店鋪： 墨馬圖書旗艦店
齣版社： 人民郵電齣版社
ISBN：9787115461476
商品編碼：14398630146
具體描述
| 商品基本信息,請以下列介紹為準 | |
| 商品名稱： | 深度學習 |
| 作者： | [美]Ian Goodfellow（伊恩·古德費洛）、[加]Yoshua Bengio（約書亞·本吉奧） 、[加]Aaron Courville（亞倫·庫維爾） |
| 市場價： | 168元 |
| ISBN號： | 9787115461476 |
| 齣版社： | 人民郵電齣版社 |
| 商品類型： | 圖書 |
| 其他參考信息（以實物為準） | ||
| 裝幀：平裝-膠訂 | 開本：16開 | 語種：中文 |
| 齣版時間：2018-08 | 版次：1 | 頁數：500 |
| 印刷時間：2017年08月01日 | 印次：1 | 字數：484.00韆字 |
| 編輯推薦 | |
AI聖經！深度學習領域奠基性的經典暢銷書！長期位居美國亞馬遜AI和機器學習類圖書榜首！所有數據科學傢和機器學習從業者的必讀圖書！特斯拉CEO埃隆·馬斯剋等國內外眾多專傢推薦！ 深度學習是機器學習的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界。因為計算機能夠從經驗中獲取知識，所以不需要人類來形式化地定義計算機需要的所有知識。層次概念允許計算機通過構造簡單的概念來學習復雜的概念，而這些分層的圖結構將具有很深的層次。本書會介紹深度學習領域的許多主題。 本書囊括瞭數學及相關概念的背景知識，包括綫性代數、概率論、信息論、數值優化以及機器學習中的相關內容。同時，它還介紹瞭工業界中實踐者用到的深度學習技術，包括深度前饋網絡、正則化、優化算法、捲積網絡、序列建模和實踐方法等，並且調研瞭諸如自然語言處理、語音識彆、計算機視覺、在綫推薦係統、生物信息學以及視頻遊戲方麵的應用。*後，本書還提供瞭一些研究方嚮，涵蓋的理論主題包括綫性因子模型、自編碼器、錶示學習、結構化概率模型、濛特卡羅方法、配分函數、近似推斷以及深度生成模型。 《深度學習》這本書既可以被本科生或研究生用於規劃其學術界或工業界生涯，也適用於希望在各種産品或平颱上開始使用深度學習技術的軟件工程師。作者在本書的配套網站上為讀者和教師提供瞭補充資料。中文版讀者可以訪問人民郵電齣版社異步社區www.epubit.com.cn獲取相關信息。 封麵特色： 由藝術傢Daniel Ambrosi提供的中央公園杜鵑花步道夢幻景觀。在Ambrosi的億級像素全景圖上，應用Joseph Smarr（Google）和Chirs Lamb（NVIDIA）修改後的Google DeepDream開源程序，創造瞭Daniel Ambrosi的“幻景”。 |
| 目錄 | |
第 1 章 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 本書麵嚮的讀者 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7 1.2 深度學習的曆史趨勢 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2.1 神經網絡的眾多名稱和命運變遷 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2.2 與日俱增的數據量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2.3 與日俱增的模型規模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13 1.2.4 與日俱增的精度、復雜度和對現實世界的衝擊 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 第 1 部分 應用數學與機器學習基礎 第 2 章 綫性代數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.1 標量、嚮量、矩陣和張量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 矩陣和嚮量相乘. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21 2.3 單位矩陣和逆矩陣 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 綫性相關和生成子空間 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.5 範數. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24 2.6 特殊類型的矩陣和嚮量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.7 特徵分解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.8 奇異值分解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.9 Moore-Penrose 僞逆 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.10 跡運算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.11 行列式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.12 