自我提升
类型
8.9
豆瓣评分
可以朗读
语音朗读
455千字
字数
2025-05-01
发行日期
展开全部
主编推荐语
本书全面且深入地呈现了深度学习领域的知识体系。
内容简介
全书共20章。本书首先介绍深度学习的发展历程、基本概念及其在诸多领域（如医疗诊断、图像合成等）产生的深远影响；继而深入探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深入到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。
本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析，阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手，本书是全面且系统的入门教材，可引领其踏入深度学习的知识殿堂；对于机器学习领域从业者，本书是深化专业知识、紧跟技术前沿的有力工具；对于相关专业学生，本书是学习深度学习课程、开展学术研究的优质参考资料。
目录
- 版权信息
- 内容提要
- 译者简介
- 主要审校者简介
- 推荐语
- 译者序
- 前言
- 资源与支持
- 第1章 深度学习革命
- 1.1 深度学习的影响
- 1.1.1 医疗诊断
- 1.1.2 蛋白质结构预测
- 1.1.3 图像合成
- 1.1.4 大语言模型
- 1.2 一个教学示例
- 1.2.1 合成数据
- 1.2.2 线性模型
- 1.2.3 误差函数
- 1.2.4 模型复杂度
- 1.2.5 正则化
- 1.2.6 模型选择
- 1.3 机器学习简史
- 1.3.1 单层网络
- 1.3.2 反向传播
- 1.3.3 深度网络
- 第2章 概率
- 2.1 概率法则
- 2.1.1 医学筛查示例
- 2.1.2 加和法则和乘积法则
- 2.1.3 贝叶斯定理
- 2.1.4 再看医学筛查示例
- 2.1.5 先验概率和后验概率
- 2.1.6 独立变量
- 2.2 概率密度
- 2.2.1 分布的示例
- 2.2.2 期望和协方差
- 2.3 高斯分布
- 2.3.1 均值和方差
- 2.3.2 似然函数
- 2.3.3 最大似然的偏差
- 2.3.4 线性回归
- 2.4 密度变换
- 多元分布
- 2.5 信息论
- 2.5.1 熵
- 2.5.2 物理学视角
- 2.5.3 微分熵
- 2.5.4 最大熵
- 2.5.5 Kullback-Leibler散度
- 2.5.6 条件熵
- 2.5.7 互信息
- 2.6 贝叶斯概率
- 2.6.1 模型参数
- 2.6.2 正则化
- 2.6.3 贝叶斯机器学习
- 习题
- 第3章 标准分布
- 3.1 离散变量
- 3.1.1 伯努利分布
- 3.1.2 二项分布
- 3.1.3 多项分布
- 3.2 多元高斯分布
- 3.2.1 高斯几何
- 3.2.2 矩
- 3.2.3 局限性
- 3.2.4 条件分布
- 3.2.5 边缘分布
- 3.2.6 贝叶斯定理
- 3.2.7 最大似然
- 3.2.8 序贯估计
- 3.2.9 高斯混合
- 3.3 周期变量
- 冯·米塞斯分布
- 3.4 指数族分布
- 充分统计量
- 3.5 非参数化方法
- 3.5.1 直方图
- 3.5.2 核密度
- 3.5.3 最近邻
- 习题
- 第4章 单层网络：回归
- 4.1 线性回归
- 4.1.1 基函数
- 4.1.2 似然函数
- 4.1.3 最大似然
- 4.1.4 最小二乘解的几何表示
- 4.1.5 序贯学习
- 4.1.6 正则化最小二乘法
- 4.1.7 多重输出
- 4.2 决策理论
- 4.3 偏差-方差权衡
- 习题
- 第5章 单层网络：分类
- 5.1 判别函数
- 5.1.1 二分类
- 5.1.2 多分类
- 5.1.3 1-of-K编码方案
- 5.1.4 最小二乘分类
- 5.2 决策理论
- 5.2.1 误分类率
- 5.2.2 预期损失
- 5.2.3 拒绝选项
- 5.2.4 推理和决策
- 5.2.5 分类器精度
- 5.2.6 ROC曲线
- 5.3 生成分类器
- 5.3.1 连续输入
- 5.3.2 最大似然解
- 5.3.3 离散特征
- 5.3.4 指数族分布
- 5.4 判别分类器
- 5.4.1 激活函数
- 5.4.2 固定基函数
- 5.4.3 逻辑斯谛回归
- 5.4.4 多类逻辑斯谛回归
- 5.4.5 probit回归
- 5.4.6 规范连接函数
- 习题
- 第6章 深度神经网络
- 6.1 固定基函数的局限性
- 6.1.1 维度诅咒
- 6.1.2 高维空间
- 6.1.3 数据流形
- 6.1.4 数据依赖的基函数
- 6.2 多层网络
- 6.2.1 >参数矩阵
- 6.2.2 通用近似
- 6.2.3 隐藏单元激活函数
- 6.2.4 权重空间的对称性
- 6.3 深度网络
- 6.3.1 层次化表示
- 6.3.2 分布式表示
