掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
深度學習理論與實踐 版權(quán)信息
- ISBN：9787302634669
- 條形碼：9787302634669 ; 978-7-302-63466-9
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
深度學習理論與實踐 本書特色
深度學習相關(guān)技術(shù)逐漸成為目前工業(yè)界和學術(shù)界探索和研究的重點，并且越來越多的相關(guān)算法在實際應用中取得了廣泛的成功。這些算法的成功和發(fā)展離不開相關(guān)研究者對深度學習相關(guān)理論的探索。目前的深度學習算法依然存在黑盒屬性、需要大量訓練樣本、可解釋性差、調(diào)參困難、算法模型規(guī)模大、學習時效低等不足，并且和人類本身的學習方式及智能化水平相比，
仍有著巨大的發(fā)展空間。這些也要求我們深入理解當前深度學習的相關(guān)算法理論，針對其特性
和缺點不斷加以改進提升。
本書的寫作目的是將深度學習的相關(guān)算法理論和應用實踐深入淺出地介紹給讀者，力求使大學本科低年級學生能夠理解和掌握相關(guān)內(nèi)容。本書-共包含11章。第1章緒論，簡要介紹人工智能、機器學習、深度學習的基本概念、發(fā)展歷程和- -些典型的應用實例。第2和第3章,基于回歸和基礎(chǔ)分類兩個基本模型介紹機器學習的基礎(chǔ)知識，為后續(xù)深度學習相關(guān)內(nèi)容提供知識基礎(chǔ)。第4和第5章是深度學習的理論基礎(chǔ)章節(jié)，闡述人工神經(jīng)網(wǎng)絡基礎(chǔ)，學習模型的訓練和優(yōu)化算法改進方法，以及模型的相關(guān)效果評估和具體實現(xiàn)方式。第6和第7章是深度學習理論在圖像數(shù)據(jù)和序列數(shù)據(jù)處理上的應用和發(fā)展，分別介紹卷積神經(jīng)網(wǎng)絡及其經(jīng)典模型、循環(huán)神經(jīng)網(wǎng)絡及其經(jīng)典模型。第8章是深度學習理論在自然語言處理問題上的拓展和應用，重點闡述注意力機制及其經(jīng)典模型，并探討模型在自然語言處理中的算法演進。第9章是深度學習理論在網(wǎng)絡圖數(shù)據(jù)處理問題上的拓展和應用，重點闡述基于譜域和空間域的各類圖神經(jīng)網(wǎng)絡模型。第10章探討針對無監(jiān)督特征學習問題的傳統(tǒng)機器學習算法和相關(guān)深度學習模型。第11章介紹強化學習的相關(guān)理論和經(jīng)典模型。
深度學習理論與實踐 內(nèi)容簡介
深度學習是計算機科學的一個重要分支，是一種以人工神經(jīng)網(wǎng)絡為架構(gòu)，對數(shù)據(jù)進行表征學習的算法的總稱。深度學習是傳統(tǒng)機器學習算法的發(fā)展和衍生，相關(guān)內(nèi)容涉及代數(shù)、統(tǒng)計學、優(yōu)化理論、矩陣計算等多個領(lǐng)域！渡疃葘W習理論與實踐》是深度學習的基礎(chǔ)入門級教材，在內(nèi)容上盡可能覆蓋深度學習算法相關(guān)基礎(chǔ)知識。全書共11章，大致可分為三大部分：**部分(第1～3章)主要介紹機器學習的基礎(chǔ)知識和一些傳統(tǒng)算法；第二部分(第4～8章)主要介紹人工神經(jīng)網(wǎng)絡等的相關(guān)理論、優(yōu)化算法和各類經(jīng)典神經(jīng)網(wǎng)絡模型；第三部分(第9～11章)為進階知識，主要介紹非監(jiān)督學習和強化學習的相關(guān)算法。 在學習《深度學習理論與實踐》的過程中，讀者不僅要深入理解相關(guān)算法理論，更要多思多練。讀者在閱讀各章節(jié)內(nèi)容后，可基于各章習題鞏固知識，并將理論與實踐結(jié)合，基于torch、tensorflow等深度學習平臺在實際任務中演練所學理論知識和技能。本書可作為高等院校計算機或電子信息相關(guān)專業(yè)的本科生或研究生教材。
深度學習理論與實踐 目錄
第1章 緒論 1