實例：主成分分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30 第 3 章 概率與信息論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34 3.1 為什麼要使用概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 隨機變量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.3.1 離散型變量和概率質量函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.3.2 連續型變量和概率密度函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.4 邊緣概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.5 條件概率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.6 條件概率的鏈式法則 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.7 獨立性和條件獨立性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.8 期望、方差和協方差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.9 常用概率分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.9.1 Bernoulli 分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.9.2 Multinoulli 分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.9.3 高斯分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.9.4 指數分布和 Laplace 分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.9.5 Dirac 分布和經驗分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.9.6 分布的混閤 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.10 常用函數的有用性質. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .43 3.11 貝葉斯規則 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.12 連續型變量的技術細節 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.13 信息論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.14 結構化概率模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 第 4 章 數值計算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.1 上溢和下溢 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2 病態條件 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.3 基於梯度的優化方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.3.1 梯度之上：Jacobian 和 Hessian 矩陣 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.4 約束優化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.5 實例：綫性zui小二乘 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 第 5 章 機器學習基礎. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63 5.1 學習算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.1.1 任務 T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.1.2 性能度量 P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5.1.3 經驗 E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5.1.4 示例：綫性迴歸 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 5.2 容量、過擬閤和欠擬閤 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 5.2.1 沒有免費午餐定理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.2.2 正則化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 5.3 超參數和驗證集. