滿額折
商品簡介
作者簡介
名人/編輯推薦
目次
商品簡介
自早期以來，神經網絡就一直是人工智能的支柱。現在，令人興奮的新技術（例如深度學習和卷積）正在將神經網絡帶入一個全新的方向。在本書中，我們將演示各種現實世界任務中的神經網絡，例如圖像識別和資料科學。我們研究了當前的神經網絡技術，包括ReLU 啟動、隨機梯度下降、交叉熵、正則化、Dropout 及可視化等。
作者簡介
[美] 傑弗瑞.希頓（Jeffery Heaton）他既是一位活躍的技術博主、開源貢獻者，也是十多本圖書的作者。他的專業領域包括資料科學、預測建模、資料採擷、大資料、商務智能和人工智能等。他擁有華盛頓大學信息管理學碩士學位，是IEEE的高級會員、Sun認證Java程序員、開源機器學習框架Encog的首席開發人員。
名人/編輯推薦
1.本卷研究了當前的神經網絡技術，包括ReLU 啟動、隨機梯度下降、交叉熵、正則化、Dropout 和可視化；
2.豐富的示例代碼和在線資源，方便動手實踐與拓展學習；
3.提供在線實驗環境；
4.全彩印刷；
5.《人工智能算法 卷3 深度學習和神經網絡》是系列圖書第3本，卷1《人工智能算法 卷1 基礎算法》、卷2《人工智能算法 卷2 受大自然啟發的算法》已在人民郵電出版社出版；。
自人工智能的早期階段以來，神經網絡就扮演著至關重要的角色。現在，令人興奮的新技術，例如深度學習和卷積，正在將神經網絡帶向一個全新的方向。本書結合各種現實世界任務中的神經網絡應用，例如圖像識別和資料科學，介紹了當前的神經網絡技術，包括ReLU啟動、隨機梯度下降、交叉熵、正則化、Dropout和可視化。
本書的目標讀者是那些對人工智能感興趣，但苦於沒有良好的數學基礎的人。讀者只需要對大學代數課程有基本瞭解即可。本書為讀者提供配套的示例程式碼，目前已有Java、C#和Python版本。
推薦閱讀：
《人工智能算法（卷1）：基礎算法》ISBN：9787115523402
《人工智能算法（卷2）：受大自然啟發的算法》
2.豐富的示例代碼和在線資源，方便動手實踐與拓展學習；
3.提供在線實驗環境；
4.全彩印刷；
5.《人工智能算法 卷3 深度學習和神經網絡》是系列圖書第3本，卷1《人工智能算法 卷1 基礎算法》、卷2《人工智能算法 卷2 受大自然啟發的算法》已在人民郵電出版社出版；。
自人工智能的早期階段以來，神經網絡就扮演著至關重要的角色。現在，令人興奮的新技術，例如深度學習和卷積，正在將神經網絡帶向一個全新的方向。本書結合各種現實世界任務中的神經網絡應用，例如圖像識別和資料科學，介紹了當前的神經網絡技術，包括ReLU啟動、隨機梯度下降、交叉熵、正則化、Dropout和可視化。
本書的目標讀者是那些對人工智能感興趣，但苦於沒有良好的數學基礎的人。讀者只需要對大學代數課程有基本瞭解即可。本書為讀者提供配套的示例程式碼，目前已有Java、C#和Python版本。
推薦閱讀：
《人工智能算法（卷1）：基礎算法》ISBN：9787115523402
《人工智能算法（卷2）：受大自然啟發的算法》
目次
第 1 章 神經網絡基礎 1
1．1 神經元和層 2
1．2 神經元的類型 5
1．2．1 輸入和輸出神經元 6
1．2．2 隱藏神經元 7
1．2．3 偏置神經元 7
1．2．4 上下文神經元 8
1．2．5 其他神經元類型 10
1．3 啟動函數 10
1．3．1 線性啟動函數 10
1．3．2 階躍啟動函數 11
1．3．3 S 型啟動函數12
1．3．4 雙曲正切啟動函數 13
1．4 修正線性單元（ReLU）13
1．4．1 Softmax 啟動函數 14
1．4．2 偏置扮演什麼角色？ 17
1．5 神經網絡邏輯 19
1．6 本章小結 22
第 2 章 自組織映射 23
2．1 自組織映射 24
2．1．1 理解鄰域函數 27
