深度學習導論及案例分析 深度学习导论及案例分析

李玉鑑, 張婷, 等

  • 出版商: 機械工業
  • 出版日期: 2016-10-01
  • 定價: $354
  • 售價: 8.1$288
  • 語言: 簡體中文
  • 頁數: 292
  • 裝訂: 平裝
  • ISBN: 7111550757
  • ISBN-13: 9787111550754
  • 相關分類: DeepLearning
  • 立即出貨 (庫存 < 3)

買這商品的人也買了...

相關主題

商品描述

<內容簡介>

 

本書不僅介紹了深度學習的發展歷史,強調了深層網絡的特點和優勢,說明瞭判別模型和生成模型的相關概念,而且詳述了深度學習的九種重要模型及其學習算法、變種模型和混雜模型,討論了深度學習在圖像處理、語音處理和自然語言處理等領域的廣泛應用,也總結了深度學習目前存在的問題、挑戰和未來的發展趨勢,還分析了一系列深度學習的基本案例。

本書可以作為計算機、自動化、信號處理、機電工程、應用數學等相關專業的研究生、教師和科研工作者在具備神經網絡基礎知識後進一步瞭解深度學習理論和方法的入門教材或導論性參考書,有助於讀者掌握深度學習的主要內容並開展相關研究。

 

 

<作者簡介>

 

李玉鑑(鑑)

北京工業大學教授,博士生導師。華中科技大學本科畢業,中國科學院數學研究所碩士畢業,中國科學院半導體研究所博士畢業,北京郵電大學博士後出站。曾在中國科學院生物物理所工作,對意識的本質問題關註過多年,並在《21世紀100個交叉科學難題》上發表《揭開意識的奧秘》一文,提出瞭解決意識問題的認知相對論綱領,對腦計劃和類腦研究具有宏觀指導意義。長期圍繞人工智能的核心目標,在神經網絡、自然語言處理、模式識別和機器學習等領域開展教學、科研工作,發表國內外期刊、會議論文數十篇,是本書的第一作者。

 

 

<章節目錄>

 

前言

第一部分  基礎理論

 

第1章   概述

1.1     深度學習的起源和發展

1.2     深層網絡的特點和優勢

1.3     深度學習的模型和算法

 

第2章   預備知識

2.1     矩陣運算

2.2     概率論的基本概念

2.2.1   概率的定義和性質

2.2.2   隨機變量和概率密度函數

2.2.3   期望和方差

2.3     信息論的基本概念

2.4     概率圖模型的基本概念

2.5     概率有向圖模型

2.6     概率無向圖模型

2.7     部分有向無圈圖模型

2.8     條件隨機場

2.9     馬爾可夫鏈

2.10    概率圖模型的學習

2.11    概率圖模型的推理

2.12    馬爾可夫鏈蒙特卡羅方法

2.13    玻耳茲曼機的學習

2.14    通用反向傳播算法

2.15    通用逼近定理

 

第3章   受限玻耳茲曼機

3.1     受限玻耳茲曼機的標準模型

3.2     受限玻耳茲曼機的學習算法

3.3     受限玻耳茲曼機的變種模型

 

第4章   自編碼器

4.1     自編碼器的標準模型

4.2     自編碼器的學習算法

4.3     自編碼器的變種模型

 

第5章   深層信念網絡

5.1     深層信念網絡的標準模型

5.2     深層信念網絡的生成學習算法

5.3     深層信念網絡的判別學習算法

5.4     深層信念網絡的變種模型

 

第6章   深層玻耳茲曼機

6.1     深層玻耳茲曼機的標準模型

6.2     深層玻耳茲曼機的生成學習算法

6.3     深層玻耳茲曼機的判別學習算法

6.4     深層玻耳茲曼機的變種模型

 

第7章   和積網絡

7.1     和積網絡的標準模型

7.2     和積網絡的學習算法

7.3     和積網絡的變種模型

 

第8章   捲積神經網絡

8.1     捲積神經網絡的標準模型

8.2     捲積神經網絡的學習算法

8.3     捲積神經網絡的變種模型

 

第9章   深層堆疊網絡

9.1     深層堆疊網絡的標準模型

9.2     深層堆疊網絡的學習算法

9.3     深層堆疊網絡的變種模型

 