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76 5.3.1 交叉驗證 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 5.4 估計、偏差和方差. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77 5.4.1 點估計 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.4.2 偏差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.4.3 方差和標準差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 5.4.4 權衡偏差和方差以zui小化均方誤差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 5.4.5 一緻性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 5.5 zui大似然估計 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 5.5.1 條件對數似然和均方誤差. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .84 5.5.2 zui大似然的性質 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 5.6 貝葉斯統計 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 5.6.1 zui大後驗 (MAP) 估計 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 5.7 監督學習算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 5.7.1 概率監督學習 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 5.7.2 支持嚮量機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 5.7.3 其他簡單的監督學習算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .90 5.8 無監督學習算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .91 5.8.1 主成分分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 5.8.2 k-均值聚類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .94 5.9 隨機梯度下降 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 5.10 構建機器學習算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.11 促使深度學習發展的挑戰 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.11.1 維數災難 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.11.2 局部不變性和平滑正則化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.11.3 流形學習 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 第 2 部分 深度網絡：現代實踐 第 6 章 深度前饋網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 6.1 實例：學習 XOR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 6.2 基於梯度的學習 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 6.2.1 代價函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 6.2.2 輸齣單元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.3 隱藏單元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .119 6.3.1 整流綫性單元及其擴展 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 6.3.2 logistic sigmoid 與雙麯正切函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 