2．1．2 墨西哥帽鄰域函數 30
2．1．3 計算 SOM 誤差 32
2．2 本章小結 33
第 3 章 Hopfield 網絡和玻爾茲曼機34
3．1 Hopfield 神經網絡 34
3．1．1 訓練 Hopfield 網絡 37
3．2 Hopfield-Tank 網絡 41
3．3 玻爾茲曼機 42
3．3．1 玻爾茲曼機概率 44
3．4 應用玻爾茲曼機 45
3．4．1 旅行商問題 45
3．4．2 優化問題 48
3．4．3 玻爾茲曼機訓練 51
3．5 本章小結 51
第 4 章 前饋神經網絡 53
4．1 前饋神經網絡結構 54
4．1．1 用於回歸的單輸出神經網絡 54
4．2 計算輸出 56
4．3 初始化權重 60
4．4 徑向基函數網絡 63
4．4．1 徑向基函數 64
4．4．2 徑向基函數網絡 65
4．5 規範化資料 67
4．5．1 1-of-N 編碼 68
4．5．2 範圍規範化 69
4．5．3 Z 分數規範化70
4．5．4 複雜規範化 73
4．6 本章小結 75
第 5 章 訓練與評估 77
5．1 評估分類 78
5．1．1 二值分類 79
5．1．2 多類分類 84
5．1．3 對數損失 86
5．1．4 多類對數損失 88
5．2 評估回歸 88
5．3 模擬退火訓練 89
5．4 本章小結 92
第 6 章 反向傳播訓練 93
6．1 理解梯度 93
6．1．1 什麼是梯度 94
6．1．2 計算梯度 96
6．2 計算輸出節點增量 98
6．2．1 二次誤差函數 98
6．2．2 交叉熵誤差函數 99
6．3 計算剩餘節點增量 99
6．4 啟動函數的導數 100
6．4．1 線性啟動函數的導數 100
6．4．2 Softmax 啟動函數的導數 100
6．4．3 S 型啟動函數的導數 101
6．4．4 雙曲正切啟動函數的導數 102
6．4．5 ReLU 啟動函數的導數 102
6．5 應用反向傳播 103
6．5．1 批量訓練和在線訓練 104
6．5．2 隨機梯度下降 105
6．5．3 反向傳播權重更新 105
6．5．4 選擇學習率和動量 106
6．5．5 Nesterov 動量 107
6．6 本章小結 108
第 7 章 其他傳播訓練 110
7．1 彈性傳播 110
7．2 RPROP 參數 111
7．3 資料結構 113
7．4 理解 RPROP 114
7．4．1 確定梯度的符號變化 114
7．4．2 計算權重變化 115
7．4．3 修改更新值 115
7．5 Levenberg-Marquardt 算法 116
7．6 Hessian 矩陣的計算 119
7．7 具有多個輸出的 LMA 120
7．8 LMA 過程概述 122
7．9 本章小結 122
第 8 章 NEAT，CPPN 和 HyperNEAT 124
8．1 NEAT 網絡 125
8．1．1 NEAT 突變 128
8．1．2 NEAT 交叉 129
8．1．3 NEAT 物種形成 133
8．2 CPPN 網絡 134
8．2．1 CPPN 表型 135
8．3 HyperNEAT 網絡 138
8．3．1 HyperNEAT 基板 139
8．3．2 HyperNEAT 計算機視覺 140
8．4 本章小結 142
第 9 章 深度學習 143
9．1 深度學習元件 143
9．2 部分標記的資料 144
9．3 修正線性單元 145
9．4 卷積神經網絡 145
9．5 神經元 Dropout 146
9．6 GPU 訓練 147
9．7 深度學習工具 149
9．7．1 H2O 149
9．7．2 Theano 150
9．7．3 Lasagne 和 NoLearn 150
9．7．4 ConvNetJS 152
9．8 深度信念神經網絡 152
