• 本公司於1/22(二)舉辦尾牙聚餐,門市營業及網路客服服務時間調整為09:00-17:00,造成您的不便,敬請見諒!
 
品牌專區-『天使文化』
品牌專區-『悅讀紀』
品牌專區-『巨石文華〈夢想季〉』
品牌專區-『蝴蝶季』
品牌專區-『魅力‧花火』
 
166餘萬種 1.9萬
一般分類法 中國圖書法 簡體所有書 30日內新書
深度學習(簡體書)
深度學習(簡體書)
  • 人民幣定價:168元
  • 定  價:NT$1008元
  • 優惠價: 79796
  • 可得紅利積點:23 點
  • 庫存: >5
  • 加入購物車
分享:
商品介紹
  • 商品簡介
  • 作者簡介
  • 目次
  •   《深度學習》由全球知名的三位專家IanGoodfellow、YoshuaBengio和AaronCourville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部分系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向和想法,它們被公認為是深度學習未來的研究重點。

      《深度學習》適合各類讀者閱讀,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,以便在實際產品或平臺中應用的軟件工程師。


  •   IanGoodfellow,谷歌公司(Google)的研究科學家,2014年蒙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,特別是生成模型以及機器學習的安全和隱私。IanGoodfellow在研究對抗樣本方面是一位有影響力的早期研究者,他發明了生成式對抗網絡,在深度學習領域貢獻卓越。


      YoshuaBengio,蒙特利爾大學計算機科學與運籌學系(DIRO)的教授,蒙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。YoshuaBengio的主要研究目標是了解產生智力的學習原則。他還教授“機器學習”研究生課程(IFT6266),并培養了一大批研究生和博士后。


      AaronCourville,蒙特利爾大學計算機科學與運籌學系的助理教授,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,特別是開發概率模型和新穎的推斷方法。AaronCourville主要專注于計算機視覺應用,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相關任務方面也有所研究。


      中文版審校者簡介

      張志華,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系碩士研究生,研究方向為數值優化和自然語言處理。