1.1 疫情防控中的應用 3
1.2 自動駕駛中的應用 4
1.3 現(xiàn)代農(nóng)業(yè)中的應用 5
第2章 基礎(chǔ)回歸模型 6
2.1 線性回歸模型 6
2.1.1 一元線性回歸 7
2.1.2 多元線性回歸 7
2.1.3 多項式回歸 9
2.2 參數(shù)估計模型 10
2.2.1 *小二乘估計 10
2.2.2 嶺回歸 12
2.2.3 套索回歸 14
2.2.4 彈性回歸 15
2.3 梯度下降算法 17
2.3.1 梯度的概念 17
2.3.2 梯度下降法算法 21
2.3.3 梯度下降算法分類 25
2.4 回歸模型效果評估 27
2.4.1 平均絕對誤差(MAE) 27
2.4.2 平均絕對百分比誤差
MAPE) 27
2.4.3 均方誤差(MSE) 28
2.4.4 均方根誤差(RMSE) 28
2.4.5 均方根對數(shù)誤差(RMSLE) 28
2.4.6 中位數(shù)絕對誤差(MedAE) 28
2.4.7 決定系數(shù)(R2) 29
習題2 30
第3章 基礎(chǔ)分類模型 32
3.1 邏輯回歸 32
3.1.1 廣義線性模型 32
3.1.2 邏輯回歸模型 33
3.1.3 代價函數(shù) 35
3.1.4 模型求解 36
3.2 支持向量機 37
3.2.1 線性支持向量機 37
3.2.2 模型參數(shù)的求解 40
3.2.3 非線性支持向量機 41
3.3 決策樹 43
3.3.1 算法簡介 43
3.3.2 決策樹的基本構(gòu)建流程 44
3.3.3 特征選擇與不純性計算 45
3.3.4 C4.5算法 50
3.4 貝葉斯分類 51
3.4.1 相關(guān)數(shù)學概念 51
3.4.2 貝葉斯決策理論 53
3.4.3 極大似然估計 55
3.4.4 樸素貝葉斯分類器 56
3.4.5 半樸素貝葉斯分類器 58
3.5 分類模型效果評估 60
3.5.1 一級指標 60
3.5.2 二級指標 61
3.5.3 三級指標 62
習題3 64
第4章 人工神經(jīng)網(wǎng)絡基礎(chǔ) 65
4.1 人工神經(jīng)網(wǎng)絡基礎(chǔ)結(jié)構(gòu) 65
4.1.1 人工神經(jīng)元 65
4.1.2 單層神經(jīng)網(wǎng)絡 66
4.1.3 多層神經(jīng)網(wǎng)絡 67
4.2 神經(jīng)網(wǎng)絡的向量化表示與主要函數(shù) 68
4.2.1 神經(jīng)網(wǎng)絡的向量化表示 68
4.2.2 常用激活函數(shù) 69
4.2.3 常見損失函數(shù) 72
4.3 正向傳播與反向傳播 73
4.3.1 正向傳播 73
4.3.2 反向傳播 74
4.4 深度學習平臺簡介 77
習題4 80
第5章 人工神經(jīng)網(wǎng)絡優(yōu)化 81
5.1 人工神經(jīng)網(wǎng)絡的特點和主要
問題 81
5.2 模型優(yōu)化表征能力提外
方法 82
5.2.1 模型的規(guī)模提升與結(jié)構(gòu)選擇 82
5.2.2 數(shù)據(jù)預處理 85
5.2.3 模型參數(shù)初始化 86
5.2.4 模型結(jié)構(gòu)優(yōu)化 89
5.2.5 模型的超參設(shè)定 92
5.3 優(yōu)化算法改進方法 95
5.3.1 指數(shù)加權(quán)平均 95
5.3.2 基于動量的梯度下降法 96
5.3.3 AdaGrad & RMSprop算法 97
5.3.4 Adam算法 99
5.3.5 近似梯度計算 100
5.4 模型效果評估與泛化能力提外方法 104
5.4.1 訓練集、驗證集、測試集
劃分 104
5.4.2 欠擬合與過擬合 105
5.4.3 正則化 106
5.4.4 丟棄法 107
5.4.5 提前停止法 109
5.4.6 誤差分析 110
習題5 110
第6章 卷積神經(jīng)網(wǎng)絡 112
6.1 卷積神經(jīng)網(wǎng)絡基礎(chǔ) 112
6.1.1 卷積運算 113
6.1.2 池化操作 116
6.1.3 卷積神經(jīng)網(wǎng)絡構(gòu)成 116
