《深入淺出深度學習：原理剖析與Python實踐》內容提要《深入淺出深度學習：原理剖析與Python實踐》介紹了深度學習相關的原理與應用，全書共分為三大部分，第一部分主要回顧了深度學習的發展歷史，以及Theano的使用；第二部分詳細講解了與深度學習相關的基礎知識，包括線性代數、概率論、概率圖模型、機器學習和最優化算法；在第三部分中，針對若干核心的深度學習模型，如自編碼器、受限玻爾茲曼機、遞歸神經網絡和卷積神經網絡等進行詳細的原理分析與講解，並針對不同的模型給出相應的具體應用。《深入淺出深度學習：原理剖析與Python實踐》適合有一定高等數學、機器學習和Python編程基礎的在校學生、高校研究者或在企業中從事深度學習的工程師使用，書中對模型的原理與難點進行了深入分析，在每一章的最后都提供了詳細的參考文獻，讀者可以對相關的細節進行更深入的研究。最后，理論與實踐相結合，《深入淺出深度學習：原理剖析與Python實踐》針對常用的模型分別給出了相應的應用。
黃安埠，2012年畢業於清華大學，獲碩士學位，在校期間活躍於TopCoder等編程競賽社區。現為騰訊基礎研究高級工程師，研究領域包括個性化推薦、自然語言處理和大規模的相似度優化計算，特別是對於深度學習在推薦系統的應用有深入的研究，並申請了國內十余項相關專利。
| FindBook |
|
有 1 項符合
黃安埠的圖書 |
 |
$ 351 | 深入淺出深度學習：原理剖析與Python實踐
作者：黃安埠 出版社：電子工業出版社 出版日期：2017-06-01 語言：簡體中文 規格：340頁 / 普通級/ 1-1  五南文化廣場網路書店 - 社會人文
- 來源網頁  看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：深入淺出深度學習：原理剖析與Python實踐
內容簡介
目錄
第1部分 概要
1 緒論
1.1 人工智能、機器學習與深度學習的關系
1.1.1 人工智能——機器推理
1.1.2 機器學習——數據驅動的科學
1.1.3 深度學習——大腦的仿真
1.2 深度學習的發展歷程
1.3 深度學習技術概述
1.3.1 從低層到高層的特征抽象
1.3.2 讓網絡變得更深
1.3.3 自動特征提取
1.4 深度學習框架
2 Theano基礎
2.1 符號變量
2.2 符號計算的抽象——符號計算圖模型
2.3 函數
2.3.1 函數的定義
2.3.2 Logistic回歸
2.3.3 函數的復制
2.4 條件表達式
2.5 循環
2.6 共享變量
2.7 配置
2.7.1 通過THEANO_FLAGS配置
2.7.2 通過.theanorc文件配置
2.8 常用的Debug技巧
2.9 小結
第2部分 數學與機器學習基礎篇
3 線性代數基礎
3.1 標量、向量、矩陣和張量
3.2 矩陣初等變換
3.3 線性相關與向量空間
3.4 范數
3.4.1 向量范數
3.4.2 矩陣范數
3.5 特殊的矩陣與向量
3.6 特征值分解
3.7 奇異值分解
3.8 跡運算
3.9 樣例：主成分分析
4 概率統計基礎
4.1 樣本空間與隨機變量
4.2 概率分布與分布函數
4.3 一維隨機變量
4.3.1 離散型隨機變量和分布律
4.3.2 連續型隨機變量和概率密度函數
4.4 多維隨機變量
4.4.1 離散型二維隨機變量和聯合分布律
4.4.2 連續型二維隨機變量和聯合密度函數
4.5 邊緣分布
4.6 條件分布與鏈式法則
4.6.1 條件概率
4.6.2 鏈式法則
4.7 多維隨機變量的獨立性分析
4.7.1 邊緣獨立
4.7.2 條件獨立
4.8 數學期望、方差、協方差
4.8.1 數學期望
4.8.2 方差
4.8.3 協方差
4.8.4 協方差矩陣
4.9 信息論基礎
4.9.1 信息熵
4.9.2 條件熵
4.9.3 互信息
4.9.4 相對熵與交叉熵
5 概率圖模型
5.1 生成模型與判別模型
5.2 圖論基礎
5.2.1 圖的結構
5.2.2 子圖
5.2.3 路徑、跡、環與拓撲排序
5.3 貝葉斯網絡
5.3.1 因子分解
5.3.2 局部馬爾科夫獨立性斷言
5.3.3 I-Map與因子分解
5.3.4 有效跡
