互联网 类型
可以朗读 语音朗读
257千字 字数
2024-06-01 发行日期
展开全部

主编推荐语

全面涵盖深度学习基础知识和实践。

内容简介

本书以通俗易懂的语言和有趣的插画来解释深度学中的概念和方法，生动形象的插图更容易帮助读者理解和记忆。同时，书中指导读者将自己的理解制作成短，以加强学效果。另外，书中还指导读者在colab台上进行实践。

本书内容全面，从基础的神经网络、卷积神经网络、循环神经网络等入门知识，到深度学的应用领域如计算机视觉、自然语言处理等主题都有涉及。本书具有丰富的趣味、互动和实践，可以帮助读者更好地理解深度学知识，并为未来的职业发展打下坚实的基础。

目录

  • 版权信息
  • 前言
  • 第1章 绪论
  • 1.1 深度学习的前世今生
  • 1.2 模型复杂度的提升
  • 1.3 深度学习的名人轶事
  • 第2章 深度学习中的线性代数
  • 2.1 标量、向量、矩阵与张量
  • 2.2 矩阵的运算
  • 2.3 单位矩阵与逆矩阵
  • 2.4 线性相关、生成子空间和范数
  • 2.5 一些特殊类型的矩阵
  • 2.6 特征分解
  • 2.7 奇异值分解
  • 2.8 Moore-Penrose伪逆
  • 2.9 迹运算
  • 2.10 行列式
  • 2.11 例子: 主成分分析
  • 第3章 概率与信息论
  • 3.1 为什么要使用概率
  • 3.2 随机变量
  • 3.3 概率分布
  • 3.4 边缘概率
  • 3.5 条件概率
  • 3.6 条件概率的链式法则
  • 3.7 条件独立性
  • 3.8 期望、方差和协方差
  • 3.9 常用概率分布
  • 3.10 常用函数及性质
  • 3.11 贝叶斯规则
  • 3.12 信息论中的交叉熵
  • 3.13 结构化概率模型
  • 第4章 数值计算
  • 4.1 上溢和下溢
  • 4.2 病态条件
  • 4.3 基于梯度的优化方法
  • 4.4 约束优化
  • 4.5 实例: 线性最小二乘
  • 第5章 机器学习基础
  • 5.1 什么是机器学习算法
  • 5.2 模型性能的度量
  • 5.3 过拟合与欠拟合
  • 5.4 超参数和交叉验证
  • 5.5 最大似然估计
  • 5.6 什么是随机梯度下降
  • 5.7 贝叶斯统计
  • 5.8 监督学习算法
  • 5.9 无监督学习算法
  • 5.10 促使深度学习发展的挑战
  • 第6章 深度前馈网络
  • 6.1 什么是“前馈”
  • 6.2 隐藏层
  • 6.3 输出单元
  • 6.4 万能近似性质
  • 6.5 反向传播
  • 第7章 深度学习中的正则化
  • 7.1 参数范数惩罚
  • 7.2 数据集增强
  • 7.3 噪声鲁棒性
  • 7.4 半监督学习
  • 7.5 多任务学习
  • 7.6 提前终止
  • 7.7 参数绑定和参数共享
  • 7.8 稀疏表示
  • 7.9 Bagging和其他集成方法
  • 7.10 Dropout
  • 7.11 对抗训练
  • 第8章 深度模型中的优化
  • 8.1 学习和纯优化有什么不同
  • 8.2 小批量算法
  • 8.3 基本算法
  • 8.4 参数初始化策略
  • 8.5 自适应学习率算法
  • 8.6 二阶近似方法
  • 8.7 一些优化策略
  • 第9章 卷积神经网络
  • 9.1 卷积运算
  • 9.2 为什么要使用卷积运算
  • 9.3 池化
  • 9.4 基本卷积函数的变体
  • 9.5 卷积核的初始化
  • 第10章 循环神经网络
  • 10.1 展开计算图
  • 10.2 循环神经网络
  • 10.3 双向RNN
  • 10.4 基于编码-解码的序列到序列架构
  • 10.5 深度循环网络
  • 10.6 递归神经网络
  • 10.7 长短期记忆网络
  • 10.8 门控循环单元
  • 10.9 截断梯度
  • 第11章 实践方法论
  • 11.1 设计流程
  • 11.2 更多的性能度量方法
  • 11.3 默认的基准模型
  • 11.4 要不要收集更多数据
  • 11.5 超参数的调节
  • 11.6 模型调试的重要性
  • 第12章 应用
  • 12.1 大规模深度学习
  • 12.2 计算机视觉中的预处理
  • 12.3 语音识别
  • 12.4 自然语言处理
  • 12.5 推荐系统
  • 12.6 知识问答系统
  • 第13章 初识大语言模型
  • 13.1 大语言模型的背景
  • 13.2 大语言模型的重要性
  • 13.3 大语言模型的应用场景
  • 13.4 大语言模型和传统方法的区别
  • 第14章 大语言模型原理
  • 14.1 Transformer架构
  • 14.2 预训练
  • 14.3 微调
  • 14.4 自回归训练
  • 14.5 掩码语言模型
  • 第15章 常见的大语言模型
  • 15.1 GPT系列模型
  • 15.2 BERT
  • 15.3 XLNet
  • 第16章 大语言模型应用
  • 16.1 自动文本生成
  • 16.2 对话系统和聊天机器人
  • 16.3 代码和技术文档生成
  • 16.4 创意内容生成
  • 16.5 国产优秀大语言模型
  • 16.6 国产优秀大语言模型
  • 后记
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

北京大学出版社

北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。