第10章  循環神經網絡

10.1    循環神經網絡的標準模型

10.2    循環神經網絡的學習算法

10.3    循環神經網絡的變種模型

 

第11章  長短時記憶網絡

11.1    長短時記憶網絡的標準模型

11.2    長短時記憶網絡的學習算法

11.3    長短時記憶網絡的變種模型

 

第12章  深度學習的混合模型、廣泛應用和開發工具

12.1    深度學習的混合模型

12.2    深度學習的廣泛應用

12.2.1  圖像和視頻處理

12.2.2  語音和音頻處理

12.2.3  自然語言處理

12.2.4  其他應用

12.3    深度學習的開發工具

 

第13章  深度學習的總結、批評和展望

 

第二部分  案例分析

 

第14章  實驗背景

14.1    運行環境

14.2    實驗數據

14.3    代碼工具

 

第15章  自編碼器降維案例

15.1    自編碼器降維程序的模塊簡介

15.2    自編碼器降維程序的運行過程

15.3    自編碼器降維程序的代碼分析

15.3.1  關鍵模塊或函數的主要功能

15.3.2  主要代碼分析及註釋

15.4    自編碼器降維程序的使用技巧

 

第16章  深層感知器識別案例

16.1    深層感知器識別程序的模塊簡介

16.2    深層感知器識別程序的運行過程

16.3    深層感知器識別程序的代碼分析

16.3.1  關鍵模塊或函數的主要功能

16.3.2  主要代碼分析及註釋

16.4    深層感知器識別程序的使用技巧

 

第17章  深層信念網絡生成案例

17.1    深層信念網絡生成程序的模塊簡介

17.2    深層信念網絡生成程序的運行過程

17.3    深層信念網絡生成程序的代碼分析

17.3. 1 關鍵模塊或函數的主要功能

17.3.2  主要代碼分析及註釋

17.4    深層信念網絡生成程序的使用技巧

 

第18章  深層信念網絡分類案例

18.1    深層信念網絡分類程序的模塊簡介

18.2    深層信念網絡分類程序的運行過程

18.3    深層信念網絡分類程序的代碼分析

18.3.1  關鍵模塊或函數的主要功能

18.3.2  主要代碼分析及註釋

18.4    深層信念網絡分類程序的使用技巧

 

第19章  深層玻耳茲曼機識別案例

19.1    深層玻耳茲曼機識別程序的模塊簡介

19.2    深層玻耳茲曼機識別程序的運行過程

19.3    深層玻耳茲曼機識別程序的代碼分析

19.3.1  關鍵模塊或函數的主要功能

19.32   主要代碼分析及註釋

19.4    深層玻耳茲曼機識別程序的使用技巧

 

第20章  捲積神經網絡識別案例

20.1    DeepLearnToolhox程序的模塊簡介

20.2    DeepLeamToolbox程序的運行過程

20.3    DeepLeamToolhox程序的代碼分析

20.3.1  關鍵函數的主要功能

20.3.2  主要代碼分析及註釋

20.4    DeepLeamToolbox程序的使用技巧

20.5    Caffe程序的模塊簡介

20.6    Caffe程序的運行過程

20.7    Caffe程序的代碼分析

20.7.1  關鍵函數的主要功能

20.7.2  主要代碼分析及註釋

20.8    Caffe程序的使用技巧

 

第21章  循環神經網絡填充案例

21.1    槽值填充的含義

21.2    循環神經網絡填充程序的模塊簡介

21.3    循環神經網絡填充程序的運行過程

21.4    循環神經網絡填充程序的代碼分析

21.4.1  關鍵函數的主要功能

21.4.2  主要代碼分析及註釋

21.5    循環神經網絡填充程序的使用技巧

 

第22章  長短時記憶網絡分類案例

22.1    長短時記憶網絡分類程序的模塊簡介

22.2    長短時記憶網絡分類程序的運行過程

22.3    長短時記憶網絡分類程序的代碼分析

22.3.1  關鍵模塊或函數的主要功能

22.3.2  主要代碼分析及註釋

22.4    長短時記憶網絡分類程序的使用技巧

 

附錄1   Caffe在Windows上的安裝過程

附錄2   Theano的安裝過程

參考文獻