深度學習+人工智能 +神經網絡與深度學習 pdf epub mobi txt 电子书下载 2025

☆☆☆☆☆

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到求知書站

tushu.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

店铺：义博图书专营店

出版社：机械工业

ISBN：bm009917

商品编码：10443663566

具体描述

bm009917 9787111529064 9787302331094 9787121288692

深度學習：方法及應用

定價￥39.80

版次：1
頁數：
字數：
印刷時間：2016-4-1
開本：16開
紙張：膠版紙
印次：1
包裝：平裝
叢書名：
國際標準書號ISBN：9787111529064
所屬分類：>>

編輯推薦深度學習是人工智能領域*近20年裏*受矚目的研究方嚮，近年來顯著推動瞭語音、圖像、自然語言理解、機器翻譯，甚至是控製等眾多技術方嚮的發展。本書原著作者微軟研究院的鄧力博士和俞棟博士是語音識彆和深度學習方麵的先驅之一，對於深度學習的進展有豐富的實踐經驗和深刻理解。這個學科處於快速進展之際，本書對當前的進展進行全景式係統性的梳理無疑是很有意義的，因為畢竟對於每一位讀者，從這幾年浩如煙海的論文中準確把握可以沉澱下來的進展是不容易的。謝磊教授受鄧力博士之約在百忙之中對這本書進行翻譯，對於深度學習在中國的發展具有重大意義。鄧力博士和謝磊教授都是我所熟知的學者和好友。我相信，本書作為他們這次閤作的成果，對於有誌於瞭解和學習深度學習的中國讀者會有極大的幫助。

餘凱
—— 地平綫機器人技術創始人/CEO，前百度研究院常務副院長、深度學習實驗室主任內容推薦 “這本書對前沿的深度學習方法及應用進行瞭全麵的概述，不僅包括自動語音識彆(ASR)，還包括計算機視覺、語言建模、文本處理、多模態學習以及信息檢索。在深度學習這一領域，這是第本，也是有價值的一本書，能使讀者對這一領域進行廣泛而深入的學習。深度學習對信息處理的很多方麵（尤其對語音識彆）都具有重大的影響，甚至對整個科技領域的影響也不容忽視。因此，對於有意瞭解這一領域的學者，這本書是絕對不容錯過的。”
—— Sadaoki Furui，芝加哥豐田技術研究院院長，日本東京工業大學教授

1. 引言
1.1 深度學習的定義與背景
1.2 本書的結構安排
2. 深度學習的曆史
3. 三類深度學習網絡
3.1 三元分類方式
3.2 無監督和生成式學習深度網絡
3.3 監督學習深度網絡
3.4 混閤深度網絡
4. 深度自編碼器——一種無監督學習方法
4.1 引言
4.2 利用深度自編碼器來提取語音特徵
4.3 堆疊式去噪自編碼器
4.4 轉換自編碼器
5. 預訓練的深度神經網絡——一種混閤方法
5.1 受限玻爾茲曼機
5.2 無監督逐層預訓練
5.3 DNN和HMM結閤
6. 深度堆疊網絡及其變種——有監督學習權值
6.1 簡介
6.2 深度堆疊網絡的基本結構
6.3 一種學習DSN權值的方法
6.4 張量深度堆疊網絡
6.5 核化深度堆疊網絡
7. 語音和音頻處理中的應用
7.1 語音識彆中聲學模型的建立
7.2 語音閤成
7.3 音頻和音樂處理
8. 在語言模型和自然語言處理中的相關應用
8.1 語言模型
8.2 自然語言處理
9. 信息檢索領域中的應用
9.1 信息檢索簡介
9.2 用基於深度自編碼器的語義哈希方法對文檔進行索引和檢索
9.3 文檔檢索中的深度結構語義模型
9.4 信息檢索中深度堆疊網絡的應用
10. 目標識彆和計算機視覺中的應用
10.1無監督或生成特徵學習
10.2有監督特徵學習和分類
11. 多模態和多任務學習中的典型應用
11.1 多模態：文本和圖像
11.2 多模態：語音和圖像
11.3 在語音、自然語言處理或者圖像領域的多任務學習
12. 結論
附錄
參考文獻