9．8．1 受限玻爾茲曼機 154
9．8．2 訓練 DBNN 155
9．8．3 逐層採樣 157
9．8．4 計算正梯度 157
9．8．5 吉布斯採樣 159
9．8．6 更新權重和偏置 160
9．8．7 DBNN 反向傳播 161
9．8．8 深度信念應用 162
9．9 本章小結 164
第 10 章 卷積神經網絡 165
10．1 LeNET-5 166
10．2 卷積層 168
10．3 最大池層 170
10．4 稠密層 172
10．5 針對 MNIST 資料集的 ConvNets 172
10．6 本章小結 174
第 11 章 剪枝和模型選擇 175
11．1 理解剪枝 176
11．1．1 剪枝連接 176
11．1．2 剪枝神經元 176
11．1．3 改善或降低表現 177
11．2 剪枝算法 177
11．3 模型選擇 179
11．3．1 網格搜索模型選擇 180
11．3．2 隨機搜索模型選擇 183
11．3．3 其他模型選擇技術 184
11．4 本章小結 185
第 12 章 Dropout 和正則化 186
12．1 L1 和 L2 正則化 187
12．1．1 理解 L1 正則化 188
12．1．2 理解 L2 正則化 189
12．2 Dropout 層 190
12．2．1 Dropout 層 191
12．2．2 實現 Dropout 層 191
12．3 使用 Dropout 194
12．4 本章小結 195
第 13 章 時間序列和迴圈網絡 197
13．1 時間序列編碼 198
13．1．1 為輸入和輸出神經元編碼資料 199
13．1．2 預測正弦波 200
13．2 簡單迴圈神經網絡 204
13．2．1 Elman 神經網絡 206
13．2．2 Jordan 神經網絡 207
13．2．3 通過時間的反向傳播 208
13．2．4 門控迴圈單元 211
13．3 本章小結 213
第 14 章 架構神經網絡 214
14．1 評估神經網絡 215
14．2 訓練參數 215
14．2．1 學習率 216
14．2．2 動量 218
14．2．3 批次大小 219
14．3 常規超參數 220
14．3．1 啟動函數 220
14．3．2 隱藏神經元的配置 222
14．4 LeNet-5 超參數 223
14．5 本章小結 224
第 15 章 可視化 226
15．1 混淆矩陣 227
15．1．1 讀取混淆矩陣 227
15．1．2 生成混淆矩陣 228
15．2 t-SNE 降維 229
15．2．1 t-SNE 可視化 231
15．2．2 超越可視化的 t-SNE 235
15．3 本章小結 236
第 16 章 用神經網絡建模 237
16．0．1 挑戰賽的經驗 241
16．0．2 挑戰賽取勝的方法 242
16．0．3 我們在挑戰賽中的方法 244
16．1 用深度學習建模 245
16．1．1 神經網絡結構 245
16．1．2 裝袋多個神經網絡 249
16．2 本章小結 250
附錄 A 示例代碼使用說明 252
A．1 系列圖書簡介 252
A．2 保持更新 252
A．3 獲取示例代碼 253
A．3．1 下載壓縮檔 253
A．3．2 克隆 Git 倉庫 254
A．4 示例代碼的內容 255
A．5 如何為項目做貢獻 257
參考資料 259
1．1 神經元和層 2
1．2 神經元的類型 5
1．2．1 輸入和輸出神經元 6
1．2．2 隱藏神經元 7
1．2．3 偏置神經元 7
1．2．4 上下文神經元 8
1．2．5 其他神經元類型 10
1．3 啟動函數 10
1．3．1 線性啟動函數 10
1．3．2 階躍啟動函數 11
1．3．3 S 型啟動函數12
1．3．4 雙曲正切啟動函數 13