- 6.3.3 表示学习
- 6.3.4 迁移学习
- 6.3.5 对比学习
- 6.3.6 通用网络结构
- 6.3.7 张量
- 6.4 误差函数
- 6.4.1 回归
- 6.4.2 二分类
- 6.4.3 多分类
- 6.5 混合密度网络
- 6.5.1 机器人运动学示例
- 6.5.2 条件混合分布
- 6.5.3 梯度优化
- 6.5.4 预测分布
- 习题
- 第7章 梯度下降
- 7.1 错误平面
- 局部二次近似
- 7.2 梯度下降优化
- 7.2.1 梯度信息的使用
- 7.2.2 批量梯度下降
- 7.2.3 随机梯度下降
- 7.2.4 小批量方法
- 7.2.5 参数初始化
- 7.3 收敛
- 7.3.1 动量
- 7.3.2 学习率调度
- 7.3.3 AdaGrad、RMSProp与Adam算法
- 7.4 归一化
- 7.4.1 数据归一化
- 7.4.2 批量归一化
- 7.4.3 层归一化
- 习题
- 第8章 反向传播
- 8.1 梯度计算
- 8.1.1 单层网络
- 8.1.2 一般前馈网络
- 8.1.3 简单示例
- 8.1.4 数值微分法
- 8.1.5 雅可比矩阵
- 8.1.6 黑塞矩阵
- 8.2 自动微分法
- 8.2.1 前向模式自动微分
- 8.2.2 逆模式自动微分
- 习题
- 第9章 正则化
- 9.1 归纳偏置
- 9.1.1 逆问题
- 9.1.2 无免费午餐定理
- 9.1.3 对称性和不变性
- 9.1.4 等变性
- 9.2 权重衰减
- 9.2.1 一致性正则化项
- 9.2.2 广义权重衰减
- 9.3 学习曲线
- 9.3.1 早停法
- 9.3.2 双重下降
- 9.4 参数共享
- 软权重共享
- 9.5 残差连接
- 9.6 模型平均
- dropout
- 习题
- 第10章 卷积网络
- 10.1 计算机视觉
- 图像数据
- 10.2 卷积滤波器
- 10.2.1 特征检测器
- 10.2.2 平移等变性
- 10.2.3 填充
- 10.2.4 跨步卷积
- 10.2.5 多维卷积
- 10.2.6 池化
- 10.2.7 多层卷积
- 10.2.8 网络架构示例
- 10.3 可视化训练好的CNN
- 10.3.1 视觉皮层
- 10.3.2 可视化训练好的滤波器
- 10.3.3 显著性图
- 10.3.4 对抗攻击
- 10.3.5 合成图像
- 10.4 目标检测
- 10.4.1 边界框
- 10.4.2 交并比
- 10.4.3 滑动窗口
- 10.4.4 跨尺度检测
- 10.4.5 非最大抑制
- 10.4.6 快速区域卷积神经网络
- 10.5 图像分割
- 10.5.1 卷积分割
- 10.5.2 上采样
- 10.5.3 全卷积网络
- 10.5.4 U-Net架构
- 10.6 风格迁移
- 习题
- 第11章 结构化分布
- 11.1 概率图模型
- 11.1.1 有向图
- 11.1.2 分解
- 11.1.3 离散变量
- 11.1.4 高斯变量
- 11.1.5 二元分类器
- 11.1.6 参数和观测值
- 11.1.7 贝叶斯定理
- 11.2 条件独立性
- 11.2.1 3个示例图
- 11.2.2 相消解释
- 11.2.3 d分离
- 11.2.4 朴素贝叶斯
- 11.2.5 生成式模型
- 11.2.6 马尔可夫毯
- 11.2.7 作为过滤器的图
- 11.3 序列模型
- 潜变量
- 习题
- 第12章 Transformer
- 12.1 注意力
- 12.1.1 Transformer处理
- 12.1.2 注意力系数
- 12.1.3 自注意力
- 12.1.4 网络参数
- 12.1.5 缩放自注意力
- 12.1.6 多头注意力
- 12.1.7 Transformer层
- 12.1.8 计算复杂性
- 12.1.9 位置编码
- 12.2 自然语言
- 12.2.1 词嵌入
- 12.2.2 分词
- 12.2.3 词袋模型
- 12.2.4 自回归模型
- 12.2.5 递归神经网络
- 12.2.6 通过时间反向传播
- 12.3 Transformer语言模型
- 12.3.1 解码器型Transformer
- 12.3.2 采样策略
- 12.3.3 编码器型Transformer
- 12.3.4 序列到序列Transformer
- 12.3.5 大语言模型
- 12.4 多模态Transformer
- 12.4.1 视觉Transformer
- 12.4.2 图像生成Transformer
- 12.4.3 音频数据
- 12.4.4 文本语音转换
- 12.4.5 视觉和语言Transformer
- 习题
- 第13章 图神经网络
- 13.1 基于图的机器学习
- 13.1.1 图的属性
- 13.1.2 邻接矩阵
- 13.1.3 置换等变性
- 13.2 神经信息传递
- 13.2.1 卷积滤波器
- 13.2.2 图卷积网络
