验证

28梯度下降

29几何正则化

210非凸误差面

211随机梯度、批梯度及在线梯度下降

212其他自适应学习率的更新规则

213动量

本章小结

参考文献

第3章 人工神经网络

31感知器

32多层神经网络

33反向传播算法

34改进的反向传播算法

341激活函数

342权重剪枝

343批量标准化

本章小结

参考文献

第4章卷积神经网络

41卷积与池化层

42卷积神经网络

本章小结

参考文献

第5章卷积神经网络的新进展

51预训练网络

511通用性和可传递性

512利用预训练网络的模型压缩

513Mentee网络与FitNet

514使用预训练网络的应用：使用CNN的图像美学

52生成网络

521自动编码器

522生成对抗网络

本章小结

参考文献

附录AYann

后记

 

 

 

基本信息

 

书   名:  计算机视觉算法：基于opencv的计算机应用开发  图书定价:  69元  作 者:  [伊朗] 阿明·艾哈迈迪·塔兹赫孔迪（Amin Ahmadi Tazehkandi）  出 版 社:  机械工业出版社  出版日期:  2019-04-15  ISBN 号:  9787111623151  开   本: 16开  页   数: 213  版   次: 1-1

 

目录

 

译者序

前言

关于作者

关于审稿人

1章 计算机视觉概述 1

1.1 技术要求 1

1.2 理解计算机视觉 1

1.3 理解计算机图像 3

1.3.1 色彩空间 5

1.3.2 输入、处理和输出 7

1.4 计算机视觉框架和软件库 8

1.5 总结 9

1.6 习题 9

第2章 OpenCV入门 11

2.1 技术要求 12

2.2 OpenCV介绍 12

2.3 OpenCV的下载、编译和安装 14

2.4 在C++或Python项目中使用OpenCV 17

2.5 理解Mat类 19

2.5.1 创建一个Mat对象 20

2.5.2 删除一个Mat对象 23

2.5.3 访问像素 24

2.6 图像读写 27

2.7 视频文件读写 29

2.7.1 使用摄像头 31

2.7.2 使用RTSP和网络流媒体 32

2.8 Mat类家族 32

2.9 总结 32

2.10 习题 33

2.11 补充阅读 33

第3章 数组和矩阵操作 34

3.1 技术要求 34

3.2 Mat类中的操作 35

3.2.1 克隆矩阵 35

3.2.2 计算叉积 35

3.2.3 提取对角线 36

3.2.4 计算点积 36

3.2.5 学习单位矩阵 37

3.2.6 矩阵求逆 37

3.2.7 元素级矩阵乘法 37

3.2.8 全一和全零矩阵 37

3.2.9 矩阵转置 38

3.2.10 重塑Mat对象 39

3.3 元素级矩阵操作 39

3.3.1 基本操作 39

3.3.2 按位逻辑操作 43

3.3.3 比较操作 47

3.3.4 数学操作 48

3.4 矩阵和数组级操作 49

3.4.1 为外推法生成边界 50

3.4.2 翻转（镜像）和旋转图像 51

3.4.3 使用图像通道 52

3.4.4 数学函数 54

3.4.5 搜索和定位功能 58

3.5 总结 60

3.6 习题 61

第4章 绘图、滤镜和变换 62

4.1 技术要求 62

4.2 在图像上绘图 63

4.2.1 在图像上打印文字 63

4.2.2 在图像上绘制形状 66

4.3 图像滤镜 72

4.3.1 模糊/平滑滤镜 72

4.3.2 形态滤镜 76

4.3.3 基于导数的滤镜 79

4.3.4 任意滤镜 80

4.4 图像变换 81

4.4.1 阈值算法 81

4.4.2 色彩空间和类型转换 83

4.5 几何变换 84

4.6 使用色彩表 86

4.7 总结 88

4.8 习题 88

第5章 反向投影和直方图 89

5.1 技术要求 89

5.2 理解直方图 90

5.3 直方图反向投影 95

5.4 直方图比较 103

5.5 直方图均衡 105

5.6 总结 106

5.7 习题 107

5.8 补充阅读 107

第6章 视频分析——运动检测和

追踪 108

6.1 技术要求 108

6.2 视频处理 109

6.3 理解均值偏移算法 112

6.4 使用连续自适应均值偏移算法 119

6.5 使用卡尔曼滤波器进行运动追踪和降噪 122

6.6 如何提取背景和前景 129

6.7 总结 132

6.8 习题 132

第7章 对象检测——特征和描述符 133

7.1 技术要求 133

7.2 用于对象检测的模板匹配 134

7.3 检测角点和边缘 137

7.3.1 学习Harris角点检测算法 137

7.3.2 边缘检测算法 143

7.4 轮廓计算和分析 147

7.5 特征检测、描述和匹配 152

7.6 总结 158

7.7 习题 158

第8章 机器学习与计算机视觉 160

8.1 技术要求 160

8.2 支持向量机 161

8.3 用人工神经网络训练模型 169

8.4 级联分类算法 171

8.4.1 使用级联分类器进行对象检测 171

8.4.2 训练级联分类器 174

8.5 使用深度学习模型 180

8.6 总结 184

8.7 习题 184

习题答案 185

 

 

 

基本信息

书名： 机器学习算法视角（原书第2版）

图书定价： 99元 图书作者： 新西兰] 史蒂芬？马斯兰（Stephen Marsland） 出版社： 机械工业出版社 出版日期： 2019-04-01 ISBN号： 9787111622260 开本： 16开 版次： 1-1
内容介绍

机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。

书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。

本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。

目录

 

