深度學習(簡體書)
- ISBN13:9787302546597
- 出版社:清華大學出版社(大陸)
- 作者:陳藹祥
- 裝訂/頁數:平裝/364頁
- 規格:24cm*17cm (高/寬)
- 版次:一版
- 出版日:2020/08/01
商品簡介
作者簡介
目次
第 1章淺層模型 ............................................................... 1
1.1深度學習史前發展史 ........................................................ 1
1.1.1數據分析的初級階段:手工演算階段 ........................................ 1
1.1.2數據分析的中級階段:淺層模型階段 ......................................... 3
1.1.3數據分析的高級階段:大數據深度學習階段 .................................. 4
1.2線性回歸模型 .............................................................. 7
1.2.1極小二乘線性回歸 ........................................................ 8
1.2.2模型選擇:模型容量與過擬合和欠擬合問題 ................................ 19
1.2.3屬性空間、假設函數空間與基於核函數的特徵映射 ...................... 22
1.2.4特徵選擇 ............................................................... 26
1.2.5回歸分析的概率解釋 ..................................................... 32
1.3 Logistics二分類模型 ..................................................... 33
1.4 Softmax多分類模型 ....................................................... 37
1.5 廣義線性模型 ............................................................ 42
參考文獻 .................................................................... 52
第 2章深度神經網絡 .......................................................... 56
2.1引言 ..................................................................... 56
2.2 BP神經網絡 .............................................................. 58
2.2.1從生物神經元到 MP神經元模型 .......................................... 58
2.2.2 BP神經網絡結構 ........................................................ 59
2.2.3 BP算法 ................................................................ 64
2.2.4 BP算法算例 ............................................................ 72
2.3從 BP網絡到深度網絡 ...................................................... 73
2.3.1梯度消失:多層 BP網絡訓練難題 ........................................... 74
2.3.2逐層貪心預訓練 +全域微調 ............................................. 76
2.4深度網絡的進一步解釋 ..................................................... 83
2.5克服過擬合:深度網絡中的正則化技術 ........................................ 85
2.5.1模型約束技術 ........................................................... 86
2.5.2輸入約束技術 ........................................................... 88
2.5.3模型集成技術 ........................................................... 92
2.6深度網絡發展史 ........................................................... 98
2.6.1早期神經網絡模型( 1958―1969年) ....................................... 98
2.6.2深度學習萌芽期( 1969―2006年) .......................................... 99
2.6.3深度學習爆發期(2006年至今) ............................................100
參考文獻 ....................................................................101
第 3章卷積神經網絡 .........................................................108
3.1引言 ....................................................................108
3.2卷積的數學公式及其含義 .................................................109
3.3卷積神經網絡的技術細節 .................................................114
3.3.1計算機“眼”中的圖像 ...............................................115
3.3.2卷積神經網絡 ..........................................................116
3.3.3卷積神經網絡的結構 .................................................116
3.3.4 CNNs訓練算法 ..........................................................121
3.3.5卷積網提取特徵的可視化 .............................................129
3.4 CNNs的變體 ..............................................................131
3.4.1關於卷積核的變體 .....................................................132
3.4.2關於卷積通道的變體 ..................................................136
3.4.3關於卷積層連接的變體 .................................................141
3.5卷積網絡在自動駕駛中的應用 .............................................145
3.6 卷積網絡發展史 .........................................................146
參考文獻 ................................................................148
第 4章反饋神經網絡 ........................................................151
4.1引言 ....................................................................151
4.2反饋神經網絡 ............................................................153
4.2.1統計語言模型 .......................................................154
4.2.2 RNNs的網絡結構 ........................................................158
4.2.3 RNNs的訓練算法:BPTT ...............................................162
4.2.4 RNNs的誤差沿時間軸傳播公式 .........................................170
4.2.5 RNNs的變體 ..........................................................172
4.3長短期記憶單元反饋神經網絡 ............................................175
4.3.1早期解決長時間序列學習難題的樸素方法 .................................176
4.3.2 LSTM網絡結構 .........................................................177
4.3.3 LSTM的前向計算 ....................................................179
4.3.4 LSTM的反向計算 .....................................................181
4.3.5 LSTM的權值更新 .....................................................184
4.3.6理解 LSTM網絡 ........................................................186
4.4時間序列處理中的幾種重要機制 ..........................................188
4.4.1處理變長序列的編碼器-解碼器模型 ..................................189
4.4.2注意力機制 ............................................................192
4.4.3序列自動對齊的 CTC技術 .............................................195
4.4.4小結 .............................................................215
4.5深度反饋網絡在時間序列處理中的應用 ....................................216
4.5.1 Google神經機器翻譯系統 ...............................................216
4.5.2深度語音識別系統 ..................................................219
4.5.3用 LSTM編程和寫作 ..................................................223
4.6 反饋神經網絡發展現狀 ....................................................229
參考文獻 ...................................................................229
第 5章深度強化學習 .........................................................234
5.1引言 ....................................................................234
5.2馬爾可夫決策過程 .....................................................238
5.2.1馬爾可夫過程 .......................................................239
5.2.2馬爾可夫獎勵過程 .....................................................243
5.2.3馬爾可夫決策過程 .....................................................246
5.2.4廣義策略迭代 ..........................................................255
5.2.5小結 .................................................................257
5.3強化學習算法 ............................................................257
5.3.1動態規劃算法 ........................................................258
5.3.2蒙特卡羅算法 ..........................................................263
5.3.3時間差分學習算法 ......................................................274
5.3.4小結 ..................................................................297
5.4深度強化學習算法 ........................................................299
5.4.1基於深度網絡的狀態價值和動作價值函數近似 ...........................301
5.4.2基於深度網絡的策略梯度法 ..........................................307
5.5深度強化學習的應用 .....................................................317
5.5.1圍棋 AlphaGo ........................................................317
5.5.2從 AlphaGo到 AlphaGo Zero............................................332
5.5.3基於像素的乒乓球遊戲 .................................................341
5.6深度強化學習發展現狀 ................................................344
5.6.1強化學習起源與發展現狀 ................................................344
5.6.2深度強化學習在棋類中的應用 ............................................345
5.6.3深度強化學習技術在自主智能體中的應用 .................................347
參考文獻 ..................................................................350
後記 ........................................................................353
主題書展
更多主題書展
更多書展本週66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。
特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。
無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。
為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。