[正版新书]深度学习的数学原理与实现 王晓华 数学原理 公式推导 代码实现 帮助你掌握深度学习原理及实现 人工智能技术

                                                                                                            店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

如遇套装商品/书籍无法选择选项，请联系在线客服。如不联系统一不发货，做不发货处理。

E1

书名:深度学习的数学原理与实现

定价:59.00

作者:王晓华

出版日期:2021年06月

ISBN书号:9787302580287

出版社:清华大学出版社

深度学习已经进入我们的生活，云计算和大数据为深度学习提供了便利。本书主要讲解深度学习中的数学知识、算法原理和实现方法，配套源码、数据集和开发环境。

本书共12章。1章介绍人类视觉和深度学习的联系。2章介绍深度学习中为重要的梯度下降算法。3章介绍卷积函数。4章介绍计算损失函数所使用的交熵、决策树和信息熵。5章介绍线性回归和逻辑回归。6、7章介绍时间序列模型和生成对抗网络。8章介绍TensorFlow框架。9章介绍推荐算法。10章介绍深度学习中的标准化、正则化和初始化。11章是案例人脸识别。12章是词嵌入向量案例，介绍自然语言处理方面的应用。

本书理论和实践相结合，理论讲解直观，通过实例进行演示，可以使读者快速掌握本书内容。本书适合深度学习初学者、深度学习算法开发人员阅读，也适合高等院校和培训机构人工智能相关专业的师生参考。