Machine Learning: An Algorithmic Perspective, Second

Edition

第2版前言

1版前言

1章 绪论1

1.1 如果数据有质量，地球将成为黑洞1

1.2 学习3

1.2.1 机器学习3

1.3 机器学习的类别4

1.4 监督学习5

1.4.1 回归5

1.4.2 分类6

1.5 机器学习过程7

1.6 关于编程的注意事项8

1.7 本书的学习路线 9

拓展阅读10

第2章 预备知识11

2.1 专业术语11

2.1.1 权重空间11

2.1.2 维度灾难12

2.2 知你所知：测试机器学习算法13

2.2.1 过拟合14

2.2.2 训练集、测试集和验证集14

2.2.3 混淆矩阵15

2.2.4 精度指标16

2.2.5 受试者工作特征曲线17

2.2.6 不平衡数据集17

2.2.7 度量精度18

2.3 数据与概率的转换19

2.3.1 最小化风险20

2.3.2 朴素贝叶斯分类21

2.4 基本统计概念22

2.4.1 平均值22

2.4.2 方差与协方差22

2.4.3 高斯分布24

2.5 权衡偏差与方差24

拓展阅读26

习题26

第3章 神经元、神经网络和线性判别27

3.1 大脑和神经元27

3.1.1 Hebb法则27

3.1.2 McCulloch和Pitts神经元28

3.1.3 McCulloch和Pitts神经元模型的局限性29

3.2 神经网络30

3.3 感知器31

3.3.1 学习速率η32

3.3.2 输入偏置32

3.3.3 感知器学习算法33

3.3.4 感知器学习示例34

3.3.5 具体实现35

3.4 线性可分性39

3.4.1 感知器收敛定理40

3.4.2 XOR函数41

3.4.3 有用的领悟42

3.4.4 另一个示例：皮马印第安人数据集43

3.4.5 数据预处理44

3.5 线性回归45

3.5.1 示例46

拓展阅读47

习题48

第4章 多层感知器49

4.1 前向50

4.1.1 偏置50

4.2 后向：误差的反向传播50

4.2.1 多层感知器算法53

4.2.2 初始化权重55

4.2.3 不同的输出激活函数56

4.2.4 顺序和批量训练57

4.2.5 局部最小57

4.2.6 利用冲量58

4.2.7 小批量和随机梯度下降58

4.2.8 其他改善方法59

4.3 实践中的MLP59

4.3.1 训练数据的量59

4.3.2 隐藏层的数目59

4.3.3 什么时候停止学习60

4.4 MLP应用示例61

4.4.1 回归问题61

4.4.2 使用MLP分类63

4.4.3 分类示例：iris数据集64

4.4.4 时间序列预测66

4.4.5 数据压缩：自动关联网络68

4.5 MLP使用指南69

4.6 反向传播的推导70

4.6.1 网络输出70

4.6.2 网络误差70

4.6.3 激活函数的要求71

4.6.4 误差的后向传播72

4.6.5 输出激活函数74

4.6.6 误差函数的另一种形式75

拓展阅读75

习题76

第5章 径向基函数和样条函数77

5.1 感受野77

5.2 径向基函数网络79

5.2.1 训练RBF网络80

5.3 插值和基函数82

5.3.1 基和基扩展83

5.3.2 三次样条函数84

5.3.3 用样条拟合数据84

5.3.4 平滑样条85

5.3.5 更高维度86

5.3.6 边界之外86

拓展阅读87

习题87

第6章 维度约简88

6.1 线性判别分析89

6.2 主成分分析91

6.2.1 PCA算法与多层感知器的关系94

6.2.2 核PCA94

6.3 因素分析96

6.4 独立成分分析97

6.5 局部线性嵌入98

6.6 ISOMAP算法100

6.6.1 多维标度法101

拓展阅读102

习题103

第7章 概率学习104

7.1 高斯混合模型104

7.1.1 期望最大化算法105

7.1.2 信息准则107

7.2 最近邻法108

7.2.1 近邻平滑109

7.2.2 有效的距离计算：KD-Tree110

7.2.3 距离度量112

拓展阅读114

习题114

第8章 支持向量机115

8.1 最优分割115

8.1.1 间隔和支持向量116

8.1.2 约束优化问题117

8.1.3 非线性可分问题的松弛变量119

8.2 核120

8.2.1 选择核121

8.2.2 示例：XOR122

8.3 支持向量机算法122

8.3.1 实现123

8.3.2 示例125

8.4 支持向量机的拓展126

8.4.1 多类分类126

8.4.2 支持向量机回归127

8.4.3 其他优势128

拓展阅读128

习题128

第9章 优化和搜索130

9.1 下山法130

9.1.1 泰勒展开132

9.2 最小二乘优化133

9.2.1 Levenberg-Marquardt算法133

9.3 共轭梯度法137

9.3.1 示例139

9.3.2 共轭梯度和MLP139

9.4 搜索：三种基本方法141

9.4.1 穷举法141

9.4.2 贪婪搜索142

9.4.3 爬山法142

9.5 开发和探索143

9.6 模拟退火法143

9.6.1 算法比较144

拓展阅读145

习题145

第10章 进化学习146

10.1 遗传算法147

10.1.1 字符串表示147

10.1.2 评价适应度148

10.1.3 种群148

10.1.4 产生后代：选择父母149

10.2 产生后代：遗传算子150

10.2.1 交叉150

10.2.2 变异151

10.2.3 精英法、比赛法和小生境151

10.3 使用遗传算法153

