描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 是国际标准书号ISBN: 29733700
前言
常用符号表
第1章 绪论3
1.1人工智能………………………….4
1.2机器学习………………………….7
1.3表示学习………………………….8
1.4深度学习………………………….11
1.5神经网络………………………….13
1.6本书的知识体系………………………17
1.7常用的深度学习框架…………………….18
1.8总结和深入阅读………………………20
第2章 机器学习概述23
2.1基本概念………………………….24
2.2机器学习的三个基本要素………………….26
2.3机器学习的简单示例——线性回归……………..33
2.4偏差-方差分解……………………….38
2.5机器学习算法的类型…………………….41
2.6数据的特征表示………………………43
2.7评价指标………………………….46
2.8理论和定理…………………………49
2.9总结和深入阅读………………………51
第3章 线性模型
3.1线性判别函数和决策边界………………….56
3.2Logistic回归………………………..59
3.3Softmax回归………………………..61
3.4感知器……………………………64
3.5支持向量机…………………………71
3.6损失函数对比………………………..75
3.7总结和深入阅读………………………76
第二部分 基础模型
第4章 前馈神经网络81
4.1神经元……………………………82
4.1.1Sigmoid型函数…………………..83
4.1.2ReLU函数……………………..86
4.1.3Swish函数……………………..88
4.1.4GELU函数……………………..89
4.1.5Maxout单元…………………….89
4.2网络结构………………………….90
4.3前馈神经网络………………………..91
4.4反向传播算法………………………..95
4.5自动梯度计算………………………..98
4.6优化问题………………………….103
4.7总结和深入阅读………………………104
第5章 卷积神经网络109
5.1卷积…………………………….110
5.2卷积神经网络………………………..115
5.3参数学习………………………….120
5.4几种典型的卷积神经网络………………….121
5.5其他卷积方式………………………..127
5.6总结和深入阅读………………………130
第6章 循环神经网络133
6.1给网络增加记忆能力…………………….134
6.2简单循环网络………………………..135
6.3应用到机器学习………………………138
6.4参数学习………………………….140
6.5长程依赖问题………………………..143
6.5.1改进方案………………………144
6.6基于门控的循环神经网络………………….145
6.7深层循环神经网络……………………..149
6.8扩展到图结构………………………..151
6.9总结和深入阅读………………………153
第7章 网络优化与正则化157
7.1网络优化………………………….157
7.2优化算法………………………….160
7.3参数初始化…………………………171
7.4数据预处理…………………………176
7.5逐层归一化…………………………178
7.6超参数优化…………………………183
7.7网络正则化…………………………186
7.8总结和深入阅读………………………192
第8章 注意力机制与外部记忆197
8.1认知神经学中的注意力…………………..198
8.2注意力机制…………………………199
8.3自注意力模型………………………..203
8.4人脑中的记忆………………………..205
8.5记忆增强神经网络……………………..207
评论
还没有评论。