1．4 修正線性單元（ReLU）13
1．4．1 Softmax 啟動函數 14
1．4．2 偏置扮演什麼角色？ 17
1．5 神經網絡邏輯 19
1．6 本章小結 22
第 2 章 自組織映射 23
2．1 自組織映射 24
2．1．1 理解鄰域函數 27
2．1．2 墨西哥帽鄰域函數 30
2．1．3 計算 SOM 誤差 32
2．2 本章小結 33
第 3 章 Hopfield 網絡和玻爾茲曼機34
3．1 Hopfield 神經網絡 34
3．1．1 訓練 Hopfield 網絡 37
3．2 Hopfield-Tank 網絡 41
3．3 玻爾茲曼機 42
3．3．1 玻爾茲曼機概率 44
3．4 應用玻爾茲曼機 45
3．4．1 旅行商問題 45
3．4．2 優化問題 48
3．4．3 玻爾茲曼機訓練 51
3．5 本章小結 51
第 4 章 前饋神經網絡 53
4．1 前饋神經網絡結構 54
4．1．1 用於回歸的單輸出神經網絡 54
4．2 計算輸出 56
4．3 初始化權重 60
4．4 徑向基函數網絡 63
4．4．1 徑向基函數 64
4．4．2 徑向基函數網絡 65
4．5 規範化資料 67
4．5．1 1-of-N 編碼 68
4．5．2 範圍規範化 69
4．5．3 Z 分數規範化70
4．5．4 複雜規範化 73
4．6 本章小結 75
第 5 章 訓練與評估 77
5．1 評估分類 78
5．1．1 二值分類 79
5．1．2 多類分類 84
5．1．3 對數損失 86
5．1．4 多類對數損失 88
5．2 評估回歸 88
5．3 模擬退火訓練 89
5．4 本章小結 92
第 6 章 反向傳播訓練 93
6．1 理解梯度 93
6．1．1 什麼是梯度 94
6．1．2 計算梯度 96
6．2 計算輸出節點增量 98
6．2．1 二次誤差函數 98
6．2．2 交叉熵誤差函數 99
6．3 計算剩餘節點增量 99
6．4 啟動函數的導數 100
6．4．1 線性啟動函數的導數 100
6．4．2 Softmax 啟動函數的導數 100
6．4．3 S 型啟動函數的導數 101
6．4．4 雙曲正切啟動函數的導數 102
6．4．5 ReLU 啟動函數的導數 102
6．5 應用反向傳播 103
6．5．1 批量訓練和在線訓練 104
6．5．2 隨機梯度下降 105
6．5．3 反向傳播權重更新 105
6．5．4 選擇學習率和動量 106
6．5．5 Nesterov 動量 107
6．6 本章小結 108
第 7 章 其他傳播訓練 110
7．1 彈性傳播 110
7．2 RPROP 參數 111
7．3 資料結構 113
7．4 理解 RPROP 114
7．4．1 確定梯度的符號變化 114
7．4．2 計算權重變化 115
7．4．3 修改更新值 115
7．5 Levenberg-Marquardt 算法 116
7．6 Hessian 矩陣的計算 119
7．7 具有多個輸出的 LMA 120
7．8 LMA 過程概述 122
7．9 本章小結 122
第 8 章 NEAT，CPPN 和 HyperNEAT 124
8．1 NEAT 網絡 125
8．1．1 NEAT 突變 128
8．1．2 NEAT 交叉 129
8．1．3 NEAT 物種形成 133
8．2 CPPN 網絡 134
8．2．1 CPPN 表型 135
8．3 HyperNEAT 網絡 138
8．3．1 HyperNEAT 基板 139
8．3．2 HyperNEAT 計算機視覺 140
8．4 本章小結 142
第 9 章 深度學習 143
9．1 深度學習元件 143
9．2 部分標記的資料 144
9．3 修正線性單元 145
9．4 卷積神經網絡 145
9．5 神經元 Dropout 146
