由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
醉染图书深度学习入门9787111655312
¥ ×1
译者序
原书序
原书前言
章 绪论 1
第2章 机器学习与深度学习 3
2.1 为什么要进行深度学习 3
2.2 什么是机器学习 4
2.2.1 典型任务 4
2.2.2 形式各异的数据集 5
. 统计学基础 6
..1 样本和估计 7
..2 点估计 8
.. 极大似然估计 11
2.4 机器学习基础 12
2.5 特征学习与深度学习的进展
2.5.1 特征学习
2.5.2 深度学习的出现 24
第3章 神经网络 26
3.1 神经细胞网络 26
3.2 形式神经元 27
3.3 感知器 29
3.3.1 由形式神经元到感知器 29
3.3.2 感知器与马文·明斯基 (Marvin Lee Minsky) 30
3.4 顺序传播神经网络的组成 31
3.5 神经网络的机器学习 35
3.5.1 回归 35
3.5.2 二元分类 36
3.5.3 多元分类 37
3.6 激活函数 37
3.6.1 sigmoid函数及其变体 38
3.6.2 正则化线函数 38
3.6.3 maxout 39
3.7 为什么深度学习是重要的 40
第4章 基于梯度下降法的机器学习 41
4.1 梯度下降法 41
4.2 改进的梯度下降法 46
4.2.1 梯度下降法的问题 46
4.3 权重参数初始值的选取方法 53
4.4 训练预处理 55
4.4.1 数据的规格化 55
4.4.2 数据的白化 55
4.4.3 图像数据的局部对比度
第5章 深度学习的正则化 59
5.1 泛化能与正则化 59
5.1.1 泛化误差与过度学习 59
5.1.2 正则化 61
5.2 权重衰减 62
5.3 早期终止 63
5.4 权重共享 65
5.5 数据扩增与噪声注入 65
5.6 bagging算法 66
5.7 dropout 67
5.8 深度表示的稀疏化 72
5.9 批量规格化 72
5.9.1 内部协变量移位 72
5.9.2 批量规格化 73
第6章 误差反向传播法 74
6.1 Perceptron(感知器)和delta 学习规则 74
6.2 误差反向传播法 76
6.3 误差反向传播法的梯度快速计算 82
6.4 梯度消失与参数及其对策 84
6.4.1 预学习 85
6.4.2 ReLU函数 85
第7章 自编码器 87
7.1 数据压缩与主成分分析 87
7.2 自编码器基础及应用 90
7.3 稀疏自编码器 93
7.4 堆栈式自编码器及预学习 97
7.5 降噪自编码器 98
7.6 压缩式自编码器 99
7.6.1 压缩式自编码器流形学习 99
7.6.2 与自编码器的关系 100
第8章 卷积神经网络 101
8.1 一次视觉功能和卷积 101
8.1.1 黑贝尔和威杰尔的层说 1
8.1.2 神经网络与卷积
8.2 卷积神经网络 104
8.3 CNN的误差反向传播法 112
8.4 完成学习的模型和迁移学习 114
8.5 CNN会捕捉到哪些模式 114
8.6 反卷积网络 * 115
8.7 Inception组件 * 116
第9章 循环神经网络 117
9.1 时间序列数据 117
9.2 循环神经网络 118
9.3 机器翻译的应用 1
9.4 RNN的问题 1
9.5 长短时记忆 124
9.6 循环神经网络与自然语言的处理 * 130
0章 玻尔兹曼机 133
10.1 图模型与概率推论 133
10.1.1 有向图模型 * 133
10.1.2 无向图模型 * 136
10.2 有/无隐变量的玻尔兹曼机 139
10.3 玻尔兹曼机的学习及计算量的爆发 142
10.4 吉布斯采样和玻尔兹曼机 150
10.5 平均场近似 159
10.6 受限玻尔兹曼机 162
10.7 对比散度法及其理论 167
10.8 深度信念网络 175
10.9 深度玻尔兹曼机 181
1章 深度强化学习 188
11.1 强化学习 188
11.2 近似函数与深度网络 197
11.2.1 学与似函数 197
11.2.2 深度学习 199
11.3 雅达利游戏和DN 201
11.4 策略学习 203
11.4.1 基于梯度上升法的策略学习 203
11.4.2 策略梯度定理的明 205
11.5 AlphaGo 205
附录 210
附录A 概率基础 210
A.1 随机变量和概率分布 210
A.2 连续随机变量和概率密度函数 212
A.3 期望值与方差 214
A.4 信息量与散度 215
附录B 变分法 217
B.1 泛函数 217
B.2 欧拉·拉格朗日方程式 217
参考文献 219
?从基础开始,通过理论简单明了地阐述了人工智能的基本原理?从数理角度进行了明确阐释,并对编入的*新复杂内容作了详尽的说明?选取了一些基础的重要话题实例,并且全面细致地进行了解析?强调系统、通俗的同时,又具有较强的前瞻,并且对所介绍的问题都给出了详尽的分析和数学推导
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格