[正版] 花书 深度学习中文版 deep learning 机器学习书 数学工具和机器学习算法教程书 人工智能机器人系统

                                                                                              店铺公告

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

深度学习入门到进阶 59.00 168.00 套餐价/RMB 169.80   套餐价格 ￥227.00 立即节省 ￥57.20

机器学习 大促价： ￥110.9 价格 ￥157.80 折扣 7.03折 节省 ￥46.9 活动倒计时: 06 天 23 : 59 :

深度学习大全 大促价： ￥358.00 价格 ￥475.60 折扣 7.53折 节省 ￥117.6 活动倒计时: 06 天 23 : 58 :

深度学习教程 大促价： ￥166.80 价格 ￥253.00 折扣 6.59折 节省 ￥86.2 活动倒计时: 06 天 23 : 59 :

深度学习
	定价	168.00
	出版社	人民邮电出版社
	版次	1
	出版时间	2017年08月
	开本	16
	作者	[美]IanGoodfellow
	装帧	平装
	页数	500
	字数	805000
	ISBN编码	9787115461476

《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：dy 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

AI ！深度学习领域奠基性的书！长期位居美国 AI和机器学习类图书！所有数据科学家和机器学习从业者的 读图书！特斯拉CEO埃隆·马斯克等国内外众多专家推荐！ 深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。因为计算机能够从经验中获取知识，所以不需要人类来形式化地定义计算机需要的所有知识。层次概念允许计算机通过构造简单的概念来学习复杂的概念，而这些分层的图结构将具有很深的层次。本书会介绍深度学习领域的许多主题。 本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。*后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。 《深度学习》这本书既可以被本科生或研究生用于规划其学术界或工业界生涯，也适用于希望在各种产品或平台上开始使用深度学习技术的软件工程师。作者在本书的配套网站上为读者和教师提供了补充资料。中文版读者可以访问人民邮电出版社异步社区www.epubit.com.cn获取相关信息。 封面特色： 由艺术家Daniel Ambrosi提供的中央公园杜鹃花步道梦幻景观。在Ambrosi的亿级像素全景图上，应用Joseph Smarr（Google）和Chirs Lamb（NVIDIA）修改后的Google DeepDream开源程序，创造了Daniel Ambrosi的“幻景”

