[正版] 神经网络与深度学习 计算机网络 计算机控制仿真与人工智能 书籍

         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。

  本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

读者对象：

1.高校人工智能等相关专业方向的本科生和研究生；2.深度学习/机器学习/AI算法/自然语言处理工程师；3.从事机器学习和自然语言处理研究的专业人员；4.其他对深度学习和神经网络感兴趣的人员。

1）复旦大学邱锡鹏教授基于科研和教学实践，历时5年时间静心写作、不断完善，深受好评的深度学习讲义正式版！

2）字节跳动AI实验室主任李航、南京大学周志华教授、复旦大学吴立德教授强力。

3）系统整理深度学习的知识体系，从机器学习基础、神经网络模型以及概率图模型三个层面来串联深度学习所涉及的知识点，兼具系统性、条理性和性。

4）在网站上配套了教学PPT以及针对每章知识点的编程练习，理论和实践结合，加深读者对知识的理解，并提高问题求解能力。

5）内容安排由浅入深，语言表达通俗易懂，排版布局图文并茂，全彩印刷装帧精美。

序

前言

常用符号表

*部分  机器学习基础

章  绪论3

1.1人工智能...............................4

1.1.1人工智能的发展历史....................5

1.1.2人工智能的流派.......................7

1.2机器学习...............................7

1.3表示学习...............................8

1.3.1局部表示和分布式表示...................9

1.3.2表示学习...........................11

1.4深度学习...............................11

1.4.1端到端学习..........................12

1.5神经网络...............................13

1.5.1人脑神经网络........................13

1.5.2人工神经网络........................14

1.5.3神经网络的发展历史....................15

1.6本书的知识体系...........................17

1.7常用的深度学习框架.........................18

1.8总结和深入阅读...........................20

第2章  机器学习概述23

2.1基本概念...............................24

2.2机器学习的三个基本要素......................26

2.2.1模型..............................26

2.2.2学习准则...........................27

2.2.3优化算法...........................30

2.3机器学习的简单示例——线性回归.................33

2.3.1参数学习...........................34

2.4偏差-方差分解............................38

2.5机器学习算法的类型.........................41

2.6数据的特征表示...........................43

2.6.1传统的特征学习.......................44

2.6.2深度学习方法........................46

2.7评价指标...............................46

2.8理论和定理..............................49

2.8.1PAC学习理论........................49

2.8.2没有免费午餐定理......................50

2.8.3奥卡姆剃刀原理.......................50

2.8.4丑小鸭定理..........................51

2.8.5归纳偏置...........................51

2.9总结和深入阅读...........................51

第3章  线性模型

3.1线性判别函数和决策边界......................56

3.1.1二分类............................56

3.1.2多分类............................58

3.2Logistic回归.............................59

3.2.1参数学习...........................60

3.3Softmax回归.............................61

3.3.1参数学习...........................62

3.4感知器.................................64

3.4.1参数学习...........................64

3.4.2感知器的收敛性.......................66

3.4.3参数平均感知器.......................67

3.4.4扩展到多分类........................69

3.5支持向量机..............................71

3.5.1参数学习...........................73

3.5.2核函数............................74

3.5.3软间隔............................74

3.6损失函数对比.............................75

3.7总结和深入阅读...........................76

第二部分  基础模型

第4章  前馈神经网络81

4.1神经元.................................82

4.1.1Sigmoid型函数.......................83

4.1.2ReLU函数..........................86

4.1.3Swish函数..........................88

4.1.4GELU函数..........................89

4.1.5Maxout单元.........................89

4.2网络结构...............................90

4.2.1前馈网络...........................90

4.2.2记忆网络...........................90

4.2.3图网络............................90

4.3前馈神经网络.............................91

4.3.1通用近似定理........................93

4.3.2应用到机器学习.......................94

4.3.3参数学习...........................95

4.4反向传播算法.............................95

4.5自动梯度计算.............................98

4.5.1数值微分...........................99

4.5.2符号微分...........................99

4.5.3自动微分...........................100

4.6优化问题...............................103

4.6.1非凸优化问题........................103

4.6.2梯度消失问题........................104

4.7总结和深入阅读...........................104

第5章  卷积神经网络109

5.1卷积..................................110

5.1.1卷积的定义..........................110

5.1.2互相关............................112

5.1.3卷积的变种..........................113

5.1.4卷积的数学性质.......................114

5.2卷积神经网络.............................115

5.2.

本书是深度学习领域的入门教材，系统地整理了深度学习的知识体系，并由浅入深地阐述了深度学习的原理、模型以及方法，使得读者能地掌握深度学习的相关知识，并提高以深度学习技术来解决实际问题的能力。
全书共15章，分为三个部分。*部分为机器学习基础：章是绪论，介绍人工智能、机器学习、深度学习的概要，使读者了解相关知识；第2~3章介绍机器学习的基础知识。第二部分是基础模型：第4～6章分别讲述三种主要的神经网络模型：前馈神经网络、卷积神经网络和循环神经网络；第7章介绍神经网络的优化与正则化方法；第8章介绍神经网络中的注意力机制和外部记忆；第9章简要介绍一些无监督学习方法；0章介绍一些模型独立的机器学习方法，包括集成学习、自训练、协同训练、多任务学习、迁移学习、终身学习、元学习等。第三部分是进阶模型：1章介绍概率图模型的基本概念，为后面的章节进行铺垫；2章介绍两种早期的深度学习模型：玻尔兹曼机和深度信念网络；3章介绍深度生成模型，包括变分自编码器和生成对抗网络；4章介绍深度强化学习；5章介绍应用十分广泛的序列生成模型。
本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业的研究生或本科生教材，也可供相关领域的研究人员和工程技术人员参考。
本书还配备了教学PPT、编程练习以及课后习题的讨论，参见网址：。

邱锡鹏

复旦大学计算机科学技术学院教授、博士生导师，于复旦大学获得理学学士和博士学位。主要研究领域包括自然语言处理、机器学习、深度学习等，在相关领域的权威国际期刊、会议上发表学术论文60余篇，获得计算语言学*国际会议ACL 2017杰出论文奖、全国计算语言学会议CCL 2019*论文奖，2015年入选首届中国科协青年人才托举工程，2018年获得中国中文信息学会“钱伟长中文信息处理科学技术奖青年创新一等奖”，入选由“清华—中国工程院知识智能联合研究中心和清华大学人工智能研究院”联合发布的2020年人工智能（AI）全球*影响力学者提名。该排名参考过去十年人工智能各子领域*有影响力的会议和期刊发表论文的引用情况，排名前10的学者当选该领域当年*影响力学者奖，排名前100的其他学者获*影响力学者提名奖。作为项目负责人开源发布了两个自然语言处理开源系统FudanNLP和FastNLP，获得了学术界和产业界的广泛使用。目前担任中国中文信息学会青年工作委员会执行委员、计算语言学专委会委员、语言与知识计算专委会委员，中国人工智能学会青年工作委员会常务委员、自然语言理解专委会委员。