6.1.4 反向傳播 118
6.2 經(jīng)典的卷積神經(jīng)網(wǎng)絡模型 121
6.2.1 AlexNet 121
6.2.2 VGG網(wǎng)絡 124
6.2.3 GoogleNet(Inception) 126
6.2.4 ResNet 128
6.2.5 DenseNet 132
6.2.6 SqueezeNet 134
習題6 135
第7章 循環(huán)神經(jīng)網(wǎng)絡 137
7.1 循環(huán)神經(jīng)網(wǎng)絡基礎(chǔ) 137
7.1.1 循環(huán)神經(jīng)網(wǎng)絡的基礎(chǔ)結(jié)構(gòu) 137
7.1.2 不同類型的循環(huán)神經(jīng)網(wǎng)絡 138
7.1.3 正向傳播 140
7.1.4 反向傳播 141
7.2 經(jīng)典的循環(huán)神經(jīng)網(wǎng)絡模型 144
7.2.1 LSTM 144
7.2.2 GRU 147
7.2.3 雙向循環(huán)神經(jīng)網(wǎng)絡 148
7.2.4 多層循環(huán)神經(jīng)網(wǎng)絡模型 149
7.2.5 Seq-to-Seq模型 150
習題7 152
第8章 注意力機制及其應用 154
8.1 注意力機制 154
8.1.1 注意力機制模型構(gòu)建流程 155
8.1.2 多頭注意力機制 157
8.2 自注意力模型 157
8.3 Transformer模型 159
8.3.1 編碼器 160
8.3.2 解碼器 160
8.3.3 多頭自注意力 160
8.3.4 位置信息編碼 161
8.4 自然語言處理中的注意力
模型 162
8.4.1 自然語言處理背景介紹 162
8.4.2 Word2vec原理與訓練
模式 163
8.4.3 ELMo 174
8.4.4 GPT模型 176
8.4.5 Bert模型 179
習題8 180
第9章 圖神經(jīng)網(wǎng)絡 181
9.1 圖的概述 182
9.1.1 圖的基本定義 182
9.1.2 圖的基本類型 182
9.1.3 圖的存儲 184
9.1.4 圖的應用 184
9.2 圖信號處理 186
9.2.1 圖的拉普拉斯矩陣 186
9.2.2 圖的傅里葉變換 188
9.3 圖卷積網(wǎng)絡 190
9.3.1 圖卷積網(wǎng)絡的演化 191
9.3.2 一般圖卷積網(wǎng)絡 192
9.4 空間域圖神經(jīng)網(wǎng)絡 194
9.4.1 GNN的通用框架 194
9.4.2 GraphSAGE 198
9.4.3 圖自注意力網(wǎng)絡 199
9.4.4 Graphormer 201
習題9 203
第10章 無監(jiān)督學習 204
10.1 聚類 205
10.1.1 k-Means聚類 205
10.1.2 k-Means 聚類算法 207
10.2 無監(jiān)督特征學習 208
10.2.1 主成分分析 208
10.2.2 自編碼器 210
10.2.3 生成對抗網(wǎng)絡 214
習題10 218
第11章 強化學習 220
11.1 強化學習概述 220
11.1.1 強化學習的理論基礎(chǔ) 221
11.1.2 強化學習的分類 223
11.1.3 強化學習的應用 224
11.2 馬爾可夫決策過程 225
11.2.1 價值函數(shù) 226
11.2.2 *優(yōu)價值函數(shù)求解 228
11.2.3 馬爾可夫決策過程實例 229
11.3 模型強化學習 230
11.3.1 策略評估 231
11.3.2 策略改進 232
11.3.3 策略迭代 233
11.4 無模型強化學習 233
11.4.1 蒙特卡羅強化學習 234
11.4.2 時序差分學習 237
11.4.3 價值函數(shù)近似 241
11.4.4 深度Q-learning 243
習題11 244
參考文獻 246
1.1 疫情防控中的應用 3
1.2 自動駕駛中的應用 4
1.3 現(xiàn)代農(nóng)業(yè)中的應用 5
第2章 基礎(chǔ)回歸模型 6
