展开全部

主编推荐语

自早期以来,神经网络就一直是人工智能的支柱。现在,令人兴奋的新技术(例如深度学习和卷积)正在将神经网络带入一个全新的方向。

内容简介

在本书中,作者演示各种现实世界任务中的神经网络,例如图像识别和数据科学。作者研究了当前的神经网络技术,包括ReLU激活、随机梯度下降、交叉熵、正则化、Dropout及可视化等。

目录

  • 版权信息
  • 版权声明
  • 内容提要
  • 引言/INTRODUCTION
  • 系列图书简介
  • 编程语言
  • 在线实验环境
  • 代码仓库
  • 本系列图书计划出版的书籍
  • 系列图书出版计划
  • 其他资源
  • 神经网络介绍
  • 背景资料
  • 神经网络路线指引
  • 本书中使用的数据集
  • 资源与支持
  • 第1章 神经网络基础
  • 1.1 神经元和层
  • 1.2 神经元的类型
  • 1.2.1 输入和输出神经元
  • 1.2.2 隐藏神经元
  • 1.2.3 偏置神经元
  • 1.2.4 上下文神经元
  • 1.2.5 其他神经元名称
  • 1.3 激活函数
  • 1.3.1 线性激活函数
  • 1.3.2 阶跃激活函数
  • 1.3.3 S型激活函数
  • 1.3.4 双曲正切激活函数
  • 1.4 修正线性单元
  • 1.4.1 Softmax激活函数
  • 1.4.2 偏置扮演什么角色?
  • 1.5 神经网络逻辑
  • 1.6 本章小结
  • 第2章 自组织映射
  • 2.1 自组织映射和邻域函数
  • 2.1.1 理解邻域函数
  • 2.1.2 墨西哥帽邻域函数
  • 2.1.3 计算SOM误差
  • 2.2 本章小结
  • 第3章 霍普菲尔德神经网络和玻尔兹曼机
  • 3.1 霍普菲尔德神经网络
  • 训练霍普菲尔德神经网络
  • 3.2 Hopfield-Tank神经网络
  • 3.3 玻尔兹曼机
  • 玻尔兹曼机概率
  • 3.4 应用玻尔兹曼机
  • 3.4.1 旅行商问题
  • 3.4.2 优化问题
  • 3.4.3 玻尔兹曼机训练
  • 3.5 本章小结
  • 第4章 前馈神经网络
  • 4.1 前馈神经网络结构
  • 用于回归的单输出神经网络
  • 4.2 计算输出
  • 4.3 初始化权重
  • 4.4 径向基函数神经网络
  • 4.4.1 径向基函数
  • 4.4.2 径向基函数神经网络示例
  • 4.5 规范化数据
  • 4.5.1 1-of-n编码
  • 4.5.2 范围规范化
  • 4.5.3 分数规范化
  • 4.5.4 复杂规范化
  • 4.6 本章小结
  • 第5章 训练与评估
  • 5.1 评估分类
  • 5.1.1 二值分类
  • 5.1.2 多类分类
  • 5.1.3 对数损失
  • 5.1.4 多类对数损失
  • 5.2 评估回归
  • 5.3 模拟退火训练
  • 5.4 本章小结
  • 第6章 反向传播训练
  • 6.1 理解梯度
  • 6.1.1 什么是梯度
  • 6.1.2 计算梯度
  • 6.2 计算输出节点增量
  • 6.2.1 二次误差函数
  • 6.2.2 交叉熵误差函数
  • 6.3 计算剩余节点增量
  • 6.4 激活函数的导数
  • 6.4.1 线性激活函数的导数
  • 6.4.2 Softmax激活函数的导数
  • 6.4.3 S型激活函数的导数
  • 6.4.4 双曲正切激活函数的导数
  • 6.4.5 ReLU激活函数的导数
  • 6.5 应用反向传播
  • 6.5.1 批量训练和在线训练
  • 6.5.2 随机梯度下降
  • 6.5.3 反向传播权重更新
  • 6.5.4 选择学习率和动量
  • 6.5.5 Nesterov动量
  • 6.6 本章小结
  • 第7章 其他传播训练
  • 7.1 弹性传播
  • 7.2 RPROP参数
  • 7.3 数据结构
  • 7.4 理解RPROP
  • 7.4.1 确定梯度的符号变化
  • 7.4.2 计算权重变化
  • 7.4.3 修改更新值
  • 7.5 莱文伯格-马夸特算法
  • 7.6 黑塞矩阵的计算
  • 7.7 具有多个输出的LMA
  • 7.8 LMA过程概述
  • 7.9 本章小结
  • 第8章 NEAT、CPPN和HyperNEAT
  • 8.1 NEAT神经网络
  • 8.1.1 NEAT突变
  • 8.1.2 NEAT交叉
  • 8.1.3 NEAT物种形成
  • 8.2 CPPN
  • CPPN表型
  • 8.3 HyperNEAT神经网络
  • 8.3.1 HyperNEAT基板
  • 8.3.2 HyperNEAT计算机视觉
  • 8.4 本章小结
  • 第9章 深度学习
  • 9.1 深度学习的组成部分
  • 9.2 部分标记的数据
  • 9.3 修正线性单元
  • 9.4 卷积神经网络
  • 9.5 神经元Dropout
  • 9.6 GPU训练
  • 9.7 深度学习工具
  • 9.7.1 H2O
  • 9.7.2 Theano
  • 9.7.3 Lasagne和nolearn
  • 9.7.4 ConvNetJS
  • 9.8 深度信念神经网络
  • 9.8.1 受限玻尔兹曼机
  • 9.8.2 训练DBNN
  • 9.8.3 逐层采样
  • 9.8.4 计算正梯度
  • 9.8.5 吉布斯采样
  • 9.8.6 更新权重和偏置
  • 9.8.7 DBNN反向传播
  • 9.8.8 深度信念应用
  • 9.9 本章小结
  • 第10章 卷积神经网络
  • 10.1 LeNet-5
  • 10.2 卷积层
  • 10.3 最大池层
  • 10.4 稠密层
  • 10.5 针对MNIST数据集的卷积神经网络
  • 10.6 本章小结
  • 第11章 剪枝和模型选择
  • 11.1 理解剪枝
  • 11.1.1 剪枝连接
  • 11.1.2 剪枝神经元
  • 11.1.3 改善或降低表现
  • 11.2 剪枝算法
  • 11.3 模型选择
  • 11.3.1 网格搜索模型选择
  • 11.3.2 随机搜索模型选择
  • 11.3.3 其他模型选择技术
  • 11.4 本章小结
  • 第12章 Dropout和正则化
  • 12.1 L1和L2正则化
  • 12.1.1 理解L1正则化
  • 12.1.2 理解L2正则化
  • 12.2 Dropout
  • 12.2.1 Dropout层
  • 12.2.2 实现Dropout层
  • 12.3 使用Dropout
  • 12.4 本章小结
  • 第13章 时间序列和循环神经网络
  • 13.1 时间序列编码
  • 13.1.1 为输入和输出神经元编码数据
  • 13.1.2 预测正弦波
  • 13.2 简单循环神经网络
  • 13.2.1 埃尔曼神经网络
  • 13.2.2 若当神经网络
  • 13.2.3 通过时间的反向传播
  • 13.2.4 门控循环单元
  • 13.3 本章小结
  • 第14章 构建神经网络
  • 14.1 评估神经网络
  • 14.2 训练参数
  • 14.2.1 学习率
  • 14.2.2 动量
  • 14.2.3 批次大小
  • 14.3 常规超参数
  • 14.3.1 激活函数
  • 14.3.2 隐藏神经元的配置
  • 14.4 LeNet-5超参数
  • 14.5 本章小结
  • 第15章 可视化
  • 15.1 混淆矩阵
  • 15.1.1 读取混淆矩阵
  • 15.1.2 创建混淆矩阵
  • 15.2 t-SNE降维
  • 15.2.1 t-SNE可视化
  • 15.2.2 超越可视化的t-SNE
  • 15.3 本章小结
  • 第16章 用神经网络建模
  • 16.1 Kaggle竞赛
  • 16.1.1 挑战赛的经验
  • 16.1.2 挑战赛取胜的方案
  • 16.1.3 我们在挑战赛中的方案
  • 16.2 用深度学习建模
  • 16.2.1 神经网络结构
  • 16.2.2 装袋多个神经网络
  • 16.3 本章小结
  • 附录A 示例代码使用说明
  • A.1 系列图书简介
  • A.2 保持更新
  • A.3 获取示例代码
  • A.3.1 下载压缩文件
  • A.3.2 克隆Git仓库
  • A.4 示例代码的内容
  • A.5 如何为项目做贡献
  • 参考资料
展开全部