10.3.1 图着色153

10.3.2 间断平衡154

10.3.3 示例：背包问题155

10.3.4 示例：四峰问题155

10.3.5 遗传算法的缺陷156

10.3.6 用遗传算法训练神经网络156

10.4 遗传程序157

10.5 与采样结合的进化学习158

拓展阅读159

习题160

第11章 强化学习161

11.1 概述161

11.2 示例：迷路162

11.2.1 状态和动作空间163

11.2.2 胡萝卜和棍子：奖赏函数164

11.2.3 折扣165

11.2.4 动作选择165

11.2.5 策略166

11.3 马尔可夫决策过程166

11.3.1 马尔可夫性166

11.3.2 马尔可夫决策过程中的概率167

11.4 值167

11.5 回到迷路的示例：利用强化学习170

11.6 sarsa和Q-learning的不同171

11.7 强化学习的用处172

拓展阅读172

习题173

第12章 树的学习174

12.1 使用决策树174

12.2 构建决策树175

12.2.1 快速入门：信息论中的熵175

12.2.2 ID3176

12.2.3 基于Python的树和图的实现178

12.2.4 决策树的实现178

12.2.5 处理连续变量180

12.2.6 计算复杂度180

12.3 分类和回归树181

12.3.1 基尼不纯度181

12.3.2 树回归182

12.4 分类示例182

拓展阅读184

习题184

第13章 委员会决策：集成学习186

13.1 boosting187

13.1.1 AdaBoost187

13.1.2 掘根190

13.2 bagging190

13.2.1 subagging191

13.3 随机森林192

13.3.1 与boosting方法比较193

13.4 组合分类器的不同方法194

拓展阅读195

习题196

第14章 无监督学习197

14.1 k-means算法197

14.1.1 处理噪点200

14.1.2 k-means神经网络200

14.1.3 归一化201

14.1.4 一个更好的权重更新规则202

14.1.5 示例：iris数据203

14.1.6 使用竞争学习来聚类203

14.2 向量量化204

14.3 自组织特征映射204

14.3.1 SOM算法206

14.3.2 近邻连接207

14.3.3 自组织208

14.3.4 网络维度和边界条件208

14.3.5 SOM应用示例209

拓展阅读211

习题211

第15章 马尔可夫链蒙特卡罗方法213

15.1 采样213

15.1.1 随机数213

15.1.2 高斯随机数214

15.2 蒙特卡罗216

15.3 建议分布216

15.4 马尔可夫链蒙特卡罗219

15.4.1 马尔可夫链219

15.4.2 Metropolis-Hastings算法220

15.4.3 模拟退火222

15.4.4 Gibbs采样223

拓展阅读224

习题225

第16章 图模型226

16.1 贝叶斯网络227

16.1.1 示例：考试恐惧227

16.1.2 近似推断230

16.1.3 创建贝叶斯网络232

16.2 马尔可夫随机场233

16.3 隐马尔可夫模型234

16.3.1 前向算法236

16.3.2 Viterbi算法238

16.3.3 Baum-Welch或前向后向算法239

16.4 跟踪方法242

16.4.1 卡尔曼滤波242

16.4.2 粒子滤波247

拓展阅读249

习题250

第17章 对称权重与深度置信网络251

17.1 积极学习:Hopfield网络252

17.1.1 联想记忆252

17.1.2 实现联想记忆252

17.1.3 能量函数255

17.1.4 Hopfield网络的容量256

17.1.5 连续Hopfield网络257

17.2 随机神经元：玻尔兹曼机257

17.2.1 受限玻尔兹曼机259

17.2.2 CD算法的推导262

17.2.3 监督学习265

17.2.4 RBM作为定向置信网络267

17.3 深度学习268

17.3.1 深度置信网络270

拓展阅读273

习题273

第18章 高斯过程274

18.1 高斯过程回归275

18.1.1 添加噪声276

18.1.2 高斯过程回归的实现（一）278

18.1.3 学习参数279

18.1.4 高斯过程回归的实现（二）280

18.1.5 选择（一组）协方差函数282

18.2 高斯过程分类282

18.2.1 拉普拉斯近似283

18.2.2 计算后验283

18.2.3 高斯过程分类的实现285

拓展阅读286

习题287

附录 Python入门288

 

 

基本信息

 

书   名:  机器学习基础  图书定价:  99元  作 者:  [美] 梅尔亚·莫里（Mehryar Mohri） 阿夫欣·罗斯塔米扎达尔（Afshin Rostamizadeh） 阿米特·塔尔沃卡尔（Ameet Talwalkar）  出 版 社:  机械工业出版社  出版日期:  2019-04-24  ISBN 号:  9787111622185  开   本: 16开  页   数: 298  版   次: 1-1

 

内容介绍

本书讲述了机器学习中的基本原理和方法，描述了几个重要的现代算法，并为这些算法提供了理论基础，并展示出其应用的关键方面。作者旨在为初学者提供理论工具和概念的同时，给出具体的证明即使是相对高级的主题。本书面向机器学习、统计及相关领域的研究生和研究人员，既可以作为机器学习课程或研讨班的教材或参考书，也适合作为从事机器学习、数据挖掘等大数据挖掘和分析的专业人员。

目录

 