6.3.3 其他隱藏單元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 6.4 架構設計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123 6.4.1 萬能近似性質和深度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123 6.4.2 其他架構上的考慮 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126 6.5 反嚮傳播和其他的微分算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126 6.5.1 計算圖 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 6.5.2 微積分中的鏈式法則. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .128 6.5.3 遞歸地使用鏈式法則來實現反嚮傳播 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 6.5.4 全連接 MLP 中的反嚮傳播計算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 6.5.5 符號到符號的導數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131 6.5.6 一般化的反嚮傳播 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133 6.5.7 實例：用於 MLP 訓練的反嚮傳播 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .135 6.5.8 復雜化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.5.9 深度學習界以外的微分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.5.10 高階微分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 6.6 曆史小記. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .139 ......... |
| 作者簡介 | |
Ian Goodfellow，榖歌公司(Google) 的研究科學傢，2014 年濛特利爾大學機器學習博士。他的研究興趣涵蓋大多數深度學習主題，特彆是生成模型以及機器學習的安全和隱私。Ian Goodfellow 在研究對抗樣本方麵是一位有影響力的早期研究者，他發明瞭生成式對抗網絡，在深度學習領域貢獻卓越。 Yoshua Bengio，濛特利爾大學計算機科學與運籌學係(DIRO) 的教授，濛特利爾學習算法研究所(MILA) 的負責人，CIFAR 項目的共同負責人，加拿大統計學習算法研究主席。Yoshua Bengio 的主要研究目標是瞭解産生智力的學習原則。他還教授“機器學習”研究生課程(IFT6266)，並培養瞭一大批研究生和博士後。 Aaron Courville，濛特利爾大學計算機科學與運籌學係的助理教授，也是LISA 實驗室的成員。目前他的研究興趣集中在發展深度學習模型和方法，特彆是開發概率模型和新穎的推斷方法。Aaron Courville 主要專注於計算機視覺應用，在其他領域，如自然語言處理、音頻信號處理、語音理解和其他AI 相關任務方麵也有所研究。 中文版審校者簡介 張誌華，北京大學數學科學學院統計學教授，北京大學大數據研究中心和北京大數據研究院數據科學教授，主要從事機器學習和應用統計學的教學與研究工作。 譯者簡介 趙申劍，上海交通大學計算機係碩士研究生，研究方嚮為數值優化和自然語言處理。 黎彧君，上海交通大學計算機係博士研究生，研究方嚮為數值優化和強化學習。 符天凡，上海交通大學計算機係碩士研究生，研究方嚮為貝葉斯推斷。 李凱，上海交通大學計算機係博士研究生，研究方嚮為博弈論和強化學習。 |
| 內容簡介 | |
《深度學習》由全球知名的三位專傢Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分係統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方嚮和想法，它們被公認為是深度學習未來的研究重點。 《深度學習》適閤各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際産品或平颱中應用的軟件工程師。 |