目    录

1章  Hello World—从计算机视觉与人类视觉谈起 1

1.1  人类的视觉 1

1.1.1  人类视觉神经的启迪 1

1.1.2  计算机视觉的难点与人工神经网络 2

1.1.3  应用深度学习解决计算机视觉问题 3

1.2  计算机视觉学习的基础与研究方向 4

1.2.1  学习计算机视觉结构图 4

1.2.2  计算机视觉的学习方式和未来趋势 5

1.3  本章小结 6

2章  道士下山—故事的开始 7

2.1  BP神经网络简介 7

2.2  BP神经网络的两个基础算法详解 11

2.2.1  小二乘法 11

2.2.2  梯度下降法 13

2.3  反馈神经网络反向传播算法 16

2.3.1  深度学习基础 16

2.3.2  链式求导法则 17

2.3.3  反馈神经网络原理与公式推导 18

2.3.4  反馈神经网络原理的激活函数 23

2.3.5  反馈神经网络原理的Python实现 24

2.4  本章小结 29

3章  猫还是狗—深度学习中的卷积与其他函数 30

3.1  卷积运算基本概念 30

3.1.1  卷积运算 31

3.1.2  卷积核 33

3.1.3  卷积神经网络原理 33

3.2  卷积神经网络公式推导 35

3.2.1  经典反馈神经网络正向与反向传播公式推导 36

3.2.2  卷积神经网络正向与反向传播公式推导 38

3.3  激活、分类以及池化函数简介 45

3.3.1  别偷懒—激活函数是分割器 45

3.3.2  太多了，我只要一个—池化运算 49

3.3.3  全连接层详解 50

3.3.4  终的裁判—分类函数 52

3.3.5  每次都是一个新模型—随机失活层简介 54

3.4  本章小结 55

4章  水晶球的秘密—信息熵、决策树与交熵 56

4.1  水晶球的秘密 56

4.1.1  水晶球的秘密概述 57

4.1.2  决策树的算法基础—信息熵 57

4.1.3  决策树的算法基础—ID3算法 59

4.2  信息熵重要的应用—交熵 60

4.2.1  交熵基本原理详解 61

4.2.2  交熵的表述 63

4.2.3  把无用的利用起来—交熵的改进1（你想做科研吗？） 64

4.2.4  交熵的作用与改进—解决正负样本数量差异过大 66

4.2.5  交熵的作用与改进—解决样本的难易分类 68

4.2.6  统一后的交熵 68

4.3  本章小结 69

5章  Mission Impossible！—把不可能变成可能的机器学习 70

5.1  机器学习基本分类 71

5.1.1  应用学科的分类 71

5.1.2  学习模式的分类 72

5.1.3  应用领域的分类 72

5.2  机器学习基本算法 73

5.2.1  机器学习的算法流程 73

5.2.2  基本算法的分类 74

5.3  算法的理论基础 75

5.3.1  小学生的故事—求圆的面积 76

5.3.2  机器学习基础理论—函数逼近 76

5.4  回归算法 77

5.4.1  函数逼近经典算法—线性回归算法 78

5.4.2  逻辑回归不是回归—逻辑回归算法 79

5.5  本章小结 80

6章  书中自有黄金屋—横扫股市的时间序列模型 81

6.1  长短期记忆网络 81

6.1.1  Hochreiter & Schmidhuber和LSTM 82

6.1.2  循环神经网络与长短期记忆网络 83

6.1.3  LSTM的“处理单元”详解 85

6.1.4  LSTM的实现与股市预测 87

6.2  LSTM的研究发展与应用 90

6.2.1  LSTM的研究发展 91

6.2.2  LSTM的应用前景 92

6.3  本章小结 93

7章  书中自有颜如玉—GAN is a girl 94

7.1  GAN的工作原理详解 94

7.1.1  生成器与判别器共同构成一个GAN 95

7.1.2  GAN是怎么工作的 96

7.2  GAN的数学原理详解 97

7.2.1  GAN的损失函数 97

7.2.2  生成器的数学原理—相对熵简介 98

7.2.3  GAN的应用前景 99

7.3  本章小结 103

8章  休息一下，让我们玩一把TensorFlow 104

8.1  TensorFlow游乐场 104

8.1.1  让我们一起来玩吧 104

8.1.2  TensorFlow游乐场背后的故事 108

8.1.3  如何训练神经网络 109

8.2  你好，TensorFlow 110

8.2.1  TensorFlow名称的解释 110

8.2.2  TensorFlow基本概念 111

8.2.3  TensorFlow基本架构 113

8.3  本章小结 114

9章  你喜欢什么我全知道—推荐系统的原理 115

9.1  传统方法的推荐系统 115

9.1.1  基于内容的推荐算法 116

9.1.2  多种相似度的计算方法 116

9.1.3  基于内容推荐算法的数学原理—以文档特征提取的TF-IDF为例 120

9.1.4  基于协同过滤的推荐算法 122

9.2  基于深度学习的推荐系统 127

9.2.1  基于模型的推荐算法 127

9.2.2  基于用户画像的推荐算法 128

9.2.3  基于深度学习推荐系统的总结 129

9.3  本章小结 130

10章  整齐划一画个龙—深度学习中的归一化、正则化与初始化 131

10.1  常用的数据归一化方法 131

10.1.1  数据归一化的作用 132

10.1.2  几种常用的数据归一化 133

10.2  不那么深的深度学习模型的正则化方法 134

10.2.1  “浅度”学习中的正则化 135

10.2.2  关于过拟合问题的解决 136

10.2.3  批量归一化详解 138

10.2.4  深度学习中的随机失活 143

10.2.5  深度学习中的初始化 143

10.3  本章小结 145

11章  众里寻她千百度—人脸识别的前世今生 146

11.1  人脸识别简介 147

11.1.1  人脸识别的发展历程 147

11.1.2  人脸识别的一般方法 148

11.1.3  人脸识别的通用流程 149

11.2  基于深度学习的人脸识别 151

11.2.1  基于深度学习的人脸识别简介 152

11.2.2  用于深度学习的人脸识别数据集 154

11.2.3  基于深度学习的人脸识别模型 157

11.3  人脸识别中的softma激活函数 162

11.3.1  softma基本原理详解 162

11.3.2  AMsoftma基本原理详解 163

11.3.3  softma的一些改进 165

11.4  本章小结 166

12章  梅西-阿根廷+意大利=？—有趣的词嵌入向量 167

12.1  文本数据处理 168

12.1.1  数据集和数据清洗 168

12.1.2  停用词的使用 170

12.1.3  词向量训练模型word2vec的使用 173

12.1.4  文档主题的提取：基于TF-IDF 176

12.1.5  文档主题的提取：基于TetRank（选学） 180

12.2  更多的词嵌入向量方法—fastTet和预训练词向量 183

12.2.1  fastTet的原理与基础算法 183

12.2.2  使用fastTet训练词嵌入向量 185

12.2.3  使用其他预训练参数（中文） 190

12.3  针对文本的卷积神经网络模型—字符卷积 191

12.3.1  字符（非单词）文本的处理 191

12.3.2  卷积神经网络文档分类模型的实现—conv1d（一维卷积） 198

12.4  针对文档的卷积神经网络模型—词卷积 200

12.4.1  单词的文本处理 201

12.4.2  卷积神经网络文档分类模型的实现—conv2d（二维卷积） 203

12.5  使用卷积对文档分类的补充内容 206

12.5.1  中文的文本处理 206

12.5.2  其他细节 209

12.6  本章小结 210