评分及书评

4.4
5个评分
  • 用户头像
    给这本书评了
    5.0
    神经网络

    模式学习

      转发
      评论
      用户头像
      给这本书评了
      3.0
      读起来磕磕绊绊,我的状态也不舒服,有些浪费时间

      【8 级,88+106+148k】这是我第二次正式学习人工智能的尝试,第一次是在 laioffer 的课上,那时我还是一个连算法题都没学完的小白,而现在我已经是一个从业多年的老程序员了。这次我本该有很多技术上的收获的,但可惜我最近一两个月的工作压力太大,这套书读下来昏昏沉沉,并没有预期的收获。另外一方面,这套书的结构也有很大的问题。首先,三本书名义上使用了程序设计中常见的功能性划分,希望读者能像查询字典或者运行 method 一样阅读这三本书。这本应该是不错的尝试,可惜读者不是电脑,知识也不是边界清晰、泾渭分明的。这样的写作方法硬性切开了人工智能领域中的各个板块,读起来割裂感很严重。其次,这套书不同于教科书,它更像是一个操作手册或者经验分享。里面有不少的统计学定理和公式,作者似乎受限于篇幅或者能力,并不能从原理上很好地呈现这些内容,这让我读起来有点儿:“我知道怎么做了,但是并不知道为什么这么做”,的感觉。最后,本书的语言描述也有较大的问题。第一本所以初学者还相对友好,从第二本开始,大量的关键概念都没有解释。感觉作者写第二第三本的时候,已经默认读者是一个行业从业者,而不是刚读完第一本的初学者了。这与这套书前言里提到的设计宗旨是相悖的。总之我读这套书的感觉不太好,其中有我自己的问题,也有本书质量的问题。我不太推荐这套书。

        转发
        评论

      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。