定 價：59.8 元
叢書名：高等學(xué)校信息技術(shù)類新方向新動能新形態(tài)系列規(guī)劃教材
- 作者：鄧建華
- 出版時間：2021/11/1
- ISBN：9787115565105
- 出 版 社：人民郵電出版社
- 中圖法分類：TP181
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：128開
本書是深度學(xué)習(xí)領(lǐng)域的入門教材，闡述了深度學(xué)習(xí)的知識體系，涵蓋人工智能的基礎(chǔ)知識以及深度學(xué)習(xí)的基本原理、模型、方法和實踐案例，使讀者掌握深度學(xué)習(xí)的相關(guān)知識，提高以深度學(xué)習(xí)方法解決實際問題的能力。全書內(nèi)容包括人工智能基礎(chǔ)、機器學(xué)習(xí)基礎(chǔ)、深度學(xué)習(xí)主要框架、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器與生成對抗網(wǎng)絡(luò)。
本書可作為高等院校人工智能、計算機、自動化、電子和通信等相關(guān)專業(yè)的本科生或研究生教材，也可作為相關(guān)領(lǐng)域的研究人員和工程技術(shù)人員的參考書。
1.本書是深度學(xué)習(xí)領(lǐng)域的入門教材
2.闡述了深度學(xué)習(xí)的知識體系，包括人工智能的基礎(chǔ)知識及深度學(xué)習(xí)的基本原理、模型、方法和實踐案例
3.全書內(nèi)容包括人工智能基礎(chǔ)、機器學(xué)習(xí)基礎(chǔ)、深度學(xué)習(xí)主要框架、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼與生成對抗網(wǎng)絡(luò)。
鄧建華，博士，副教授，于2014年獲得愛爾蘭都柏林理工大學(xué)博士學(xué)位，現(xiàn)為四川省千人計劃專家，四川省政府特聘專家，成都蓉漂人才專家，自然基金委評審專家，四川省科技廳評審專家,成都高新區(qū)金熊貓人才獎獲得者,電子科技大學(xué)教師。主要研究領(lǐng)域為人工智能、圖像識別、無線通信等。主持國家自然科學(xué)基金2項、科技部重點研發(fā)計劃課題2項，愛爾蘭企業(yè)署基金、中央高�；A(chǔ)研究基金、留學(xué)回國人員基金、智慧城市創(chuàng)新基金等項目30余項，發(fā)表高水平期刊論文40余篇，擔(dān)任IEEE transaction on Neural Networks and Learning Systems、Wireless personal communications等國際期刊審稿人，擔(dān)任IEEE ICSIP2017等國際會議主席。獲得四川省科技進步獎1項，教學(xué)成果獎2項，出版專著1部，教材2本，主持了省部級等教改項目20余項，發(fā)表EI收錄教改論文10余篇。
01
人工智能基礎(chǔ)
1.1 人工智能概述 2
1.1.1 人工智能的層次結(jié)構(gòu) 2
1.1.2 人工智能的典型事件 7
1.2 人工智能數(shù)學(xué)基礎(chǔ) 9
1.2.1 矩陣及其運算 10
1.2.2 向量與向量空間 14
1.2.3 特征值與特征向量 16
1.2.4 奇異值分解 19
1.2.5 二次型 19
1.2.6 范數(shù) 20
1.2.7 導(dǎo)數(shù)與偏導(dǎo)數(shù) 21
1.2.8 方向?qū)?shù)與梯度 24
1.2.9 泰勒公式 26
1.2.10 函數(shù)的極值點 28
1.2.11 隨機變量與概率
分布 29
1.2.12 隨機變量的數(shù)字
特征 32
1.3 本章小結(jié) 34
1.4 習(xí)題 34
02
機器學(xué)習(xí)基礎(chǔ)
2.1 機器學(xué)習(xí)概述 36
2.1.1 機器學(xué)習(xí)的定義 36
2.1.2 機器學(xué)習(xí)的分類 37
2.1.3 常用損失函數(shù) 39
2.2 分類與回歸 41
2.3 模型的評估 45
2.3.1 數(shù)據(jù)集的劃分方法 45
2.3.2 模型的評價指標(biāo) 47
2.4 模型的選擇 50
2.4.1 欠擬合與過擬合 50
2.4.2 偏差與方差 51
2.4.3 正則化 52
2.5 本章小結(jié) 52
2.6 習(xí)題 53
03
深度學(xué)習(xí)主要框架
3.1 TensorFlow原理與應(yīng)用 55
3.1.1 安裝與編譯 55
