科技
类型
可以朗读
语音朗读
223千字
字数
2018-03-01
发行日期
展开全部
主编推荐语
本书是深度学习的入门教材，系统地介绍了深度学习的基本概念与实战应用，包括深度学习在图像、语音、文本方向的应用，以及前沿发展等。
内容简介
本书分为10章，大致为3个部分：第1部分（1-3章）介绍深度学习的基础知识。第2部分（4-6章）介绍深度学习的各个方面，从算法设计到模型实现。第3部分（8-10章）介绍深度学习的实战应用以及前沿发展。每章都附有相应的习题和参考文献，以便感兴趣的读者进一步深入思考。
“让学习变得轻松”是本书的基本编写理念。本书适合作为相关专业本科和研究生教材，也适合作为深度学习研究与开发人员的入门书籍。
目录
- 版权信息
- 内容简介
- 编写组
- 基金支持
- 总序
- 前言
- 第1章 深度学习的来源与应用
- 1.1 人工智能的思想、流派与发展起落
- 1.1.1 人工智能的思潮流派和主要研究与应用领域
- 1.1.2 人工智能的三起三落
- 1.2 什么是深度学习
- 1.2.1 我们不分离——数据和算法
- 1.2.2 深度学习基础
- 1.3 机器学习与深度学习
- 1.3.1 机器学习的定义与种类
- 1.3.2 机器学习的任务与方法
- 1.3.3 深度学习的提出
- 1.4 深度学习的应用场景
- 1.4.1 应用场合和概念层次
- 1.4.2 主要开发工具和框架
- 1.4.3 人工智能、深度学习有关学术会议和赛事
- 习题
- 参考文献
- 第2章 深度学习的数学基础
- 2.1 线性代数
- 2.1.1 向量空间
- 2.1.2 矩阵分析
- 2.2 概率与统计
- 2.2.1 概率与条件概率
- 2.2.2 贝叶斯理论
- 2.2.3 信息论基础
- 2.3 多元微积分
- 2.3.1 导数和偏导数
- 2.3.2 梯度和海森矩阵
- 2.3.3 最速下降法
- 2.3.4 随机梯度下降算法
- 习题
- 参考文献
- 第3章 人工神经网络与深度学习
- 3.1 探秘大脑的工作原理
- 3.1.1 人类活动抽象与深度学习模型
- 3.1.2 人脑神经元的结构
- 3.1.3 人脑神经元功能
- 3.1.4 人脑视觉机理
- 3.2 人脑神经元模型
- 3.2.1 人脑神经元模型介绍
- 3.2.2 激活函数
- 3.3 M-P模型
- 3.3.1 标准M-P模型
- 3.3.2 改进的M-P模型
- 3.4 人脑神经网络的互连结构
- 3.4.1 前馈神经网络
- 3.4.2 反馈网络
- 3.5 人工神经网络的学习
- 3.5.1 人工神经网络的学习方式
- 3.5.2 神经网络的学习规则
- 3.5.3 人工神经网络算法基本要求
- 3.5.4 神经网络计算特点
- 3.6 人工神经网络的特点
- 3.7 神经网络基本概念与功能
- 3.7.1 几个基本概念
- 3.7.2 基本功能
- 3.7.3 感知机的局限性
- 3.8 深度学习其他网络结构
- 3.8.1 深度学习的定义及特点
- 3.8.2 卷积神经网络
- 3.8.3 循环（递归）神经网络
- 习题
- 参考文献
- 第4章 深度学习基本过程
- 4.1 正向学习过程
- 4.1.1 正向学习概述
- 4.1.2 正向传播的流程
- 4.1.3 正向传播的详细原理
- 4.2 反向调整过程
- 4.2.1 反向调整概述
- 4.2.2 反向传播过程详解
- 4.2.3 深层模型反向调整的问题与对策
- 4.3 手写体数字识别实例
- 4.3.1 数据准备
- 4.3.2 网络设计
- 4.3.3 模型训练
- 4.3.4 模型测试
- 习题
- 参考文献
- 第5章 深度学习主流模型
- 5.1 卷积神经网络
- 5.1.1 CNN概念
- 5.1.2 CNN常用算法
- 5.1.3 CNN训练技巧
- 5.2 循环神经网络
- 5.2.1 RNN结构
- 5.2.2 RNN训练
- 5.2.3 RNN训练技巧
- 习题
- 参考文献
- 第6章 深度学习的主流开源框架
- 6.1 Caffe
- 6.1.1 Caffe框架
- 6.1.2 安装Caffe
- 6.1.3 案例：基于Caffe的目标识别
- 6.2 TensorFlow