9．6 GPU 訓練 147
9．7 深度學習工具 149
9．7．1 H2O 149
9．7．2 Theano 150
9．7．3 Lasagne 和 NoLearn 150
9．7．4 ConvNetJS 152
9．8 深度信念神經網絡 152
9．8．1 受限玻爾茲曼機 154
9．8．2 訓練 DBNN 155
9．8．3 逐層採樣 157
9．8．4 計算正梯度 157
9．8．5 吉布斯採樣 159
9．8．6 更新權重和偏置 160
9．8．7 DBNN 反向傳播 161
9．8．8 深度信念應用 162
9．9 本章小結 164
第 10 章 卷積神經網絡 165
10．1 LeNET-5 166
10．2 卷積層 168
10．3 最大池層 170
10．4 稠密層 172
10．5 針對 MNIST 資料集的 ConvNets 172
10．6 本章小結 174
第 11 章 剪枝和模型選擇 175
11．1 理解剪枝 176
11．1．1 剪枝連接 176
11．1．2 剪枝神經元 176
11．1．3 改善或降低表現 177
11．2 剪枝算法 177
11．3 模型選擇 179
11．3．1 網格搜索模型選擇 180
11．3．2 隨機搜索模型選擇 183
11．3．3 其他模型選擇技術 184
11．4 本章小結 185
第 12 章 Dropout 和正則化 186
12．1 L1 和 L2 正則化 187
12．1．1 理解 L1 正則化 188
12．1．2 理解 L2 正則化 189
12．2 Dropout 層 190
12．2．1 Dropout 層 191
12．2．2 實現 Dropout 層 191
12．3 使用 Dropout 194
12．4 本章小結 195
第 13 章 時間序列和迴圈網絡 197
13．1 時間序列編碼 198
13．1．1 為輸入和輸出神經元編碼資料 199
13．1．2 預測正弦波 200
13．2 簡單迴圈神經網絡 204
13．2．1 Elman 神經網絡 206
13．2．2 Jordan 神經網絡 207
13．2．3 通過時間的反向傳播 208
13．2．4 門控迴圈單元 211
13．3 本章小結 213
第 14 章 架構神經網絡 214
14．1 評估神經網絡 215
14．2 訓練參數 215
14．2．1 學習率 216
14．2．2 動量 218
14．2．3 批次大小 219
14．3 常規超參數 220
14．3．1 啟動函數 220
14．3．2 隱藏神經元的配置 222
14．4 LeNet-5 超參數 223
14．5 本章小結 224
第 15 章 可視化 226
15．1 混淆矩陣 227
15．1．1 讀取混淆矩陣 227
15．1．2 生成混淆矩陣 228
15．2 t-SNE 降維 229
15．2．1 t-SNE 可視化 231
15．2．2 超越可視化的 t-SNE 235
15．3 本章小結 236
第 16 章 用神經網絡建模 237
16．0．1 挑戰賽的經驗 241
16．0．2 挑戰賽取勝的方法 242
16．0．3 我們在挑戰賽中的方法 244
16．1 用深度學習建模 245
16．1．1 神經網絡結構 245
16．1．2 裝袋多個神經網絡 249
16．2 本章小結 250
附錄 A 示例代碼使用說明 252
A．1 系列圖書簡介 252
A．2 保持更新 252
A．3 獲取示例代碼 253
A．3．1 下載壓縮檔 253
A．3．2 克隆 Git 倉庫 254
A．4 示例代碼的內容 255
A．5 如何為項目做貢獻 257
參考資料 259
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。