2.1 線性回歸模型 6
2.1.1 一元線性回歸 7
2.1.2 多元線性回歸 7
2.1.3 多項式回歸 9
2.2 參數(shù)估計模型 10
2.2.1 *小二乘估計 10
2.2.2 嶺回歸 12
2.2.3 套索回歸 14
2.2.4 彈性回歸 15
2.3 梯度下降算法 17
2.3.1 梯度的概念 17
2.3.2 梯度下降法算法 21
2.3.3 梯度下降算法分類 25
2.4 回歸模型效果評估 27
2.4.1 平均絕對誤差(MAE) 27
2.4.2 平均絕對百分比誤差
MAPE) 27
2.4.3 均方誤差(MSE) 28
2.4.4 均方根誤差(RMSE) 28
2.4.5 均方根對數(shù)誤差(RMSLE) 28
2.4.6 中位數(shù)絕對誤差(MedAE) 28
2.4.7 決定系數(shù)(R2) 29
習題2 30
第3章 基礎(chǔ)分類模型 32
3.1 邏輯回歸 32
3.1.1 廣義線性模型 32
3.1.2 邏輯回歸模型 33
3.1.3 代價函數(shù) 35
3.1.4 模型求解 36
3.2 支持向量機 37
3.2.1 線性支持向量機 37
3.2.2 模型參數(shù)的求解 40
3.2.3 非線性支持向量機 41
3.3 決策樹 43
3.3.1 算法簡介 43
3.3.2 決策樹的基本構(gòu)建流程 44
3.3.3 特征選擇與不純性計算 45
3.3.4 C4.5算法 50
3.4 貝葉斯分類 51
3.4.1 相關(guān)數(shù)學概念 51
3.4.2 貝葉斯決策理論 53
3.4.3 極大似然估計 55
3.4.4 樸素貝葉斯分類器 56
3.4.5 半樸素貝葉斯分類器 58
3.5 分類模型效果評估 60
3.5.1 一級指標 60
3.5.2 二級指標 61
3.5.3 三級指標 62
習題3 64
第4章 人工神經(jīng)網(wǎng)絡基礎(chǔ) 65
4.1 人工神經(jīng)網(wǎng)絡基礎(chǔ)結(jié)構(gòu) 65
4.1.1 人工神經(jīng)元 65
4.1.2 單層神經(jīng)網(wǎng)絡 66
4.1.3 多層神經(jīng)網(wǎng)絡 67
4.2 神經(jīng)網(wǎng)絡的向量化表示與主要函數(shù) 68
4.2.1 神經(jīng)網(wǎng)絡的向量化表示 68
4.2.2 常用激活函數(shù) 69
4.2.3 常見損失函數(shù) 72
4.3 正向傳播與反向傳播 73
4.3.1 正向傳播 73
4.3.2 反向傳播 74
4.4 深度學習平臺簡介 77
習題4 80
第5章 人工神經(jīng)網(wǎng)絡優(yōu)化 81
5.1 人工神經(jīng)網(wǎng)絡的特點和主要
問題 81
5.2 模型優(yōu)化表征能力提外
方法 82
5.2.1 模型的規(guī)模提升與結(jié)構(gòu)選擇 82
5.2.2 數(shù)據(jù)預處理 85
5.2.3 模型參數(shù)初始化 86
5.2.4 模型結(jié)構(gòu)優(yōu)化 89
5.2.5 模型的超參設(shè)定 92
5.3 優(yōu)化算法改進方法 95
5.3.1 指數(shù)加權(quán)平均 95
5.3.2 基于動量的梯度下降法 96
5.3.3 AdaGrad & RMSprop算法 97
5.3.4 Adam算法 99
5.3.5 近似梯度計算 100
5.4 模型效果評估與泛化能力提外方法 104
5.4.1 訓練集、驗證集、測試集
劃分 104
5.4.2 欠擬合與過擬合 105
5.4.3 正則化 106
5.4.4 丟棄法 107
5.4.5 提前停止法 109
5.4.6 誤差分析 110
習題5 110
第6章 卷積神經(jīng)網(wǎng)絡 112
6.1 卷積神經(jīng)網(wǎng)絡基礎(chǔ) 112
6.1.1 卷積運算 113
6.1.2 池化操作 116
6.1.3 卷積神經(jīng)網(wǎng)絡構(gòu)成 116
6.1.4 反向傳播 118
6.2 經(jīng)典的卷積神經(jīng)網(wǎng)絡模型 121
6.2.1 AlexNet 121