- 6.2.1 TensorFlow框架
- 6.2.2 安装TensorFlow
- 6.2.3 案例：基于TensorFlow的目标识别
- 6.3 其他开源框架
- 6.3.1 CNTK
- 6.3.2 MXNet
- 6.3.3 Theano
- 6.3.4 Torch
- 6.3.5 Deeplearning4j
- 习题
- 参考文献
- 第7章 深度学习在图像中的应用
- 7.1 图像识别基础
- 7.2 基于深度学习的大规模图像识别
- 7.2.1 大规模图像数据库：ImageNet
- 7.2.2 AlexNet网络结构
- 7.2.3 非线性激活函数ReLU
- 7.2.4 在多GPU上进行实现
- 7.2.5 增加训练样本
- 7.2.6 Dropout技术
- 7.3 应用举例：人脸识别
- 7.3.1 人脸识别的经典流程
- 7.3.2 人脸图像数据库
- 7.3.3 基于深度学习的人脸识别方法
- 7.4 应用举例：图像风格化
- 7.4.1 内容重构
- 7.4.2 风格重构
- 7.4.3 内容与风格的重组
- 7.5 应用举例：图像标注
- 7.5.1 基于深度网络的图像标注方法概述
- 7.5.2 视觉语义对齐
- 7.5.3 为新图像生成对应文本描述
- 习题
- 参考文献
- 第8章 深度学习在语音中的应用
- 8.1 语音识别基础
- 8.1.1 人类之间的交流
- 8.1.2 人机交流
- 8.1.3 语音识别系统的基本结构
- 8.1.4 特征提取
- 8.1.5 声学模型
- 8.1.6 语言模型
- 8.1.7 解码器
- 8.1.8 用于语音识别的GMM-HMM模型
- 8.2 基于深度学习的连续语音识别
- 8.2.1 DNN-HMM混合系统
- 8.2.2 CD-DNN-HMM的关键模块及分析
- 8.3 应用举例：语音输入法
- 8.3.1 案例背景
- 8.3.2 语音输入法设计
- 8.3.3 语音中心SpeechCenter的设计
- 8.3.4 输入法FreeVoice的设计
- 8.3.5 FreeVoice和SpeechCenter之间的通信设计
- 习题
- 参考文献
- 第9章 深度学习在文本中的应用
- 9.1 自然语言处理基础
- 9.1.1 正则表达式和自动机
- 9.1.2 句法处理
- 9.1.3 词的分类和词性标注
- 9.1.4 上下文无关语法
- 9.1.5 浅层语法分析
- 9.1.6 语义分析
- 9.1.7 语义网络
- 9.1.8 词汇关系信息库
- 9.2 基于深度学习的文本处理
- 9.2.1 词汇向量化表示
- 9.2.2 句法分析
- 9.2.3 神经机器翻译
- 9.2.4 情感分析
- 9.3 应用举例：机器翻译
- 9.4 应用举例：聊天机器人
- 9.4.1 聊天机器人的主要功能模块
- 9.4.2 主要的技术挑战
- 9.4.3 深度学习构建智能聊天机器人
- 习题
- 参考文献
- 第10章 深度学习前沿发展
- 10.1 增强学习
- 10.1.1 增强学习的基本概念
- 10.1.2 增强学习的过程
- 10.1.3 增强学习的应用
- 10.2 迁移学习
- 10.2.1 迁移学习的定义
- 10.2.2 迁移学习的分类
- 10.2.3 迁移学习的应用场景
- 10.3 记忆网络
- 10.3.1 循环神经网络
- 10.3.2 长短期记忆网络
- 10.3.3 长短期记忆变体
- 10.4 深度学习的硬件实现
- 10.4.1 FPGA
- 10.4.2 ASIC
- 10.4.3 TPU
- 10.4.4 寒武纪
- 10.4.5 TrueNorth
- 习题
- 参考文献
- 附录A 人工智能和大数据实验环境
- 反侵权盗版声明
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《深度学习》本书从深度学习的发展历史入手，系统地介绍了深度学习的基本概念、数学基础和主流模型，从而夯实读者的理论基础。同时，针对当前流行的主流框架，循序渐进，一步一步引导读者了解深度学习的使用过程，增强动手能力。
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