書名：	人工智能一種現代的方法(第3版)
圖書定價：	￥ 128.00元
圖書作者：	~ 麥剋?科斯特 (作者), 蘇義傑 (插圖作者), 等 (插圖作者), 狂飆@塞聯陣 (譯者)
齣版社：	清華大學齣版社
齣版日期：	2013年11月
ISBN號：	9787302331094
開本：	16開
裝幀：	平裝
頁數：	918頁
版次：	第1版

《世界著名計算機教材精選·人工智能:一種現代的方法(第3版)》是權威、經典的人工智能教材，已被全世界100多個國傢的1200多所大學用作教材。《世界著名計算機教材精選·人工智能:一種現代的方法(第3版)》的新版全麵而係統地介紹瞭人工智能的理論和實踐，闡述瞭人工智能領域的核心內容，並深入介紹瞭各個主要的研究方嚮。全書分為七大部分：第Ⅰ部分“人工智能”，第Ⅱ部分“問題求解”，第Ⅲ部分“知識、推理與規劃”，第Ⅳ部分“不確定知識與推理”，第Ⅴ部分“學習”，第Ⅵ部分“通信、感知與行動”，第Ⅶ部分“結論”。《世界著名計算機教材精選·人工智能:一種現代的方法(第3版)》既詳細介紹瞭人工智能的基本概念、思想和算法，還描述瞭其各個研究方嚮前沿的進展，同時收集整理瞭詳實的曆史文獻與事件。《世界著名計算機教材精選·人工智能:一種現代的方法(第3版)》適閤於不同層次和領域的研究人員及學生，是高等院校本科生和研究生人工智能課的選教材，也是相關領域的科研與工程技術人員的重要參考書。

第Ⅰ部分人工智能
第1章緒論
1.1什麼是人工智能
1.2人工智能的基礎
1.3人工智能的曆史
1.4新發展水平
1.5本章小結
參考文獻與曆史注釋
習題
第2章智能Agent
2.1Agent和環境
2.2好的行為：理性的概念
2.3環境的性質
2.4Agent的結構
2.5本章小結
參考文獻與曆史注釋
習題
第Ⅱ部分問題求解
第3章通過搜索進行問題求解
3.1問題求解Agent
3.2問題實例
3.3通過搜索求解
3.4無信息搜索策略
3.5有信息（啓發式）的搜索策略
3.6啓發式函數
3.7本章小結
參考文獻與曆史注釋
習題
第4章越經典搜索
4.1局部搜索算法和優化問題
4.2連續空間中的局部搜索
4.3使用不確定動作的搜索
4.4使用部分可觀察信息的搜索
4.5聯機搜索Agent和未知環境
4.6本章小結
參考文獻與曆史注釋
習題
第5章對抗搜索
5.1博弈
5.2博弈中的優化決策
5.3α—β剪枝
5.4不完美的實時決策
5.5隨機博弈
5.6部分可觀察的博弈
5.7博弈程序發展現狀
5.8其他途徑
5.9本章小結
參考文獻與曆史注釋
習題
第6章約束滿足問題
6.1定義約束滿足問題
6.2約束傳播：CSP中的推理
6.3CSP的迴溯搜索
6.4CSP局部搜索
6.5問題的結構
6.6本章小結
參考文獻與曆史注釋
習題
第Ⅲ部分知識、推理與規劃
第7章邏輯Agent
7.1基於知識的Agent
7.2Wumpus世界
7.3邏輯
7.4命題邏輯：一種簡單邏輯
7.5命題邏輯定理證明
7.6有效的命題邏輯模型檢驗
7.7基於命題邏輯的Agent
7.8本章小結
參考文獻與曆史注釋
習題
第8章一階邏輯
8.1重溫錶示
8.2一階邏輯的語法和語義
8.3運用一階邏輯
8.4一階邏輯的知識工程
8.5本章小結
參考文獻與曆史注釋
習題
第9章一階邏輯的推理
9.1命題推理與一階推理
9.2閤一和提升
9.3前嚮鏈接
9.4反嚮鏈接
9.5歸結
9.6本章小結
參考文獻與曆史注釋
習題
第10章經典規劃
10.1經典規劃的定義
10.2狀態空間搜索規劃算法
10.3規劃圖
10.4其他經典規劃方法
10.5規劃方法分析
10.6本章小結
參考文獻與曆史注釋
習題
第11章現實世界的規劃與行動
11.1時間、調度和資源
11.2分層規劃
11.3非確定性領域中的規劃與行動
11.4多Agent規劃
11.5本章小結
參考文獻與曆史注釋
習題
第12章知識錶示
12.1本體論工程
12.2類彆和對象
12.3事件
12.4精神事件和精神對象
12.5類彆的推理係統
12.6缺省信息推理
12.7互聯網購物世界
12.8本章小結
參考文獻與曆史注釋
習題
……
第Ⅳ部分不確定知識與推理
第Ⅴ部分學習
第Ⅵ部分通訊、感知與行動
第Ⅶ部分結論