3.1.2 TensorFlow框架結(jié)構(gòu)
分析 56
3.1.3 TensorFlow原理與方法 58
3.1.4 案例應(yīng)用 64
3.2 其他框架 72
3.2.1 Keras 72
3.2.2 Caffe 74
3.2.3 PyTorch 75
3.2.4 其他框架 76
3.3 本章小結(jié) 76
3.4 習(xí)題 77
04
深度神經(jīng)網(wǎng)絡(luò)
4.1 深度神經(jīng)網(wǎng)絡(luò)概述 79
4.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 80
4.2.1 架構(gòu)設(shè)計 80
4.2.2 隱藏層 81
4.2.3 XOR的案例展示 82
4.3 前向傳播算法 82
4.4 反向傳播算法 84
4.4.1 梯度下降算法與學(xué)習(xí)率 85
4.4.2 反向傳播算法的優(yōu)點 86
4.4.3 反向傳播相關(guān)計算公式 88
4.4.4 使用鏈式法則推導(dǎo) 90
4.5 常用的優(yōu)化算法 91
4.5.1 隨機梯度下降算法和小批量
梯度下降算法 92
4.5.2 動量法 92
4.5.3 Adagrad算法 93
4.6 常用的正則化方法 94
4.6.1 范數(shù)懲罰法 94
4.6.2 稀疏表示法 95
4.6.3 其他方法 95
4.7 案例應(yīng)用 96
4.8 本章小結(jié) 102
4.9 習(xí)題 102
05
卷積神經(jīng)網(wǎng)絡(luò)
5.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程 104
5.2 卷積層 104
5.2.1 為什么使用卷積 104
5.2.2 卷積運算 105
5.2.3 卷積核 106
5.2.4 填充和步長 108
5.2.5 激活函數(shù) 109
5.3 池化層 109
5.3.1 池化原理 110
5.3.2 池化方法 110
5.4 全連接層 110
5.5 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 111
5.5.1 AlexNet 112
5.5.2 VGGNet 113
5.5.3 ResNet 116
5.5.4 YOLO 118
5.5.5 其他卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 120
5.6 案例應(yīng)用 120
5.6.1 案例內(nèi)容 120
5.6.2 快速上手 121
5.6.3 如何訓(xùn)練 121
5.7 本章小結(jié) 124
5.8 習(xí)題 124
06
循環(huán)神經(jīng)網(wǎng)絡(luò)
6.1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述 126
6.2 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 128
6.3 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 129
6.4 基于編碼-解碼的序列到序列
結(jié)構(gòu) 130
6.4.1 序列到序列結(jié)構(gòu) 130
6.4.2 編碼-解碼結(jié)構(gòu) 131
6.4.3 目標(biāo)函數(shù) 132
6.4.4 注意力機制 133
6.5 訓(xùn)練方法 134
6.6 長短期記憶網(wǎng)絡(luò) 137
6.6.1 核心思想 137
6.6.2 網(wǎng)絡(luò)結(jié)構(gòu) 137
6.6.3 LSTM網(wǎng)絡(luò)的訓(xùn)練原理 140
6.6.4 相關(guān)變體 140
6.7 案例應(yīng)用 140
6.8 本章小結(jié) 149
6.9 習(xí)題 149
07
自編碼器與生成對抗網(wǎng)絡(luò)
7.1 自編碼器 151
7.1.1 自編碼器概述 151
7.1.2 欠完備自編碼器 151
7.1.3 正則自編碼器 152
7.1.4 卷積自編碼器 155
7.1.5 使用Keras實現(xiàn)簡單的
自編碼器 157
7.2 生成對抗網(wǎng)絡(luò) 160
7.2.1 GAN概述 160
7.2.2 一般的GAN 160
7.2.3 CGAN 163
7.2.4 DCGAN 165
7.3 本章小結(jié) 168
7.4 習(xí)題 168
參考文獻 169
書單推薦