译者序

前言

1章 引言1

1.1 应用与问题1

1.2 定义与术语2

1.3 交叉验证4

1.4 学习情境5

1.5 本书概览6

第2章 PAC学习框架8

2.1 PAC学习模型8

2.2 对有限假设集的学习保证——一致的情况12

2.3 对有限假设集的学习保证——不一致的情况16

2.4 泛化性18

2.4.1 确定性与随机性情境18

2.4.2 贝叶斯误差与噪声19

2.4.3 估计误差与近似误差19

2.4.4 模型选择20

2.5 文献评注21

2.6 习题22

第3章 Rademacher复杂度和VC-维25

3.1 Rademacher复杂度25

3.2 生长函数29

3.3 VC-维31

3.4 下界36

3.5 文献评注41

3.6 习题42

第4章 支持向量机47

4.1 线性分类47

4.2 可分情况下的支持向量机48

4.2.1 原始优化问题48

4.2.2 支持向量49

4.2.3 对偶优化问题50

4.2.4 留一法51

4.3 不可分情况下的支持向量机52

4.3.1 原始优化问题53

4.3.2 支持向量54

4.3.3 对偶优化问题55

4.4 间隔理论56

4.5 文献评注62

4.6 习题62

第5章 核方法65

5.1 引言65

5.2 正定对称核67

5.2.1 定义67

5.2.2 再生核希尔伯特空间69

5.2.3 性质70

5.3 基于核的算法73

5.3.1 具有PDS核的SVM73

5.3.2 表示定理74

5.3.3 学习保证75

5.4 负定对称核76

5.5 序列核78

5.5.1 加权转换器79

5.5.2 有理核82

5.6 文献评注85

5.7 习题85

第6章 boosting89

6.1 引言89

6.2 AdaBoost算法90

6.2.1 经验误差的界92

6.2.2 与坐标下降的关系93

6.2.3 与逻辑回归的关系94

6.2.4 实践中的标准使用方式95

6.3 理论结果95

6.3.1 基于VC-维的分析96

6.3.2 基于间隔的分析96

6.3.3 间隔最大化100

6.3.4 博弈论解释101

6.4 讨论103

6.5 文献评注104

6.6 习题105

第7章 在线学习108

7.1 引言108

7.2 有专家建议的预测109

7.2.1 错误界和折半算法109

7.2.2 加权多数算法110

7.2.3 随机加权多数算法111

7.2.4 指数加权平均算法114

7.3 线性分类117

7.3.1 感知机算法117

7.3.2 Winnow算法122

7.4 在线到批处理的转换124

7.5 与博弈论的联系127

7.6 文献评注127

7.7 习题128

第8章 多分类133

8.1 多分类问题133

8.2 泛化界134

8.3 直接型多分类算法139

8.3.1 多分类SVM139

8.3.2 多分类boosting算法140

8.3.3 决策树141

8.4 类别分解型多分类算法144

8.4.1 一对多144

8.4.2 一对一145

8.4.3 纠错编码146

8.5 结构化预测算法148

8.6 文献评注149

8.7 习题150

第9章 排序152

9.1 排序问题152

9.2 泛化界153

9.3 使用SVM进行排序155

9.4 RankBoost156

9.4.1 经验误差界158

9.4.2 与坐标下降的关系159

9.4.3 排序问题集成算法的间隔界160

9.5 二部排序161

9.5.1 二部排序中的boosting算法162

9.5.2 ROC曲线下面积164

9.6 基于偏好的情境165

9.6.1 两阶段排序问题166

9.6.2 确定性算法167

9.6.3 随机性算法168

9.6.4 关于其他损失函数的扩展168

9.7 讨论169

9.8 文献评注170

9.9 习题171

第10章 回归172

10.1 回归问题172

10.2 泛化界173

10.2.1 有限假设集173

10.2.2 Rademacher复杂度界174

10.2.3 伪维度界175

10.3 回归算法177

10.3.1 线性回归178

10.3.2 核岭回归179

10.3.3 支持向量回归182

10.3.4 Lasso186

10.3.5 组范数回归算法188

10.3.6 在线回归算法189

10.4 文献评注190

10.5 习题190

第11章 算法稳定性193

11.1 定义193

11.2 基于稳定性的泛化保证194

11.3 基于核的正则化算法的稳定性196

11.3.1 应用于回归算法：SVR和KRR198

11.3.2 应用于分类算法：SVM200

11.3.3 讨论200

11.4 文献评述201

11.5 习题201

第12章 降维203

12.1 主成分分析204

12.2 核主成分分析205

12.3 KPCA和流形学习206

12.3.1 等距映射206

12.3.2 拉普拉斯特征映射207

12.3.3 局部线性嵌入207

12.4 Johnson-Lindenstrauss引理208

12.5 文献评注210

12.6 习题210

第13章 学习自动机和语言212

13.1 引言212

13.2 有限自动机213

13.3 高效精确学习214

13.3.1 被动学习214

13.3.2 通过查询学习215

13.3.3 通过查询学习自动机216

13.4 极限下的识别220

13.5 文献评注224

13.6 习题225

第14章 强化学习227

14.1 学习情境227

14.2 马尔可夫决策过程模型228

14.3 策略229

14.3.1 定义229

14.3.2 策略值229

14.3.3 策略评估230

14.3.4 最优策略230

14.4 规划算法231

14.4.1 值迭代231

14.4.2 策略迭代233

14.4.3 线性规划235

14.5 学习算法235

14.5.1 随机逼近236

14.5.2 TD（0）算法239

14.5.3 Q-学习算法240

14.5.4 SARSA242

14.5.5 TD（λ）算法242

14.5.6 大状态空间243

14.6 文献评注244

结束语245

附录A 线性代数回顾246

附录B 凸优化251

附录C 概率论回顾257

附录D 集中不等式264

附录E 符号273

索引274

参考文献

 参考文献为网络资源，请访问华章网站www.hzbook.com下载。——编辑注

 

 

 

基本信息

 

书名： 当计算机体系结构遇到深度学习：面向计算机体系结构设计师的深度学习概论 定价： 69元 作者： 【美】布兰登·里根（Brandon Reagen） 罗伯特·阿道夫（Robert Adolf） 保罗·沃特莫（Paul Whatmough） 古杨·魏（Gu-Yeon Wei） 大卫·布鲁克斯（David Brooks） 出版社： 机械工业出版社 出版日期： 2019-03-28 ISBN号： 9787111622482 开本： 16开 页数： 140 版次： 1-1

 

内容介绍

本书是面向计算机体系结构研究人员和工程师的深度学习入门读本。旨在用深度学习的方法和工具来改进硬件设计和做好加速和优化，提高深度学习系统的性能和精度。

目录

 

