人人可懂的深度學習 Deep Learning

本書將深度學習技術的發展歷史、現狀和未來向讀者娓娓道來，以深入淺出的方式介紹了深度學習的核心思想和關鍵技術，
非常適合尚不具備專業背景的讀者學習和了解什麼是深度學習技術，如何進行深度學習，
深度學習適合哪些任務，深度學習還有哪些不足。
本書對深度學習中的一些關鍵問題（如過擬合和梯度消失）、核心技術（如反向傳播和梯度下降）、
典型模型（如卷積神經網絡和循環神經網絡）的講解簡潔而不失深刻，
對深度學習技術未來發展的討論很有啟發性，專業人士也能從中獲益。

John D.Kelleher

現為愛爾蘭都柏林理工大學（Technological University Dublin）信息、通信和娛樂研究所教授和學術領導人。
專業領域包括機器學習、數據科學、自然語言處理和人工智能。
曾在多個不同的學術和研究機構工作，包括都柏林城市大學（Dublin City University）、
歐洲媒體實驗室（Media Lab Europe）和德國人工智能研究中心（DFKI）。
他在MIT出版社出版了三本機器學習和數據科學方面的著作，除了本書之外，
另外兩本是《深度學習》（Deep Learning）和《數據科學》（Data Science）。

目錄

譯者序
前言
致謝
第1章┆深度學習概述/ 1
1.1人工智能、機器學習和深度學習/4
1.2什麼是機器學習/10
1.3機器學習為何如此困難/14
1.4機器學習的關鍵要素/18
1.5有監督學習、無監督學習和強化學習/21
1.6深度學習為何如此成功/24
1.7本章小結及本書內容安排/27

第2章┆預備知識/ 31
2.1什麼是數學模型/32
2.2含有多個輸入的線性模型/35
2.3線性模型的參數設置/37
2.4從數據中學習模型參數/39
2.5模型的組合/44
2.6輸入空間、權重空間和激活空間/46
2.7本章小結/49

第3章┆神經網絡：深度學習的基石/ 51
3.1人工神經網絡/53
3.2人工神經元是如何處理信息的/56
3.3為什麼需要激活函數/61
3.4神經元參數的變化如何影響神經元的行為/65
3.5使用GPU加速神經網絡的訓練/73
3.6本章小結/77

第4章┆深度學習簡史/ 80
4.1早期研究：閾值邏輯單元/83
4.2連接主義：多層感知機/98
4.3深度學***/114
4.4本章小結/124

第5章┆卷積神經網絡和循環神經網絡/ 126
5.1卷積神經網絡/127
5.2循環神經網絡/135

第6章┆神經網絡的訓練/ 147
6.1梯度下降/149
6.2使用反向傳播訓練神經網絡/165

第7章┆深度學習的未來/ 181
7.1推動算法革新的大數據/183
7.2新模型的提出/187
7.3新形式的硬件/189
7.4可解釋性問題/192
7.5結語/ 196
術語表/ 197
參考文獻/ 203
延伸閱讀/ 208