dy 章

本书面向的读者

深度学习的历史趋势

神经网络的众多名称和命运变迁

与日俱增的数据量

与日俱增的模型规模

与日俱增的精度、复杂度和对现实世界的冲击

第部分应用数学与机器学习基础

第2章线性代数

标量、向量、矩阵和张量

矩阵和向量相乘

单位矩阵和逆矩阵

线性相关和生成子空间

范数

特殊类型的矩阵和向量

特征分解

奇异值分解

Moore-Penrose伪逆

迹运算

行列式

实例：主成分分析

第3章概率与信息论

为什么要使用概率

随机变量

概率分布

离散型变量和概率质量函数

连续型变量和概率密度函数

边缘概率

条件概率

条件概率的链式法则

独立性和条件独立性

期望、方差和协方差

常用概率分布

Bernoulli分布

Multinoulli分布

高斯分布

指数分布和Laplace分布

Dirac分布和经验分布

分布的混合

常用函数的有用性质

贝叶斯规则

连续型变量的技术细节

信息论

结构化概率模型

第4章数值计算

上溢和下溢

病态条件

基于梯度的优化方法

梯度之上：Jacobian和Hessian矩阵

约束优化

实例：线性 小二乘

第5章机器学习基础

学习算法

任务T

性能度量P

经验E

示例：线性回归

容量、过拟合和欠拟合

没有免费午餐定理

正则化

超参数和验证集

交叉验证

估计、偏差和方差

点估计

偏差

方差和标准差

权衡偏差和方差以 小化均方误差

一致性

似然估计

条件对数似然和均方误差

似然的性质

贝叶斯统计

后验(MAP)估计

监督学习算法

概率监督学习

支持向量机

其他简单的监督学习算法

无监督学习算法

主成分分析

k-均值聚类

随机梯度下降

构建机器学习算法

促使深度学习发展的挑战

维数灾难

局部不变性和平滑正则化

流形学习

第部分深度网络：现代实践

第6章深度前馈网络

实例：学习XOR

基于梯度的学习

代价函数

输出单元

隐藏单元

整流线性单元及其扩展

logisticsigmoid与双曲正切函数

其他隐藏单元

架构设计

近似性质和深度

其他架构上的考虑

反向传播和其他的微分算法

计算图

微积分中的链式法则

递归地使用链式法则来实现反向传播

全连接MLP中的反向传播计算

符号到符号的导数

一般化的反向传播

实例：用于MLP训练的反向传播

复杂化

深度学习界以外的微分

高阶微分

历史小记

第7章深度学习中的正则化

参数范数惩罚

L参数正则化

L正则化

作为约束的范数惩罚

正则化和欠约束问题

数据集增强

噪声鲁棒性

向输出目标注入噪声

半监督学习

多任务学习

提前终止

参数绑定和参数共享

卷积神经网络

稀疏表示

Bagging和其他集成方法

Dropout

对抗训练

切面距离、正切传播和流形正切分类器

第8章深度模型中的优化

学习和纯优化有什么不同

经验风险 小化

代理损失函数和提前终止

批量算法和小批量算法

神经网络优化中的挑战

病态

局部极小值

高原、鞍点和其他平坦区域

悬崖和梯度爆炸

长期依赖

非 梯度

局部和全局结构间的弱对应

优化的理论限制

基本算法

随机梯度下降

动量

Nesterov动量

参数初始化策略

自适应学习率算法

AdaGrad

RMSProp

Adam

选择正确的优化算法

二阶近似方法

牛顿法

共轭梯度

BFGS

优化策略和元算法

批标准化

坐标下降

Polyak平均

监督预训练

设计有助于优化的模型

延拓法和课程学习

第9章卷积网络

卷积运算

动机

池化

卷积与池化作为一种无限强的先验

基本卷积函数的变体

结构化输出

数据类型

高效的卷积算法

随机或无监督的特征

卷积网络的神经科学基础

卷积网络与深度学习的历史

dy 0章序列建模：循环和递归网络

展开计算图

循环神经网络

导师驱动过程和输出循环网络

计算循环神经网络的梯度

作为有向图模型的循环网络

基于上下文的RNN序列建模

双向RNN

基于编码-解码的序列到序列架构

深度循环网络

递归神经网络

长期依赖的挑战

回声状态网络

渗漏单元和其他多时间尺度的策略

时间维度的跳跃连接

渗漏单元和一系列不同时间尺度

删除连接

长短期记忆和其他门控RNN

LSTM

其他门控RNN

优化长期依赖

截断梯度

引导信息流的正则化

外显记忆

dy 1章实践方法论

性能度量

默认的基准模型

决定是否收集更多数据

选择超参数

手动调整超参数

自动超参数优化算法

网格搜索

随机搜索

基于模型的超参数优化

调试策略

示例：多位数字识别

dy 2章应用

大规模深度学习

快速的CPU实现

GPU实现

大规模的分布式实现

模型压缩

动态结构

深度网络的专用硬件实现

计算机视觉

预处理

数据集增强

语音识别

自然语言处理

n-gram

神经语言模型

高维输出

结合n-gram和神经语言模型

神经机器翻译

历史展望

其他应用

推荐系统

知识表示、推理和回答

第部分深度学习研究

第章线性因子模型

概率PCA和因子分析

独立成分分析

慢特征分析

稀疏编码

PCA的流形解释

dy 6章自编码器

欠完备自编码器

正则自编码器

稀疏自编码器

去噪自编码器

惩罚导数作为正则

表示能力、层的大小和深度

随机编码器和解码器

去噪自编码器详解

得分估计

历史展望

使用自编码器学习流形

收缩自编码器

预测稀疏分解

自编码器的应用

dy 7章表示学习

贪心逐层无监督预训练

何时以及为何无监督预训练有效有效

迁移学习和领域自适应

半监督解释因果关系

分布式表示

得益于深度的指数增益

提供发现潜在原因的线索

dy 3章深度学习中的结构化概率模型

非结构化建模的挑战

使用图描述模型结构

有向模型

无向模型

配分函数

基于能量的模型

分离和d-分离

在有向模型和无向模型中转换

因子图

从图模型中采样

结构化建模的优势

学习依赖关系

推断和近似推断

结构化概率模型的深度学习方法

实例：受限玻尔兹曼机

dy 8章蒙特卡罗方法

采样和蒙特卡罗方法

为什么需要采样

蒙特卡罗采样的基础

重要采样

马尔可夫链蒙特卡罗方法

Gibbs采样

不同的峰值之间的混合挑战

不同峰值之间通过回火来混合

深度也许会有助于混合

dy 4章直面配分函数

对数似然梯度

随机 似然和对比散度

伪似然

得分匹配和比率匹配

去噪得分匹配

噪声对比估计

估计配分函数

退火重要采样

桥式采样

dy 8章近似推断

把推断视作优化问题

期望 化

后验推断和稀疏编码

变分推断和变分学习

离散型潜变量

变分法

连续型潜变量

学习和推断之间的相互作用

学成近似推断

醒眠算法

学成推断的其他形式

dy 5章深度生成模型

玻尔兹曼机

受限玻尔兹曼机

条件分布

训练受限玻尔兹曼机

深度信念网络

深度玻尔兹曼机

有趣的性质

DBM均匀场推断

DBM的参数学习

逐层预训练

联合训练深度玻尔兹曼机

实值数据上的玻尔兹曼机

Gaussian-BernoulliRBM

条件协方差的无向模型

卷积玻尔兹曼机

用于结构化或序列输出的玻尔兹曼机

其他玻尔兹曼机

通过随机操作的反向传播

通过离散随机操作的反向传播

有向生成网络

sigmoid信念网络

可微生成器网络

变分自编码器

生成式对抗网络

生成矩匹配网络

卷积生成网络

自回归网络

线性自回归网络

神经自回归网络

NADE

从自编码器采样

与任意去噪自编码器相关的马尔可夫链

夹合与条件采样

回退训练过程

生成随机网络

判别性GSN

其他生成方案

评估生成模型

结论

参考文献

索引