译者序

前言

作者简介

1章 引言/ 1

1.1 神经网络的兴起和衰落/ 2

1.2 第三波人工智能热潮/ 4

1.3 深度学习中硬件的角色/ 7

第2章 深度学习基础/ 11

2.1 神经网络/ 12

2.1.1 生物神经网络/ 12

2.1.2 人工神经网络/ 14

2.1.3 深度神经网络/ 18

2.2 神经网络学习/ 19

2.2.1 神经网络学习的类型/ 21

2.2.2 深度神经网络如何学习/ 22

第3章 方法和模型/ 31

3.1 高级神经网络方法概述/ 32

3.1.1 模型体系结构/ 32

3.1.2 特殊化的层/ 36

3.2 现代深度学习的参考工作负载/ 37

3.2.1 深度学习工作负载集的标准/ 37

3.2.2 Fathom工作负载/ 40

3.3 深度学习背后的计算原理/ 44

3.3.1 深度学习框架的测量与分析/ 44

3.3.2 操作类型评测/ 46

3.3.3 性能相似度/ 48

3.3.4 训练和推理/ 49

3.3.5 并行和操作平衡/ 51

第4章 神经网络加速器优化：案例研究/ 55

4.1 神经网络和简单墙/ 57

4.2 Minerva：一种跨越三层的方法/ 60

4.3 建立基准：安全的优化/ 63

4.3.1 训练空间探索/ 63

4.3.2 加速器设计空间/ 66

4.4 低功耗神经网络加速器：不安全的优化/ 70

4.4.1 数据类型量化/ 70

4.4.2 选择性操作修剪/ 72

4.4.3 SRAM故障缓解/ 74

4.5 讨论/ 79

4.6 展望/ 81第5章 文献调查和综述/ 835.1 介绍/ 84

5.2 分类法/ 84

5.3 算法/ 86

5.3.1 数据类型/ 87

5.3.2 模型稀疏性/ 89

5.4 体系结构/ 92

5.4.1 模型稀疏性/ 95

5.4.2 模型支持/ 98

5.4.3 数据移动/ 105

5.5 电路/ 108

5.5.1 数据移动/ 109

5.5.2 容错/ 112

第6章 结论/ 115

参考文献/ 117

 

 

 

基本信息

 

 书   名:  卷积神经网络与计算机视觉  图书定价:  99元  作 者:  [澳] 萨尔曼·汗（Salman Khan） 侯赛因·拉哈马尼（Hossein Rahmani） 赛义德·阿法克·阿里·沙（Syed Afaq Ali Shah） 穆罕默德·本纳努恩（Mohammed Bennamoun）  出 版 社:  机械工业出版社  出版日期:  2019-04-09  ISBN 号:  9787111622888  开   本: 16开  页   数: 196  版   次: 1-1

 

内容介绍

本书自成一体，如果你既想了解CNN的原理，又想获得将CNN应用于计算机视觉的一手经验，那么本书将非常适合阅读。书中对CNN进行了全面介绍，首先是神经网络的基本概念：训练、正则化和优化。然后讨论了各种各样的损失函数、网络层和流行的CNN架构，回顾了评价CNN的不同技术，并介绍了一些常用的CNN工具和库。此外，本书还分析了CNN在计算机视觉中的应用案例，包括图像分类、对象检测、语义分割、场景理解和图像生成。

目录

 

译者序

前言

致谢

作者简介

1章简介

11什么是计算机视觉

111应用案例

112图像处理与计算机视觉

12什么是机器学习

121为什么需要深度学习

13本书概览

第2章特征和分类器

21特征和分类器的重要性

211特征

212分类器

22传统特征描述符

221方向梯度直方图 

222尺度不变特征变换

223加速健壮特征

224传统的手工工程特征的局限性

23机器学习分类器

231支持向量机

232随机决策森林

24总结

第3章神经网络基础

31引言

32多层感知机

321基础架构

322参数学习

33循环神经网络

331基础架构

332参数学习

34与生物视觉的关联

341生物神经元模型

342神经元的计算模型

343人工神经元与生物神经元

第4章卷积神经网络

41引言

42神经网络层

421预处理

422卷积层

423池化层

424非线性

425全连接层

426转置卷积层

427感兴趣区域的池化层

428空间金字塔池化层

429局部特征聚合描述符层

4210空间变换层

43CNN损失函数

431交叉熵损失函数

432SVM铰链损失函数

433平方铰链损失函数

434欧几里得损失函数

4351误差

436对比损失函数

437期望损失函数

438结构相似性度量

第5章CNN学习

51权重初始化

511高斯随机初始化

512均匀随机初始化

513正交随机初始化

514无监督的预训练

515泽维尔(Xavier)初始化

516ReLU敏感的缩放初始化

517层序单位方差

518有监督的预训练

52CNN的正则化

521数据增强

522随机失活

523随机失连

524批量归一化

525集成模型平均

5262正则化

5271正则化

528弹性网正则化

529最大范数约束

5210早停

53基于梯度的CNN学习

531批量梯度下降

532随机梯度下降

533小批量梯度下降

54神经网络优化器

541动量

542涅斯捷罗夫动量

543自适应梯度

544自适应增量

545RMSprop

546自适应矩估计

55CNN中的梯度计算

551分析微分法

552数值微分法

553符号微分法

554自动微分法

56通过可视化理解CNN

561可视化学习的权重

562可视化激活

563基于梯度的可视化

第6章CNN架构的例子

61LeNet

62AlexNet

63NiN

64VGGnet

65GoogleNet

66ResNet

67ResNeXt

68FractalNet

69DenseNet

第7章CNN在计算机视觉中的应用

71图像分类

711PointNet

72目标检测与定位

721基于区域的CNN

722快速RCNN

723区域建议网络

73语义分割

731全卷积网络

732深度反卷积网络

733DeepLab

74场景理解

741DeepContext

742从RGBD图像中学习丰富的特征

743用于场景理解的PointNet

75图像生成

751生成对抗网络

752深度卷积生成对抗网络

753超分辨率生成对抗网络

76基于视频的动作识别

761静止视频帧的动作识别

762双流CNN

763长期递归卷积网络

第8章深度学习工具和库

81Caffe

82TensorFlow

83MatConvNet

84Torch7

85Theano

86Keras

87Lasagne

88Marvin

89Chainer

810PyTorch

第9章结束语

91本书概要

92未来研究方向

术语表

参考文献

 