      黎彧君,上海交通大學計算機系博士研究生,研究方向為數值優化和強化學習。

      符天凡,上海交通大學計算機系碩士研究生,研究方向為貝葉斯推斷。

      李凱,上海交通大學計算機系博士研究生,研究方向為博弈論和強化學習。


  • 第1章引言1

    11本書面向的讀者7

    12深度學習的歷史趨勢8

    121神經網絡的眾多名稱和命運變遷8

    122與日俱增的數據量12

    123與日俱增的模型規模13

    124與日俱增的精度、復雜度和對現實世界的沖擊15

    第1部分應用數學與機器學習基礎

    第2章線性代數19

    21標量、向量、矩陣和張量19

    22矩陣和向量相乘21

    23單位矩陣和逆矩陣22

    24線性相關和生成子空間23

    25范數24

    26特殊類型的矩陣和向量25

    27特征分解26

    28奇異值分解28

    29Moore-Penrose偽逆28

    210跡運算29

    211行列式30

    212實例:主成分分析30

    第3章概率與信息論34

    31為什么要使用概率34

    32隨機變量35

    33概率分布36

    331離散型變量和概率質量函數36

    332連續型變量和概率密度函數36

    34邊緣概率37

    35條件概率37

    36條件概率的鏈式法則38

    37獨立性和條件獨立性38

    38期望、方差和協方差38

    39常用概率分布39

    391Bernoulli分布40

    392Multinoulli分布40

    393高斯分布40

    394指數分布和Laplace分布41

    395Dirac分布和經驗分布42

    396分布的混合42

    310常用函數的有用性質43

    311貝葉斯規則45

    312連續型變量的技術細節45

    313信息論47

    314結構化概率模型49

    第4章數值計算52

    41上溢和下溢52

    42病態條件53

    43基于梯度的優化方法53

    431梯度之上:Jacobian和Hessian矩陣56

    44約束優化60

    45實例:線性最小二乘61

    第5章機器學習基礎63

    51學習算法63

    511任務T63

    512性能度量P66

    513經驗E66

    514示例:線性回歸68

    52容量、過擬合和欠擬合70

    521沒有免費午餐定理73

    522正則化74

    53超參數和驗證集76

    531交叉驗證76

    54估計、偏差和方差77

    541點估計77

    542偏差78

    543方差和標準差80

    544權衡偏差和方差以最小化均方誤差81

    545一致性82

    55最大似然估計82

    551條件對數似然和均方誤差84

    552最大似然的性質84

    56貝葉斯統計85

    561最大后驗(MAP)估計87

    57監督學習算法88

    571概率監督學習88

    572支持向量機88

    573其他簡單的監督學習算法90

    58無監督學習算法91

    581主成分分析92

    582k-均值聚類94

    59隨機梯度下降94

    510構建機器學習算法96

    511促使深度學習發展的挑戰96

    5111維數災難97

    5112局部不變性和平滑正則化97

    5113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

    61實例:學習XOR107

    62基于梯度的學習110

    621代價函數111

    622輸出單元113

    63隱藏單元119

    631整流線性單元及其擴展120

    632logisticsigmoid與雙曲正切函數121

    633其他隱藏單元122

    64架構設計123

    641萬能近似性質和深度123

    642其他架構上的考慮126

    65反向傳播和其他的微分算法126

    651計算圖127

    652微積分中的鏈式法則128

    653遞歸地使用鏈式法則來實現反向傳播128

    654全連接MLP中的反向傳播計算131

    655符號到符號的導數131

    656一般化的反向傳播133

    657實例:用于MLP訓練的反向傳播135

    658復雜化137

    659深度學習界以外的微分137

    6510高階微分138

    66歷史小記139

    第7章深度學習中的正則化141

    71參數范數懲罰142

    711L2參數正則化142

    712L1正則化144

    72作為約束的范數懲罰146

    73正則化和欠約束問題147

    74數據集增強148

    75噪聲魯棒性149

    751向輸出目標注入噪聲150

    76半監督學習150

    77多任務學習150

    78提前終止151

    79參數綁定和參數共享156

    791卷積神經網絡156

    710稀疏表示157

    711Bagging和其他集成方法158

    712Dropout159

    713對抗訓練165

    714切面距離、正切傳播和流形正切分類器167

    第8章深度模型中的優化169

    81學習和純優化有什么不同169

    811經驗風險最小化169

    812代理損失函數和提前終止170

    813批量算法和小批量算法170

    82神經網絡優化中的挑戰173

    821病態173

    822局部極小值174

    823高原、鞍點和其他平坦區域175

    824懸崖和梯度爆炸177

    825長期依賴177

    826非精確梯度178

    827局部和全局結構間的弱對應178

    828優化的理論限制179

    83基本算法180

    831隨機梯度下降180

    832動量181

    833Nesterov動量183

    84參數初始化策略184

    85自適應學習率算法187

    851AdaGrad187

    852RMSProp188

    853Adam189

    854選擇正確的優化算法190

    86二階近似方法190

    861牛頓法190

    862共軛梯度191

    863BFGS193

    87優化策略和元算法194

    871批標準化194

    872坐標下降196

    873Polyak平均197

    874監督預訓練197

    875設計有助于優化的模型199

    876延拓法和課程學習199

    第9章卷積網絡201

    91卷積運算201

    92動機203

    93池化207

    94卷積與池化作為一種無限強的先驗210

    95基本卷積函數的變體211

    96結構化輸出218

    97數據類型219

    98高效的卷積算法220

    99隨機或無監督的特征220

    910卷積網絡的神經科學基礎221

    911卷積網絡與深度學習的歷史226

    第10章序列建模:循環和遞歸網絡227

    101展開計算圖228

    102循環神經網絡230

    1021導師驅動過程和輸出循環網絡232

    1022計算循環神經網絡的梯度233