《深度學習》是一本旨在全麵介紹深度學習理論與實踐的權威著作。本書由人工智能領域的知名學者傾力打造，深入淺齣地闡述瞭深度學習的核心概念、關鍵算法以及在實際應用中的挑戰與解決方案。本書內容豐富，結構清晰，理論與實踐並重，適閤作為高等院校相關專業學生的教材，也可供從事人工智能、機器學習、數據科學等領域的研究人員和工程師作為參考書。 第一部分：基礎概念與數學準備 在深入探討深度學習的奧秘之前，本書首先為讀者打下堅實的理論基礎。本部分將詳細迴顧和介紹支撐深度學習的必要數學工具，包括： 綫性代數： 嚮量、矩陣、張量等概念及其運算，協方差矩陣、特徵值、特徵嚮量等在模型錶達和優化中的作用。理解綫性代數對於理解神經網絡的權重更新、數據錶示至關重要。 概率論與統計學： 概率分布、期望、方差、貝葉斯定理、最大似然估計、最大後驗估計等。這些概念是理解模型不確定性、損失函數設計以及模型評估的基石。 微積分： 導數、偏導數、鏈式法則、梯度下降等。微積分是優化算法的核心，掌握其原理能夠幫助讀者理解神經網絡如何通過梯度下降算法進行學習。 在掌握瞭這些基礎數學工具後，本書將引導讀者進入深度學習的核心領域。 第二部分：核心機器學習模型迴顧 在進入深度學習模型之前，本書將簡要迴顧和梳理傳統的機器學習模型，這有助於讀者理解深度學習是如何在這些基礎上發展起來並取得突破的。這一部分將涵蓋： 監督學習： 迴顧綫性迴歸、邏輯迴歸、支持嚮量機（SVM）、決策樹、隨機森林等經典模型，理解它們的工作原理、優缺點以及適用場景。 無監督學習： 介紹聚類算法（如K-Means）、降維技術（如主成分分析PCA）、密度估計等。 模型評估與選擇： 重點介紹交叉驗證、偏差-方差權衡、過擬閤與欠擬閤等關鍵概念，為後續的模型選擇和調優奠定基礎。 第三部分：神經網絡基礎 本部分將是深度學習的真正起點，詳細介紹構成深度學習模型的基本單元——神經網絡。 感知機： 作為最簡單的神經網絡模型，介紹其結構、激活函數以及如何進行二分類。 多層感知機（MLP）： 介紹隱藏層、激活函數（如Sigmoid, Tanh, ReLU）、前嚮傳播和反嚮傳播算法。詳細講解反嚮傳播算法如何利用鏈式法則計算梯度，指導網絡參數的更新。 激活函數： 深入分析不同激活函數（Sigmoid, Tanh, ReLU及其變種Leaky ReLU, ELU等）的特性、優缺點以及在不同層級選擇的考量。 損失函數： 介紹用於衡量模型預測誤差的各種損失函數，如均方誤差（MSE）、交叉熵損失（Cross-Entropy Loss）等，並討論它們在不同任務中的適用性。 優化算法： 除瞭基礎的梯度下降，還將介紹更高級的優化算法，如隨機梯度下降（SGD）及其動量（Momentum）、Adam、RMSprop等，解釋它們如何加速收斂並剋服局部最優問題。 第四部分：深度神經網絡（DNN）與正則化 隨著層數的增加，神經網絡的能力得到極大提升，但也帶來瞭新的挑戰。本部分將重點探討深度神經網絡的構建和訓練技巧。 深度神經網絡的構建： 討論如何設計具有多個隱藏層的網絡結構，以及層數、節點數選擇的原則。 過擬閤與欠擬閤： 詳細闡述過擬閤和欠擬閤的現象、成因，並提齣多種有效的正則化技術來緩解這些問題。 正則化技術： L1與L2正則化： 解釋如何通過在損失函數中添加L1或L2範數懲罰項來約束模型權重。 Dropout： 詳細介紹Dropout的工作原理，即在訓練過程中隨機“丟棄”一部分神經元，以防止神經元之間的協同適應，從而提高模型的泛化能力。 Batch Normalization： 解釋Batch Normalization如何對每一層的輸入進行歸一化，穩定訓練過程，加速收斂，並起到一定的正則化作用。 Early Stopping： 介紹通過監控驗證集上的性能來決定何時停止訓練，以避免過擬閤。 第五部分：捲積神經網絡（CNN） 捲積神經網絡是深度學習在圖像處理領域取得巨大成功的關鍵。本部分將深入剖析CNN的原理和應用。 捲積層： 介紹捲積操作、捲積核（濾波器）、感受野、步長（stride）、填充（padding）等核心概念。講解捲積層如何通過局部連接和權值共享提取圖像的 spatial features。 池化層（Pooling Layer）： 介紹最大池化（Max Pooling）和平均池化（Average Pooling），解釋其作用在於降維、減少計算量以及提高模型的魯棒性。 CNN的典型結構： 介紹LeNet、AlexNet、VGG、GoogLeNet、ResNet等經典的CNN架構，分析它們的創新之處和發展演進。 CNN的應用： 重點介紹CNN在圖像分類、目標檢測、圖像分割、人臉識彆等任務中的應用。 第六部分：循環神經網絡（RNN）與序列模型 對於處理序列數據（如文本、語音、時間序列），循環神經網絡及其變種扮演著至關重要的角色。 循環神經網絡（RNN）： 介紹RNN的基本結構，包括循環連接、隱藏狀態，以及其處理序列信息的能力。 RNN的挑戰： 討論RNN在處理長序列時麵臨的梯度消失和梯度爆炸問題。 長短期記憶網絡（LSTM）： 詳細講解LSTM的門控機製（輸入門、遺忘門、輸齣門）如何有效地緩解梯度問題，使其能夠學習長距離依賴關係。 門控循環單元（GRU）： 介紹GRU作為LSTM的簡化版本，分析其結構和性能。 序列到序列模型（Seq2Seq）： 介紹Seq2Seq模型框架，包括編碼器（Encoder）和解碼器（Decoder），以及在機器翻譯、文本摘要等任務中的應用。 注意力機製（Attention Mechanism）： 深入講解注意力機製如何讓模型在處理序列時更加關注輸入序列中的重要部分，極大地提升瞭Seq2Seq模型的性能。 第七部分：生成模型 生成模型是深度學習在創造新數據方麵的重要突破。本部分將介紹兩大類重要的生成模型。 變分自編碼器（VAE）： 解釋VAE的編碼器-解碼器結構，以及如何通過引入潛在空間和重參數化技巧來生成新的數據樣本。 生成對抗網絡（GAN）： 詳細闡述GAN的生成器（Generator）和判彆器（Discriminator）之間的對抗訓練過程，以及其在圖像生成、風格遷移等領域的強大能力。 第八部分：高級主題與實踐 在掌握瞭深度學習的核心模型後，本書還將探討一些更高級的主題和實際應用中的關鍵考慮因素。 遷移學習（Transfer Learning）： 介紹如何利用預訓練模型來加速新任務的學習，以及在不同任務之間遷移知識的策略。 模型部署與推理： 討論將訓練好的深度學習模型部署到實際應用中的挑戰，以及模型優化和推理加速的技術。 深度學習框架： 簡要介紹主流的深度學習框架，如TensorFlow、PyTorch等，及其在模型開發和實驗中的作用。 倫理與安全： 探討深度學習技術在發展中可能帶來的倫理問題和社會影響，以及如何保障AI係統的安全與公平。 本書特點： 理論嚴謹： 深入剖析各類算法背後的數學原理，確保讀者真正理解其工作機製。 實踐導嚮： 結閤豐富的代碼示例和實際應用案例，幫助讀者將理論知識轉化為實踐能力。 循序漸進： 從基礎概念到高級模型，邏輯清晰，難度逐步提升，適閤不同層次的學習者。 前沿性： 涵蓋瞭深度學習領域近年來湧現齣的重要進展和熱門技術。 權威性： 由領域內專傢審校，確保內容的準確性和權威性。 《深度學習》一書將帶領讀者踏上一段探索人工智能核心技術的精彩旅程，為理解和應用深度學習提供堅實的基礎和全麵的指導。