 

 

基本信息

 

 书   名:  统计强化学习：现代机器学习方法  图书定价:  79元  作 者:  [日]杉山将（Masashi Sugiyama）  出 版 社:  机械工业出版社  出版日期:  2019-05-07  ISBN 号:  9787111622451  开   本: 16开  页   数: 199  版   次: 1-1

 

内容介绍 

本书从现代机器学习的视角介绍了统计强化学习的基本概念和实用算法。它涵盖了各种类型的强化学习方法，包括基于模型的方法和与模型无关的方法，策略迭代和策略搜索方法。

目录

 

译者序

序

前言

作者简介

一部分 简介

1章 强化学习介绍3

1.1 强化学习3

1.2 数学形式化8

1.3 本书结构11

1.3.1 模型无关策略迭代11

1.3.2 模型无关策略搜索12

1.3.3 基于模型的强化学习13

第二部分 模型无关策略迭代

第2章 基于值函数近似的策略迭代17

2.1 值函数17

2.1.1 状态值函数17

2.1.2 状态-动作值函数18

2.2 最小二乘策略迭代19

2.2.1 瞬时奖赏回归20

2.2.2 算法21

2.2.3 正则化23

2.2.4 模型选择25

2.3 本章小结26

第3章 值函数近似中的基函数设计27

3.1 图中的高斯核27

3.1.1 MDP-诱导图27

3.1.2 通用高斯核28

3.1.3 测地线高斯核29

3.1.4 扩展到连续状态空间30

3.2 图解说明30

3.2.1 配置30

3.2.2 测地线高斯核31

3.2.3 通用高斯核33

3.2.4 图拉普拉斯特征基33

3.2.5 扩散小波35

3.3 数值示例35

3.3.1 机器人手臂控制35

3.3.2 机器人导航39

3.4 本章小结46

第4章 策略迭代中的样本重用47

4.1 形式化47

4.2 离策略值函数近似48

4.2.1 片段重要性加权49

4.2.2 每次决策的重要性加权50

4.2.3 自适应的每次决策重要性加权50

4.2.4 图解说明51

4.3 展平参数的自动选择54

4.3.1 重要性加权交叉验证54

4.3.2 图解说明55

4.4 样本重用策略迭代56

4.4.1 算法56

4.4.2 图解说明56

4.5 数值示例58

4.5.1 倒立摆58

4.5.2 小车爬山61

4.6 本章小结64

第5章 策略迭代中的主动学习65

5.1 主动学习的高效探索65

5.1.1 问题配置65

5.1.2 泛化误差的分解66

5.1.3 估计泛化误差67

5.1.4 设计采样策略68

5.1.5 图解说明69

5.2 主动策略迭代72

5.2.1 具有主动学习的样本重用策略迭代72

5.2.2 图解说明73

5.3 数值示例74

5.4 本章小结76

第6章 鲁棒策略迭代79

6.1 策略迭代中的鲁棒性和可靠性79

6.1.1 鲁棒性79

6.1.2 可靠性80

6.2 最小绝对策略迭代81

6.2.1 算法81

6.2.2 图解说明81

6.2.3 性质82

6.3 数值示例83

6.4 可能的拓展88

6.4.1 Huber损失88

6.4.2 pinball损失89

6.4.3 deadzone-linear损失90

6.4.4 切比雪夫逼近90

6.4.5 条件风险值91

6.5 本章小结92

第三部分 模型无关策略搜索

第7章 梯度上升的直接策略搜索95

7.1 形式化95

7.2 梯度方法96

7.2.1 梯度上升96

7.2.2 方差约简的基线减法98

7.2.3 梯度估计量的方差分析99

7.3 自然梯度法101

7.3.1 自然梯度上升101

7.3.2 图解说明103

7.4 计算机图形中的应用：艺术家智能体104

7.4.1 东方山水画绘画104

7.4.2 状态、动作和瞬时奖赏的设计106

7.4.3 实验结果111

7.5 本章小结113

第8章 期望最大化的直接策略搜索117

8.1 期望最大化方法117

8.2 样本重用119

8.2.1 片段重要性加权119

8.2.2 每次决策的重要性加权122

8.2.3 自适应的每次决策重要性加权123

8.2.4 展平参数的自动选择123

8.2.5 样本重用的加权奖赏回归125

8.3 数值示例125

8.4 本章小结131

第9章 策略优先搜索133

9.1 形式化133

9.2 基于参数探索的策略梯度134

9.2.1 策略优先的梯度上升134

9.2.2 方差约简的基线减法135

9.2.3 梯度估计量的方差分析136

9.2.4 数值示例138

9.3 策略优先搜索中的样本重用142

9.3.1 重要性加权142

9.3.2 基线减法的方差约简144

9.3.3 数值示例146

9.4 本章小结153

第四部分 基于模型的强化学习

第10章 转移模型估计157

10.1 条件密度估计157

10.1.1 基于回归的方法157

10.1.2 ε-邻域核密度估计158

10.1.3 最小二乘条件密度估计159

10.2 基于模型的强化学习161

10.3 数值示例162

10.3.1 连续型链条游走162

10.3.2 人形机器人控制167

10.4 本章小结171

第11章 转移模型估计的维度约简173

11.1 充分维度约简173

11.2 平方损失条件熵173

11.2.1 条件独立174

11.2.2 利用SCE进行维度约简175

11.2.3 SCE与平方损失互信息的关系176

11.3 数值示例176

11.3.1 人工和标准数据集176

11.3.2 人形机器人179

11.4 本章小结182

参考文献183

 