    1023作為有向圖模型的循環網絡235

    1024基于上下文的RNN序列建模237

    103雙向RNN239

    104基于編碼-解碼的序列到序列架構240

    105深度循環網絡242

    106遞歸神經網絡243

    107長期依賴的挑戰244

    108回聲狀態網絡245

    109滲漏單元和其他多時間尺度的策略247

    1091時間維度的跳躍連接247

    1092滲漏單元和一系列不同時間尺度247

    1093刪除連接248

    1010長短期記憶和其他門控RNN248

    10101LSTM248

    10102其他門控RNN250

    1011優化長期依賴251

    10111截斷梯度251

    10112引導信息流的正則化252

    1012外顯記憶253

    第11章實踐方法論256

    111性能度量256

    112默認的基準模型258

    113決定是否收集更多數據259

    114選擇超參數259

    1141手動調整超參數259

    1142自動超參數優化算法262

    1143網格搜索262

    1144隨機搜索263

    1145基于模型的超參數優化264

    115調試策略264

    116示例:多位數字識別267

    第12章應用269

    121大規模深度學習269

    1211快速的CPU實現269

    1212GPU實現269

    1213大規模的分布式實現271

    1214模型壓縮271

    1215動態結構272

    1216深度網絡的專用硬件實現273

    122計算機視覺274

    1221預處理275

    1222數據集增強277

    123語音識別278

    124自然語言處理279

    1241n-gram280

    1242神經語言模型281

    1243高維輸出282

    1244結合n-gram和神經語言模型286

    1245神經機器翻譯287

    1246歷史展望289

    125其他應用290

    1251推薦系統290

    1252知識表示、推理和回答292

    第3部分深度學習研究

    第13章線性因子模型297

    131概率PCA和因子分析297

    132獨立成分分析298

    133慢特征分析300

    134稀疏編碼301

    135PCA的流形解釋304

    第14章自編碼器306

    141欠完備自編碼器306

    142正則自編碼器307

    1421稀疏自編碼器307

    1422去噪自編碼器309

    1423懲罰導數作為正則309

    143表示能力、層的大小和深度310

    144隨機編碼器和解碼器310

    145去噪自編碼器詳解311

    1451得分估計312

    1452歷史展望314

    146使用自編碼器學習流形314

    147收縮自編碼器317

    148預測稀疏分解319

    149自編碼器的應用319

    第15章表示學習321

    151貪心逐層無監督預訓練322

    1511何時以及為何無監督預訓練有效有效323

    152遷移學習和領域自適應326

    153半監督解釋因果關系329

    154分布式表示332

    155得益于深度的指數增益336

    156提供發現潛在原因的線索337

    第16章深度學習中的結構化概率模型339

    161非結構化建模的挑戰339

    162使用圖描述模型結構342

    1621有向模型342

    1622無向模型344

    1623配分函數345

    1624基于能量的模型346

    1625分離和d-分離347

    1626在有向模型和無向模型中轉換350

    1627因子圖352

    163從圖模型中采樣353

    164結構化建模的優勢353

    165學習依賴關系354

    166推斷和近似推斷354

    167結構化概率模型的深度學習方法355

    1671實例:受限玻爾茲曼機356

    第17章蒙特卡羅方法359

    171采樣和蒙特卡羅方法359

    1711為什么需要采樣359

    1712蒙特卡羅采樣的基礎359

    172重要采樣360

    173馬爾可夫鏈蒙特卡羅方法362

    174Gibbs采樣365

    175不同的峰值之間的混合挑戰365

    1751不同峰值之間通過回火來混合367

    1752深度也許會有助于混合368

    第18章直面配分函數369

    181對數似然梯度369

    182隨機最大似然和對比散度370

    183偽似然375

    184得分匹配和比率匹配376

    185去噪得分匹配378

    186噪聲對比估計378

    187估計配分函數380

    1871退火重要采樣382

    1872橋式采樣384

    第19章近似推斷385

    191把推斷視作優化問題385

    192期望最大化386

    193最大后驗推斷和稀疏編碼387

    194變分推斷和變分學習389

    1941離散型潛變量390

    1942變分法394

    1943連續型潛變量396

    1944學習和推斷之間的相互作用397

    195學成近似推斷397

    1951醒眠算法398

    1952學成推斷的其他形式398

    第20章深度生成模型399

    201玻爾茲曼機399

    202受限玻爾茲曼機400

    2021條件分布401

    2022訓練受限玻爾茲曼機402

    203深度信念網絡402

    204深度玻爾茲曼機404

    2041有趣的性質406

    2042DBM均勻場推斷406

    2043DBM的參數學習408

    2044逐層預訓練408

    2045聯合訓練深度玻爾茲曼機410

    205實值數據上的玻爾茲曼機413

    2051Gaussian-BernoulliRBM413

    2052條件協方差的無向模型414

    206卷積玻爾茲曼機417

    207用于結構化或序列輸出的玻爾茲曼機418

    208其他玻爾茲曼機419

    209通過隨機操作的反向傳播419

    2091通過離散隨機操作的反向傳播420

    2010有向生成網絡422

    20101sigmoid信念網絡422

    20102可微生成器網絡423

    20103變分自編碼器425

    20104生成式對抗網絡427

    20105生成矩匹配網絡429

    20106卷積生成網絡430

    20107自回歸網絡430

    20108線性自回歸網絡430

    20109神經自回歸網絡431

    201010NADE432

    2011從自編碼器采樣433

    20111與任意去噪自編碼器相關的馬爾可夫鏈434

    20112夾合與條件采樣434

    20113回退訓練過程435

    2012生成隨機網絡435

    20121判別性GSN436

    2013其他生成方案436

    2014評估生成模型437

    2015結論438

    參考文獻439

    索引486


    推薦書展
    公司簡介服務條款隱私權政策異業合作人才招募圖書館採購/編目三民禮券兌換處好站連結三民‧東大‧弘雅目錄古籍‧古典目錄