新書推薦：
《
明代社会变迁时期生活质量研究
》
售價：HK$
316.2
《
律令国家与隋唐文明
》
售價：HK$
76.7
《
现代吴语的研究（中华现代学术名著3）
》
售價：HK$
65.0
《
天下的当代性：世界秩序的实践与想象（新版）
》
售價：HK$
77.3
《
德国天才4：断裂与承续
》
售價：HK$
109.8
《
妈妈的情绪，决定孩子的未来
》
售價：HK$
42.6
《
推拿纲目
》
售價：HK$
403.2
《
精致考古--山东大学实验室考古项目论文集（一）
》
售價：HK$
244.2
|
| 編輯推薦： |
随着AlphaGo与李世石大战的落幕，人工智能成为话题焦点。AlphaGo背后的工作原理深度学习也跳入大众的视野。什么是深度学习，什么是神经网络，为何一段程序在精密的围棋大赛中可以大获全胜？人工智终将会取代人类智慧吗？
本书结合日常生活中的寻常小事，生动形象地阐述了神经网络与深度学习的基本概念、原理和实践，案例丰富，深入浅出。对于正在进入人工智能时代的我们，这些内容无疑可以帮助我们更好地理解人工智能的原理，丰富我们对人类自身的认识，并启发我们对人机智能之争更深一层的思考与探索。
|
| 內容簡介： |
|
随着大数据和人工智能的发展，深度学习成为时下关注的技术热点。本选题旨在以浅显易懂的方式介绍深度学习的基本理念和技术架构，帮助从事相关工作的人们对深度学习有一个基本全面的认识。包括对神经网络基本原理的介绍、如何构建一个最基础的神经网络模型、深度学习是什么、怎么用？如何用深度学习来解决问题。
|
| 關於作者： |
|
吴岸城，致力于深度学习在文本、图像领域的应用。曾在中兴通讯、亚信联创担任研发经理、技术经理等职务，现任菱歌科技首席算法科学家一职。
|
| 目錄：
|
第0章 写在前面：神经网络的历史1
第1章 神经网络是个什么东西13
1.1 买橙子和机器学习13
1.1.1 规则列表14
1.1.2 机器学习15
1.2 怎么定义神经网络16
1.3 先来看看大脑如何学习16
1.3.1 信息输入17
1.3.2 模式加工17
1.3.3 动作输出18
1.4 生物意义上的神经元19
1.4.1 神经元是如何工作的19
1.4.2 组成神经网络22
1.5 大脑如何解决现实生活中的分类问题24
第2章 构造神经网络26
2.1 构造一个神经元26
2.2 感知机30
2.3 感知机的学习32
2.4 用代码实现一个感知机34
2.4.1 Neuroph：一个基于Java的神经网络框架34
2.4.2 代码实现感知机37
2.4.3 感知机学习一个简单逻辑运算39
2.4.4 XOR问题42
2.5 构造一个神经网络44
2.5.1 线性不可分45
2.5.2 解决XOR问题（解决线性不可分）49
2.5.3 XOR问题的代码实现51
2.6 解决一些实际问题54
2.6.1 识别动物54
2.6.2 我是预测大师59
第3章 深度学习是个什么东西66
3.1 机器学习67
3.2 特征75
3.2.1 特征粒度75
3.2.2 提取浅层特征76
3.2.3 结构性特征78
3.3 浅层学习和深度学习81
3.4 深度学习和神经网络83
3.5 如何训练神经网络84
3.5.1 BP算法：神经网络训练84
3.5.2 BP算法的问题85
3.6 总结深度学习及训练过程86
第4章 深度学习的常用方法89
4.1 模拟大脑的学习和重构90
4.1.1 灰度图像91
4.1.2 流行感冒92
4.1.3 看看如何编解码93
4.1.4 如何训练95
4.1.5 有监督微调97
4.2 快速感知：稀疏编码（Sparse Coding）98
4.3 栈式自编码器100
4.4 解决概率分布问题：限制波尔兹曼机102
4.4.1 生成模型和概率模型102
4.4.2 能量模型107
4.4.3 RBM的基本概念109
4.4.4 再看流行感冒的例子111
4.5 DBN112
4.6 卷积神经网络114
4.6.1 卷积神经网络的结构116
4.6.2 关于参数减少与权值共享120
4.6.3 举个典型的例子：图片内容识别124
4.7 不会忘记你：循环神经网络131
4.7.1 什么是RNN131
4.7.2 LSTM网络136
4.7.3 LSTM变体141
4.7.4 结论143
4.8 你是我的眼：利用稀疏编码器找图像的基本单位143
4.9 你是我的眼（续）150
4.10 使用深度信念网搞定花分类160
第5章 深度学习的胜利：AlphaGo169
5.1 AI如何玩棋类游戏169
5.2 围棋的复杂性171
5.3 AlphaGo的主要原理173
5.3.1 策略网络174
5.3.2 MCTS拯救了围棋算法176
5.3.3 强化学习：“周伯通，左右互搏”179
5.3.4 估值网络181
5.3.5 将所有组合到一起：树搜索182
5.3.6 AlphaGo有多好185
5.3.7 总结187
5.4 重要的技术进步189
5.5 一些可以改进的地方190
5.6 未来192
第6章 两个重要的概念194
6.1 迁移学习194
6.2 概率图模型197
6.2.1 贝叶斯的网络结构201
6.2.2 概率图分类204
6.2.3 如何应用PGM208
第7章 杂项210
7.1 如何为不同类型的问题选择模型210
7.2 我们如何学习“深度学习”211
7.3 如何理解机器学习和深度学习的差异212
7.4 大规模学习（Large Scale Learning）和并行计算214
7.5 如果喜欢应用领域，可以考虑以下几种应用215
7.6 类脑：人工智能的终极目标216
参考文献218
术语220
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