5.3.5 D-分離與全局馬爾科夫獨立性
5.4 馬爾科夫網絡
5.4.1 勢函數因子與參數化表示
5.4.2 馬爾科夫獨立性
5.5 變量消除
5.6 信念傳播
5.6.1 聚類圖
5.6.2 團樹
5.6.3 由變量消除構建團樹
5.7 MCMC采樣原理
5.7.1 隨機采樣
5.7.2 隨機過程與馬爾科夫鏈
5.7.3 MCMC采樣
5.7.4 Gibbs采樣
5.8 參數學習
5.8.1 最大似然估計
5.8.2 期望最大化算法
5.9 小結
6 機器學習基礎
6.1 線性模型
6.1.1 線性回歸
6.1.2 Logistic回歸
6.1.3 廣義的線性模型
6.2 支持向量機
6.2.1 最優間隔分類器
6.2.2 對偶問題
6.2.3 核函數
6.3 朴素貝葉斯
6.4 樹模型
6.4.1 特征選擇
6.4.2 剪枝策略
6.5 聚類
6.5.1 距離度量
6.5.2 層次聚類
6.5.3 K-means聚類
6.5.4 譜聚類
7 數值計算與最優化
7.1 無約束極小值的最優化條件
7.2 梯度下降
7.2.1 傳統更新策略
7.2.2 動量更新策略
7.2.3 改進的動量更新策略
7.2.4 自適應梯度策略
7.3 共軛梯度
7.4 牛頓法
7.5 擬牛頓法
7.5.1 擬牛頓條件
7.5.2 DFP算法
7.5.3 BFGS算法
7.5.4 L-BFGS算法
7.6 約束最優化條件
第3部分 理論與應用篇
8 前饋神經網絡
8.1 生物神經元結構
8.2 人工神經元結構
8.3 單層感知機
8.4 多層感知機
8.5 激活函數
8.5.1 激活函數的作用
8.5.2 常用的激活函數
9 反向傳播與梯度消失
9.1 經驗風險最小化
9.2 梯度計算
9.2.1 輸出層梯度
9.2.2 隱藏層梯度
9.2.3 參數梯度
9.3 反向傳播
9.4 深度學習訓練的難點
9.4.1 欠擬合——梯度消失
9.4.2 過擬合
10 自編碼器及其相關模型
10.1 自編碼器
10.2 降噪自編碼器
10.3 棧式自編碼器
10.4 稀疏編碼器
10.5 應用：cifar10圖像分類
11 玻爾茲曼機及其相關模型
11.1 玻爾茲曼機
11.2 能量模型
11.2.1 能量函數
11.2.2 從能量函數到勢函數
11.2.3 從勢函數到概率分布
11.3 推斷
11.3.1 邊緣分布
11.3.2 條件分布
11.4 學習
11.4.1 最大似然估計
11.4.2 對比散度
11.5 應用：個性化推薦
11.5.1 個性化推薦概述
11.5.2 個性化推薦架構與算法
11.5.3 RBM與協同過濾
12 遞歸神經網絡
12.1 Elman遞歸神經網絡
12.2 時間反向傳播
12.3 長短時記憶網絡
12.4 結構遞歸神經網絡
12.5 應用：語言模型
12.5.1 N元統計模型
12.5.2 基於LSTM構建語言模型
13 卷積神經網絡
13.1 卷積運算
13.2 網絡結構
13.3 卷積層
13.4 池化層
13.5 應用：文本分類
1 緒論
1.1 人工智能、機器學習與深度學習的關系
1.1.1 人工智能——機器推理
1.1.2 機器學習——數據驅動的科學
1.1.3 深度學習——大腦的仿真
1.2 深度學習的發展歷程
1.3 深度學習技術概述
1.3.1 從低層到高層的特征抽象
1.3.2 讓網絡變得更深
1.3.3 自動特征提取
1.4 深度學習框架
2 Theano基礎
2.1 符號變量
2.2 符號計算的抽象——符號計算圖模型
2.3 函數
2.3.1 函數的定義
2.3.2 Logistic回歸
2.3.3 函數的復制
2.4 條件表達式
2.5 循環
2.6 共享變量
2.7 配置
2.7.1 通過THEANO_FLAGS配置
2.7.2 通過.theanorc文件配置
2.8 常用的Debug技巧
2.9 小結
第2部分 數學與機器學習基礎篇
3 線性代數基礎
3.1 標量、向量、矩陣和張量
3.2 矩陣初等變換
3.3 線性相關與向量空間
3.4 范數
3.4.1 向量范數
3.4.2 矩陣范數
3.5 特殊的矩陣與向量
3.6 特征值分解
3.7 奇異值分解
3.8 跡運算