 

 

基本信息

 

书   名:  机器学习精讲：基础、算法及应用  图书定价:  69元  作 者:  [美] 杰瑞米·瓦特（Jeremy Watt） 雷萨·博哈尼（Reza Borhani） 阿格洛斯·K.卡萨格罗斯（Aggelos K. Katsaggelos）  出 版 社:  机械工业出版社  出版日期:  2018-11-08  ISBN 号:  9787111611967  开   本: 16开  页   数: 222  版   次: 1-1

 

内容介绍

本书为了解机器学习提供了一种独特的途径。书中包含了新颖、直观而又严谨的基本概念描述，它们是研究课题、制造产品、修补漏洞以及实践不可或缺的部分。本书按照几何直觉、算法思想和实际应用（纵贯计算机视觉、自然语言处理、经济学、神经科学、推荐系统、物理学和生物学等学科）的顺序，为读者提供了深入浅出的基础知识和解决实际问题所需的实用工具。本书还包含了基于Python和MATLAB/OCTAVE语言的深入习题，以及对数值优化前沿技术的全面讲解。本书可为机器学习、计算机科学、电子工程、信号处理以及数值优化等领域的学生提供重要的学习资源，也可为这些领域的研究人员和从业者提供理想的参考资料。

目录

 

译者序

前言

1章引言

11教计算机区分猫和狗

12预测学习问题

121回归

122分类

13特征设计

14数值优化

15小结

第一部分基本工具及概念

第2章数值优化基础

21微积分定义的最优性

211泰勒级数逼近

212最优性的一阶条件

213凸性的便利

22优化数值方法

221概览

222停止条件

223梯度下降

224牛顿法

23小结

24习题

第3章回归

31线性回归基础

311符号和建模

312用于线性回归的最小二乘代价函数

313最小二乘代价函数的最小化

314所学模型的效力

315预测新输入数据的值

32知识驱动的回归特征设计

33非线性回归和l2正则化

331逻辑回归

332非凸代价函数和l2正则化

34小结

35习题

第4章分类

41感知机代价函数

411基本感知机模型

412softmax代价函数

413间隔感知机

414间隔感知机的可微近似

415所学分类器的精度

416预测新输入数据的标签

417哪个代价函数会产生最好的结果

418感知机和计数代价的关联

42逻辑回归视角下的softmax代价

421阶梯函数和分类

422凸逻辑回归

43支持向量机视角下的间隔感知机

431寻找最大间隔超平面

432硬间隔支持向量机问题

433软间隔支持向量机问题

434支持向量机和逻辑回归

44多分类

441一对多的多分类

442多分类softmax分类

443所学多分类器的精度

444哪种多分类方法表现最好

45面向分类的知识驱动特征设计

46面向真实数据类型的直方图特征

461文本数据的直方图特征

462图像数据的直方图特征

463音频数据的直方图特征

47小结

48习题

第二部分完全数据驱动的机器学习工具

第5章回归的自动特征设计

51理想回归场景中的自动特征设计

511向量逼近

512从向量到连续函数

513连续函数逼近

514连续函数逼近的常见基

515获取权重

516神经网络的图表示

52真实回归场景中的自动特征设计

521离散化的连续函数逼近

522真实回归场景

53回归交叉验证

531诊断过拟合与欠拟合问题

532留出交叉验证

533留出交叉验证的计算

534k折交叉验证

54哪个基最好

541理解数据背后的现象

542实践方面的考虑

543什么时候可任意选择基

55小结

56习题

57关于连续函数逼近的注释

第6章分类中的自动特征设计

61理想分类场景中的自动特征设计

611分段连续函数逼近

612指示函数的形式化定义

613指示函数逼近

614获取权重

62真实分类场景中的自动特征设计

621离散化的指示函数逼近

622真实的分类场景

623分类器精度和边界定义

63多分类

631一对多的多分类

632多分类softmax分类

64分类交叉验证

641留出交叉验证

642留出交叉验证的计算

643k折交叉验证

644一对多多分类的k折交叉验证

65哪个基最好

66小结

67习题

第7章核、反向传播和正则化交叉验证

71固定特征核

711线性代数基本定理

712核化代价函数

713核化的价值

714核的例子

715核作为相似矩阵

72反向传播算法

721计算两层网络代价函数的梯度

722计算三层神经网络的梯度

723动量梯度下降

73l2正则化交叉验证

731l2正则化和交叉验证

732回归的k折正则化交叉验证

733分类的正则化交叉验证

74小结

75更多的核计算

751核化不同的代价函数

752傅里叶核——标量输入

753傅里叶核——向量输入

第三部分大规模数据机器学习方法

第8章高级梯度算法

81梯度下降法的固定步长规则

811梯度下降法和简单的二次代理

812有界曲率函数和最优保守步长规则

813如何使用保守固定步长规则

82梯度下降的自适应步长规则

821回溯线性搜索的自适应步长规则

822如何使用自适应步长规则

83随机梯度下降

831梯度分解

832随机梯度下降迭代

833随机梯度下降的价值

834随机梯度下降的步长规则

835在实践中如何使用随机梯度下降法

84梯度下降方案的收敛性证明

841利普希茨常数固定步长梯度下降的收敛性

842回溯线性搜索梯度下降的收敛性

843随机梯度法的收敛性

844面向凸函数的固定步长梯度下降的收敛速度

85计算利普希茨常数

86小结

87习题

第9章降维技术

91数据的降维技术

911随机子采样

912K均值聚类

913K均值问题的优化

92主成分分析

93推荐系统

931矩阵填充模型

932矩阵填充模型的优化

94小结

95习题

第四部分附录

附录A基本的向量和矩阵运算

附录B向量微积分基础

附录C基本的矩阵分解及伪逆

附录D凸几何

参考文献

索引

 