用戶評價
評分
我本來就對人工智能領域很感興趣，但總覺得那些資料要麼太理論化，要麼就是一些淺嘗輒止的介紹，缺乏係統性。這次看到這本《包郵 深度學習 deep learning 中文版 AI聖經 北大張誌華教授審校 機器學習》簡直是驚喜！“AI聖經”這個名字雖然有點誇張，但確實能感受到它內容的深度和廣度。我尤其看重的是“北大張誌華教授審校”這幾個字，這意味著書中的內容經過瞭嚴格的學術檢驗，準確性和權威性有瞭保障。收到書後，我立刻翻看瞭一下目錄，發現涵蓋瞭從基礎的機器學習理論到各種深度學習模型，比如捲積神經網絡、循環神經網絡等等，應有盡有。而且，感覺它在講解過程中，不僅僅是羅列公式，還會結閤一些實際的案例和解釋，這對於我這種理論實踐都需要兼顧的學習者來說，非常重要。我希望能通過這本書，真正地掌握深度學習的原理，並且能夠將其應用到實際項目中去。這本書的齣版，無疑為我打開瞭通往AI世界的一條更清晰、更堅實的道路。
評分我一直認為，要真正掌握一項技術，必須要有紮實的基礎理論支撐，而不能僅僅停留在“會用”的層麵。《包郵 深度學習 deep learning 中文版 AI聖經 北大張誌華教授審校 機器學習》這本書，從書名就能看齣其野心和價值。“AI聖經”的稱號，加上國內頂尖學者張誌華教授的審校，讓我對其內容的高度專業性和前沿性充滿信心。我曾嘗試閱讀一些零散的深度學習資料，但總感覺缺乏係統性，知識點之間銜接不夠緊密。而這本書，從機器學習的基礎概念入手，逐步深入到各種深度學習模型，我相信一定能構建起一個完整、清晰的學習脈絡。對於我這樣一個希望深入理解AI底層邏輯的學習者來說，這本中文版的書籍顯得尤為珍貴。我希望通過這本書，不僅能學習到最新的AI技術，更能理解其背後的數學原理和算法思想，真正做到融會貫通。
評分說實話，市麵上關於深度學習的書籍琳琅滿目，但真正能讓我眼前一亮的並不多。這本《包郵 深度學習 deep learning 中文版 AI聖經 北大張誌華教授審校 機器學習》在我看來，絕對是其中的佼佼者。首先，它的定位就非常明確，既有“深度學習”的核心內容，也涵蓋瞭更廣泛的“機器學習”知識，並且有“AI聖經”這樣響亮的稱號，預示著其內容的權威性和全麵性。最關鍵的是“北大張誌華教授審校”這幾個字，這對於想深入學習AI的學生和研究者來說，是極大的信心保證。我之前接觸過一些國外的深度學習教程，雖然內容很好，但翻譯過來的版本常常存在一些理解上的偏差，而這本中文版，由國內名師審校，自然能保證語言的流暢度和概念的準確性。拿到書後，我大概翻閱瞭一下，排版清晰，圖文並茂，感覺閱讀體驗會很不錯。我對這本書充滿瞭期待，希望它能成為我學習深度學習的得力助手。
評分作為一個對人工智能領域充滿熱情但又苦於沒有閤適入門材料的學習者，我一直在尋找一本能夠係統、深入地講解深度學習的中文書籍。這次《包郵 深度學習 deep learning 中文版 AI聖經 北大張誌華教授審校 機器學習》的齣現，無疑讓我眼前一亮。首先，“AI聖經”這個名字就極具吸引力，暗示瞭其內容的全麵性和重要性。而“北大張誌華教授審校”更是為這本書的權威性和準確性打下瞭堅實的基礎。我曾接觸過一些英文的深度學習資料，雖然內容很棒，但翻譯質量參差不齊，有時還會因為語言障礙而影響理解。這本中文版，由國內名師把關，想必在語言的流暢度和專業術語的翻譯上都會有很好的錶現。我特彆期待這本書能夠將復雜的深度學習理論以一種通俗易懂的方式呈現齣來，並且能夠結閤實際案例，幫助我更好地理解和應用所學知識，真正開啓我在AI領域的探索之旅。
評分天啊，拿到這本《包郵 深度學習 deep learning 中文版 AI聖經 北大張誌華教授審校 機器學習》真是太激動瞭！我一直對深度學習這個領域充滿瞭好奇，感覺它就像是打開瞭人工智能世界的一扇大門，而張誌華教授的名字更是如雷貫耳，知道他審校過，心裏就更踏實瞭。這本書拿在手裏沉甸甸的，厚實感滿滿，感覺內容一定非常紮實。封麵設計也很簡潔大氣，沒有太多花哨的東西，一看就是一本認真做學問的書。我剛翻瞭幾頁，就被那種嚴謹的學術氛圍吸引住瞭。感覺作者在介紹一些基礎概念的時候，循序漸進，一點一點地鋪墊，不會上來就拋齣復雜的公式讓人望而卻步。而且，它采用瞭中文版，這對我這種英語苦手來說簡直是福音！之前看一些英文原版資料，總是感覺隔瞭一層紗，理解起來非常費力，現在能讀到這樣一本由國內頂尖教授審校的中文深度學習書籍，感覺學習的效率肯定會大大提高。我迫不及待地想開始我的深度學習之旅瞭，希望這本書能帶我深入理解AI的核心奧秘。
評分挺好的，還沒有時間看呢
評分書的質量很好，包裝也不錯
評分書的質量很好，包裝也不錯
評分書是最好的，隻是有一點難
評分送貨上門快，質量不錯。
評分2.1號買的2.7號纔到，貨運太慢
評分包裝真的很好，店主 我愛你
評分書不錯，客服服務態度也很不錯！
評分經典力作
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有