6.2.2 VGG網(wǎng)絡 124
6.2.3 GoogleNet(Inception) 126
6.2.4 ResNet 128
6.2.5 DenseNet 132
6.2.6 SqueezeNet 134
習題6 135
第7章 循環(huán)神經(jīng)網(wǎng)絡 137
7.1 循環(huán)神經(jīng)網(wǎng)絡基礎(chǔ) 137
7.1.1 循環(huán)神經(jīng)網(wǎng)絡的基礎(chǔ)結(jié)構(gòu) 137
7.1.2 不同類型的循環(huán)神經(jīng)網(wǎng)絡 138
7.1.3 正向傳播 140
7.1.4 反向傳播 141
7.2 經(jīng)典的循環(huán)神經(jīng)網(wǎng)絡模型 144
7.2.1 LSTM 144
7.2.2 GRU 147
7.2.3 雙向循環(huán)神經(jīng)網(wǎng)絡 148
7.2.4 多層循環(huán)神經(jīng)網(wǎng)絡模型 149
7.2.5 Seq-to-Seq模型 150
習題7 152
第8章 注意力機制及其應用 154
8.1 注意力機制 154
8.1.1 注意力機制模型構(gòu)建流程 155
8.1.2 多頭注意力機制 157
8.2 自注意力模型 157
8.3 Transformer模型 159
8.3.1 編碼器 160
8.3.2 解碼器 160
8.3.3 多頭自注意力 160
8.3.4 位置信息編碼 161
8.4 自然語言處理中的注意力
模型 162
8.4.1 自然語言處理背景介紹 162
8.4.2 Word2vec原理與訓練
模式 163
8.4.3 ELMo 174
8.4.4 GPT模型 176
8.4.5 Bert模型 179
習題8 180
第9章 圖神經(jīng)網(wǎng)絡 181
9.1 圖的概述 182
9.1.1 圖的基本定義 182
9.1.2 圖的基本類型 182
9.1.3 圖的存儲 184
9.1.4 圖的應用 184
9.2 圖信號處理 186
9.2.1 圖的拉普拉斯矩陣 186
9.2.2 圖的傅里葉變換 188
9.3 圖卷積網(wǎng)絡 190
9.3.1 圖卷積網(wǎng)絡的演化 191
9.3.2 一般圖卷積網(wǎng)絡 192
9.4 空間域圖神經(jīng)網(wǎng)絡 194
9.4.1 GNN的通用框架 194
9.4.2 GraphSAGE 198
9.4.3 圖自注意力網(wǎng)絡 199
9.4.4 Graphormer 201
習題9 203
第10章 無監(jiān)督學習 204
10.1 聚類 205
10.1.1 k-Means聚類 205
10.1.2 k-Means 聚類算法 207
10.2 無監(jiān)督特征學習 208
10.2.1 主成分分析 208
10.2.2 自編碼器 210
10.2.3 生成對抗網(wǎng)絡 214
習題10 218
第11章 強化學習 220
11.1 強化學習概述 220
11.1.1 強化學習的理論基礎(chǔ) 221
11.1.2 強化學習的分類 223
11.1.3 強化學習的應用 224
11.2 馬爾可夫決策過程 225
11.2.1 價值函數(shù) 226
11.2.2 *優(yōu)價值函數(shù)求解 228
11.2.3 馬爾可夫決策過程實例 229
11.3 模型強化學習 230
11.3.1 策略評估 231
11.3.2 策略改進 232
11.3.3 策略迭代 233
11.4 無模型強化學習 233
11.4.1 蒙特卡羅強化學習 234
11.4.2 時序差分學習 237
11.4.3 價值函數(shù)近似 241
11.4.4 深度Q-learning 243
習題11 244
參考文獻 246
展開全部
書友推薦
- >
經(jīng)典常談
- >
有舍有得是人生
- >
詩經(jīng)-先民的歌唱
- >
推拿
- >
我從未如此眷戀人間
- >
二體千字文
- >
山海經(jīng)
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