- 13.2.3 聚合算子
- 13.2.4 更新算子
- 13.2.5 节点分类
- 13.2.6 边分类
- 13.2.7 图分类
- 13.3 通用图网络
- 13.3.1 图注意力网络
- 13.3.2 边嵌入
- 13.3.3 图嵌入
- 13.3.4 过度平滑
- 13.3.5 正则化
- 13.3.6 几何深度学习
- 习题
- 第14章 采样
- 14.1 基本采样
- 14.1.1 期望
- 14.1.2 标准分布
- 14.1.3 拒绝采样
- 14.1.4 适应性拒绝采样
- 14.1.5 重要性采样
- 14.1.6 采样-重要性-重采样
- 14.2 马尔可夫链蒙特卡洛采样
- 14.2.1 Metropolis算法
- 14.2.2 马尔可夫链
- 14.2.3 Metropolis-Hastings算法
- 14.2.4 吉布斯采样
- 14.2.5 祖先采样
- 14.3 郎之万采样
- 14.3.1 基于能量的模型
- 14.3.2 最大化似然
- 14.3.3 朗之万动力学
- 习题
- 第15章 离散潜变量
- 15.1 K均值聚类
- 图像分割
- 15.2 高斯混合分布
- 15.2.1 似然函数
- 15.2.2 最大似然
- 15.3 EM算法
- 15.3.1 高斯混合模型
- 15.3.2 EM算法与K均值算法的关系
- 15.3.3 混合伯努利分布
- 15.4 证据下界
- 15.4.1 EM算法回顾
- 15.4.2 独立同分布数据
- 15.4.3 参数先验
- 15.4.4 广义EM算法
- 15.4.5 顺序EM算法
- 习题
- 第16章 连续潜变量
- 16.1 主成分分析
- 16.1.1 最大方差表述
- 16.1.2 最小误差表述
- 16.1.3 数据压缩
- 16.1.4 数据白化
- 16.1.5 高维数据
- 16.2 概率潜变量
- 16.2.1 生成式模型
- 16.2.2 似然函数
- 16.2.3 最大似然法
- 16.2.4 因子分析
- 16.2.5 独立成分分析
- 16.2.6 卡尔曼滤波器
- 16.3 证据下界
- 16.3.1 EM算法
- 16.3.2 PCA的EM算法
- 16.3.3 因子分析的EM算法
- 16.4 非线性潜变量模型
- 16.4.1 非线性流形
- 16.4.2 似然函数
- 16.4.3 离散数据
- 16.4.4 构建生成式模型的4种方法
- 习题
- 第17章 生成对抗网络
- 17.1 对抗训练
- 17.1.1 损失函数
- 17.1.2 实战中的GAN训练
- 17.2 图像的生成对抗网络
- CycleGAN
- 习题
- 第18章 标准化流
- 18.1 耦合流
- 18.2 自回归流
- 18.3 连续流
- 18.3.1 神经ODE
- 18.3.2 神经ODE的反向传播
- 18.3.3 神经ODE流
- 习题
- 第19章 自编码器
- 19.1 确定性的自编码器
- 19.1.1 线性自编码器
- 19.1.2 深度自编码器
- 19.1.3 稀疏自编码器
- 19.1.4 去噪自编码器
- 19.1.5 掩蔽自编码器
- 19.2 变分自编码器
- 19.2.1 摊销推理
- 19.2.2 重参数化技巧
- 习题
- 第20章 扩散模型
- 20.1 前向编码器
- 20.1.1 扩散核
- 20.1.2 条件分布
- 20.2 反向解码器
- 20.2.1 训练解码器
- 20.2.2 证据下界
- 20.2.3 重写ELBO
- 20.2.4 预测噪声
- 20.2.5 生成新的样本
- 20.3 得分匹配
- 20.3.1 得分损失函数
- 20.3.2 修改得分损失
- 20.3.3 噪声方差
- 20.3.4 随机微分方程
- 20.4 有引导的扩散
- 20.4.1 有分类器的引导
- 20.4.2 无分类器的引导
- 习题
- 附录
- 附录A 线性代数
- A.1 矩阵恒等式
- A.2 迹和行列式
- A.3 矩阵导数
- A.4 特征向量
- 附录B 变分法
- 附录C 拉格朗日乘子
- 参考资料
- 索引
展开全部
评分及书评
评分不足
2个评分
- 给这本书评了5.0机器学习领域全面且系统的入门教材
刚一看到这书名，还以为是关于学习方面的书。结果翻了几页，发现是讲机器学习领域方面的书。本着既然翻了，至少要看一半 (打卡交差)。翻了几页后 (4% 开始)，当数学公式出现时，就发现不妙了。果然是深度学习，跟我这个肤浅的打酱油者一点关系都没有 (我跟它一点都不熟)。这时心中反而坦然了，就按照我之前看到这类书籍的方法，公式部分直接翻页跳过去，只看文本叙述的部分。OK，结果后面满满的都是各种公式。是我孟浪了，亵渎了这本书😅。不过我虽然看不懂，但是感觉本书的内容还是相当扎实，从头到尾没多少多余的话，全部给我上公式。即使看不懂，也必须给五星。
出版方
人民邮电出版社
人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。