3.9 樣例：主成分分析
4 概率統計基礎
4.1 樣本空間與隨機變量
4.2 概率分布與分布函數
4.3 一維隨機變量
4.3.1 離散型隨機變量和分布律
4.3.2 連續型隨機變量和概率密度函數
4.4 多維隨機變量
4.4.1 離散型二維隨機變量和聯合分布律
4.4.2 連續型二維隨機變量和聯合密度函數
4.5 邊緣分布
4.6 條件分布與鏈式法則
4.6.1 條件概率
4.6.2 鏈式法則
4.7 多維隨機變量的獨立性分析
4.7.1 邊緣獨立
4.7.2 條件獨立
4.8 數學期望、方差、協方差
4.8.1 數學期望
4.8.2 方差
4.8.3 協方差
4.8.4 協方差矩陣
4.9 信息論基礎
4.9.1 信息熵
4.9.2 條件熵
4.9.3 互信息
4.9.4 相對熵與交叉熵
5 概率圖模型
5.1 生成模型與判別模型
5.2 圖論基礎
5.2.1 圖的結構
5.2.2 子圖
5.2.3 路徑、跡、環與拓撲排序
5.3 貝葉斯網絡
5.3.1 因子分解
5.3.2 局部馬爾科夫獨立性斷言
5.3.3 I-Map與因子分解
5.3.4 有效跡
5.3.5 D-分離與全局馬爾科夫獨立性
5.4 馬爾科夫網絡
5.4.1 勢函數因子與參數化表示
5.4.2 馬爾科夫獨立性
5.5 變量消除
5.6 信念傳播
5.6.1 聚類圖
5.6.2 團樹
5.6.3 由變量消除構建團樹
5.7 MCMC采樣原理
5.7.1 隨機采樣
5.7.2 隨機過程與馬爾科夫鏈
5.7.3 MCMC采樣
5.7.4 Gibbs采樣
5.8 參數學習
5.8.1 最大似然估計
5.8.2 期望最大化算法
5.9 小結
6 機器學習基礎
6.1 線性模型
6.1.1 線性回歸
6.1.2 Logistic回歸
6.1.3 廣義的線性模型
6.2 支持向量機
6.2.1 最優間隔分類器
6.2.2 對偶問題
6.2.3 核函數
6.3 朴素貝葉斯
6.4 樹模型
6.4.1 特征選擇
6.4.2 剪枝策略
6.5 聚類
6.5.1 距離度量
6.5.2 層次聚類
6.5.3 K-means聚類
6.5.4 譜聚類
7 數值計算與最優化
7.1 無約束極小值的最優化條件
7.2 梯度下降
7.2.1 傳統更新策略
7.2.2 動量更新策略
7.2.3 改進的動量更新策略
7.2.4 自適應梯度策略
7.3 共軛梯度
7.4 牛頓法
7.5 擬牛頓法
7.5.1 擬牛頓條件
7.5.2 DFP算法
7.5.3 BFGS算法
7.5.4 L-BFGS算法
7.6 約束最優化條件
第3部分 理論與應用篇
8 前饋神經網絡
8.1 生物神經元結構
8.2 人工神經元結構
8.3 單層感知機
8.4 多層感知機
8.5 激活函數
8.5.1 激活函數的作用
8.5.2 常用的激活函數
9 反向傳播與梯度消失
9.1 經驗風險最小化
9.2 梯度計算
9.2.1 輸出層梯度
9.2.2 隱藏層梯度
9.2.3 參數梯度
9.3 反向傳播
9.4 深度學習訓練的難點
9.4.1 欠擬合——梯度消失
9.4.2 過擬合
10 自編碼器及其相關模型
10.1 自編碼器
10.2 降噪自編碼器
10.3 棧式自編碼器
10.4 稀疏編碼器
10.5 應用：cifar10圖像分類
11 玻爾茲曼機及其相關模型
11.1 玻爾茲曼機
11.2 能量模型
11.2.1 能量函數
11.2.2 從能量函數到勢函數
11.2.3 從勢函數到概率分布
11.3 推斷
11.3.1 邊緣分布
11.3.2 條件分布
11.4 學習
11.4.1 最大似然估計
11.4.2 對比散度
11.5 應用：個性化推薦
11.5.1 個性化推薦概述
11.5.2 個性化推薦架構與算法
11.5.3 RBM與協同過濾
12 遞歸神經網絡
12.1 Elman遞歸神經網絡
12.2 時間反向傳播
12.3 長短時記憶網絡
12.4 結構遞歸神經網絡
12.5 應用：語言模型
12.5.1 N元統計模型
12.5.2 基於LSTM構建語言模型
13 卷積神經網絡
13.1 卷積運算
13.2 網絡結構
13.3 卷積層
13.4 池化層
13.5 應用：文本分類
|
