人工智能中的深度結構學習( Learning Deep Architectures for Ai) 人工智能中的深度结构学习

尤舒亞·本吉奧 (Yoshua Bengio)

  • 出版商: 機械工業出版社
  • 出版日期: 2017-07-01
  • 定價: CNY $35.00
  • 售價: $210
  • 貴賓價: 9.5$200
  • 語言: 簡體中文
  • 頁數: 117
  • 裝訂: 平裝
  • ISBN: 7111569350
  • ISBN-13: 9787111569350

立即出貨 (庫存 < 4)

買這商品的人也買了...

產品描述

理論結果表明,為了學慣用於表示高層次的抽象(例如視覺、語言以及其他AI級別的任務)的復雜函數,我們需要深度結構。深度結構的組成包括了多層次的非線性操作,比如具有許多隱含層的神經網絡,或者重用了許多子公式的復雜命題公式。搜索深度結構的參數空間是一件很困難的任務,但是近提出的諸如用於深度信念網絡等的學習算法,對於探索這類問題取得了顯著的成功,在某些領域達到了新的水平。本書討論深度學習算法的方法和原理,尤其是那些被充分用作基石的單層模型的非監督學習算法例如受限玻爾茲曼機(RBM),它用於構建深度信念網絡等深度模型。

作者簡介

作者:(加拿大)尤舒亞·本吉奧(Yoshua Bengio)譯者:俞凱吳科

尤舒亞·本吉奧(Yoshua Bengio),加拿大蒙特利爾大學計算機科學與運籌學系教授,領導蒙特利爾學習算法研究所。他是深度學習歷史上的代表性人物之一,發表了200餘篇論文和兩部專著,是加拿大論文引用率高的計算機科學家之一。
俞凱,上海交通大學計算機系研究員,思必馳公司首席科學家,IEEE高級會員,國家青年干人,NSFC優青。研究興趣為語音語言處理、機器學習、人機交互。發表論文100餘篇,獲4篇國際期刊及會議最優論文獎。
吳科,上海交通大學計算機系助理研究員,ACM會員。曾任阿里巴巴搜索研發專家,雅虎中國新聞搜索技術負責人。研究興趣為自然語言處理及機器學習。

目錄大綱

譯者序


1引言
1.1如何訓練深度結構
1.2中間層表示:在不同的任務中共享特徵和抽象
1.3學習人工智能的必經之路
1.4本書大綱

2深度結構的理論優勢
2.1計算複雜性
2.2一些非正式的論證

3局部與非局部泛化性
3.1局部模板匹配的局限性
3.2學習分佈式表示

4具有深度結構的神經網絡
4.1多層神經網絡
4.2訓練深度神經網絡的挑戰
4.3深度結構的無監督學習
4.4深度生成結構
4.5卷積神經網絡
4.6自動編碼器

5能量模型和玻爾茲曼機
5.1能量模型和專家乘積系統
5.2玻爾茲曼機
5.3受限玻爾茲曼機
5.4對比散度

6深層結構的逐層貪心訓練
6.1深度置信網絡的逐層訓練
6.2堆疊自動編碼器訓練
6.3半監督與部分監督訓練

7受限玻爾茲曼機和自動編碼器的變體
7.1自動編碼器和受限玻爾茲曼機的稀疏化表示
7.2降噪自動編碼器
7.3層內連接
7.4條件RBM和時序RBM 
7.5分解式RBM 
7.6受限玻爾茲曼 機和對比散度的推廣

8 DBN各層聯合優化中的隨機變分邊界
8.1將RBM展開為無限有向置信網絡
8.2逐層貪心訓練的變分證明
8.3所有層的聯合無監督訓練

9展望
9.1全局優化策略
9.2無監督學習的重要性
9.3開放的問題
10總結
致謝
參考文獻