深度學習 : 基於 MATLAB 的設計實例 (Deep Learning for Beginners: with MATLAB Examples)

金晟箭 (Phil Kim)

買這商品的人也買了...

商品描述

深度學習如此流行,以至於關於它的資料隨處可見。但往往是理論連篇,並不適合開發者具體使用,本書內容豐富實用、原理直白易懂、示例詳細直觀、代碼詳實細緻,目的就是希望?明開發者在學習這個人工智能的過程中不那麼痛苦,同時也希望用本書中具體的開發實例講解能夠?明開發者避免困惑。本書主要考慮了兩類讀者。*類是準備系統地學習深度學習以進一步研究和開發的讀者,書中的示例代碼將更加有助於進一步理解本書所講的內容。第二類是想比從雜誌或報紙上獲得更深入的深度學習資訊,但不必進行實際研究的讀者。書中概念和示例結果,也有助於您理解深度學習的大多數重要技術。本書共包含6章內容,可以分為3個主題。書中例子均用MATLAB編寫而成。
第1個主題是機器學習。深度學習起源於機器學習,這意味著如果想要理解深度學習的本質,就必須在某種程度上知道機器學習背後的理念。第1章從機器學習與深度學習的關係開始講起,隨後是解決問題的策略和機器學習的基本局限性。

作者簡介

Phil Kim,博士,從事無人駕駛飛機自主飛行算法和機載軟件的開發和研製工作。同時,他作為一名經驗豐富的MATLAB程序員,一直致力於使用MATLAB進行人工智能、深度學習的大數據集繪製和分析算法的研究,先後在美國出版了MATLAB Deep Learning: with Machine Learning, Neural Networks and Artificial Intelligence和Deep Learning for Beginners: with MATLAB Examples等書籍,在人工智能和MATLAB領域享有較高聲譽。鄒偉,副研究員,北京睿客邦科技有限公司CEO,並成立了中科院鄒博人工智能研究中心(杭州站)等產研機構;研究方向為機器學習、數據挖掘、計算幾何等領域,研究成果已成功應用於大型氣象設備的圖像與文本挖掘、金融產品AI化、股票交易與預測、高速公路流量預測和分析、傳統農資產品價格預測和決策等領域;獲得發明專利4項,著作權3個。王振波,工學碩士,北京理工大學碩士畢業,研究方向為機械設計及理論,曾參與多項國家自然科學基金項目的研究。致力於人工智能與傳統行業的結合,完成從場景應用到深度網絡模型的轉換。王燕妮,文本挖掘和知識圖譜專家,專利系統研發架構師,研究方向為自然語言處理、深度學習。先後完成了諸多官費繳費系統的對接和無紙化項目,並成功使用知識挖掘對專利進行智能輔助審單,提高行業效率。

目錄大綱

第1章 機器學習 
1.1 機器學習與深度學習 
1.2 什麼是機器學習 
1.3 機器學習的挑戰 
1.4 過擬合 
1.5 直面過擬合 
1.6 機器學習的類型 
1.7 分類和回歸 
1.8 總 結 

第2章 神經網路 
2.1 概 述 
2.2 神經網路節點 
2.3 多層神經網路 
2.4 神經網路的監督學習 
2.5 單層神經網路訓練:增量規則 
2.6 廣義增量規則 
2.7 隨機梯度下降演算法、批量演算法和小批量演算法 
2.7.1 隨機梯度下降演算法 
2.7.2 批量演算法 
2.7.3 小批量演算法 
2.8 示例:增量規則 
2.8.1 隨機梯度下降演算法的實現 
2.8.2 批量演算法的實現 
2.8.3 隨機梯度下降演算法與批量演算法的比較 
2.9 單層神經網路的局限性
2.10 總 結

第3章 訓練多層神經網路
3.1 概 述
3.2 反向傳播演算法
3.3 示 例 
3.3.1 XOR問題
3.3.2 動量法(Momentum)
3.4 代價函數和學習規則
3.5 示 例 
3.5.1 交叉熵函數 
3.5.2 代價函數的比較 
3.6 總 結 

第4章 神經網路及其分類 
4.1 概 述 
4.2 二分類
4.3 多分類
4.4 示例:多分類 
4.5 總 結

第5章 深度學習
5.1 概 述 
5.2 深度神經網路的進化 
5.2.1 梯度消失 
5.2.2 過擬合
5.2.3 計算量的增加 
5.3 示 例
5.3.1 ReLU 函數 
5.3.2 節點丟棄 
5.4 總 結

第6章 卷積神經網路 
6.1 概 述 
6.2 卷積神經網路的架構
6.3 卷積層
6.4 池化層 
6.5 示例:MNIST
6.6 總 結 
索 引