 

 

基本信息

 

书   名:  基于复杂网络的机器学习方法  图书定价:  79元  作 者:  [巴西]迪亚戈·克里斯蒂亚诺·席尔瓦（Thiago Christiano Silva） 赵亮（Liang Zhao）  出 版 社:  机械工业出版社  出版日期:  2018-10-23  ISBN 号:  9787111611493  开   本: 16开  页   数: 262  版   次: 1-1
内容介绍
本书结合两个重要和流行的研究领域：复杂网络和机器学习，不仅包括基础背景知识，还包含近期最新的研究进展。书中包括大量插图和例题帮助读者理解主要思想和实现细节。

目录

译者序

前言

作者简介

符号列表

1章概述

11背景

12本书主要内容

13本书结构

参考文献

第2章复杂网络

21图论简介

211图的定义

212图的连通性

213路径和环路

214子图

215树和森林

216图的矩阵表示

22网络演化模型

221随机网络

222小世界网络

223无标度网络

224随机聚类网络

225核心边缘网络

23复杂网络的统计描述

231度和度相关性

232距离和路径

233网络结构

234网络中心性

235复杂网络度量方法的分类

24复杂网络上的动力学过程

241随机游走

242惰性随机游走

243自避行走

244游客漫步

245流行病传播

25本章小结

参考文献

第3章机器学习

31引言

32监督学习

321数学表达式和基本假设

322主要算法

33无监督学习

331数学表达式和基本假设

332主要算法

34半监督学习

341研究目的

342数学表达式和基本假设

343主要算法

35基于网络的机器学习方法概述

36本章小结

参考文献

第4章网络构建技术

41引言

42相似性与相异性

421定义

422基于向量形式的相似性函数实例

43向量数据的网络转化

431k近邻和半径网络

432k近邻和半径组合的网络构建技术

433b匹配网络

434线性邻域网络

435松弛线性邻域网络

436聚类启发式网络

437重叠直方图网络

438其他网络构建技术

44时间序列数据的网络转化

441周期网络

442相关网络

443循环网络

444转移网络

45网络构建方法分类

46非结构化数据网络转化的难点

47本章小结

参考文献

第5章基于网络的监督学习

51引言

52典型的基于网络的监督学习技术

521基于k关联图的分类算法

522网络学习工具：NetKit

523易访问启发式的分类算法

53本章小结

参考文献

第6章基于网络的无监督学习

61引言

62社团检测算法

621相关概念

622数学表达式和基本假设

623前沿技术综述

624社团检测基准

63典型的基于网络的无监督学习技术

631介数

632模块度最大化

633谱平分法

634基于粒子竞争模型的社团检测

635变色龙算法

636基于空间变换和群体动力学的社团检测

637同步方法

638重叠社团挖掘

639网络嵌入与降维

64本章小结

参考文献

第7章基于网络的半监督学习

71引言

72数学假设

73典型的基于网络的半监督学习技术

731最大流和最小割

732高斯随机场和调和函数

733Tikhonov正则化框架

734局部和全局一致性算法

735附着法

736模块化方法

737相互作用力

738判别式游走 

74本章小结

参考文献

第8章基于网络的监督学习专题研究：高级数据分类

81引言

82问题提出

83高级分类模型

831高级分类模型的总体思路

832混合分类框架的构建

84高级分类器的构建方法

841传统的基于网络度量方法的高级分类器构建

842基于随机游走的高级分类器构建

85高级分类器的数值分析

851高级分类器应用样本

852参数敏感性分析

86应用：手写数字识别

861相关研究

862手写数字数据集MNIST

863图像相似性计算算法

864混合分类框架中的低级分类技术

865混合分类器的性能

866手写数字识别样本87本章小结

参考文献

第9章基于网络的无监督学习专题研究：随机竞争学习

91引言

92随机竞争学习算法模型

921模型原理

922转移矩阵的推导

923随机非线性动力系统的定义

924计算社团数目的方法

925重叠结构的检测方法

926参数敏感性分析

927收敛分析

93模型的理论分析

931数学分析

932粒子竞争模型与传统的多粒子随机游走

933样本分析

94重叠节点及社团检测的数值分析

941扎卡里空手道俱乐部网络

942海豚社交网络

943《悲惨世界》人物关系网络

95应用：手写数字识别和字母聚类

951数据集情况

952最优粒子数和集簇数

953手写数字或字母聚类

96本章小结

参考文献

第10章基于网络的半监督学习专题研究：随机竞争合作学习

101引言

102随机竞争合作模型

1021半监督学习与无监督学习的差异

1022半监督学习环境

1023竞争转移矩阵的修正

1024系统初始条件的修正

103模型的理论分析

1031数学分析

1032样本分析

104模型的数值分析

1041人工合成数据集上的模拟

1042真实数据集上的模拟

105应用：错误标记数据集上的错误标签传播检测和预防

1051问题提出

1052错误标记训练集的检测

1053错误标签传播的预防

1054竞争合作模型学习系统的修正

1055参数敏感性分析

1056计算机模拟

106本章小结

参考文献