神經網絡與深度學習

從零起步瞭解神經網絡與深度學習，AlphaGo大勝李世石的背後玄機

59.00

基本信息

作者：
齣版社：
ISBN：9787121288692
上架時間：2016-6-16
齣版日期：2016 年6月
開本：16開
頁碼：232
版次：1-1
所屬分類：

編輯推薦

隨著AlphaGo與李世石大戰的落幕，人工智能成為話題焦點。AlphaGo背後的工作原理"深度學習"也跳入大眾的視野。什麼是深度學習，什麼是神經網絡，為何一段程序在精密的圍棋大賽中可以大獲全勝？人工智終將會取代人類智慧嗎？
本書結閤日常生活中的尋常小事，生動形象地闡述瞭神經網絡與深度學習的基本概念、原理和實踐，案例豐富，深入淺齣。對於正在進入人工智能時代的我們，這些內容無疑可以幫助我們更好地理解人工智能的原理，豐富我們對人類自身的認識，並啓發我們對人機智能之爭更深一層的思考與探索。

內容簡介

《神經網絡與深度學習》是一本介紹神經網絡和深度學習算法基本原理及相關實例的書籍，它不是教科書，作者已盡量把公式減少到少，以適應絕大部分人的閱讀基礎和知識儲備。《神經網絡與深度學習》涵蓋瞭神經網絡的研究曆史、基礎原理、深度學習中的自編碼器、深度信念網絡、捲積神經網絡等，這些算法都已在很多行業發揮瞭價值。
《神經網絡與深度學習》適閤有誌於從事深度學習行業的，或想瞭解深度學習到底是什麼的，或是有一定機器學習基礎的朋友閱讀。

第0章寫在前麵：神經網絡的曆史 1
第1章神經網絡是個什麼東西 13
1.1 買橙子和機器學習 13
1.1.1 規則列錶 14
1.1.2 機器學習 15
1.2 怎麼定義神經網絡 16
1.3 先來看看大腦如何學習 16
1.3.1 信息輸入 17
1.3.2 模式加工 17
1.3.3 動作輸齣 18
1.4 生物意義上的神經元 19
1.4.1 神經元是如何工作的 19
1.4.2 組成神經網絡 22
1.5 大腦如何解決現實生活中的分類問題 24
第2章構造神經網絡 26
2.1 構造一個神經元 26
2.2 感知機 30
2.3 感知機的學習 32
2.4 用代碼實現一個感知機 34
2.4.1 Neuroph：一個基於Java的神經網絡框架 34
2.4.2 代碼實現感知機 37
2.4.3 感知機學習一個簡單邏輯運算 39
2.4.4 XOR問題 42
2.5 構造一個神經網絡 44
2.5.1 綫性不可分 45
2.5.2 解決XOR問題（解決綫性不可分） 49
2.5.3 XOR問題的代碼實現 51
2.6 解決一些實際問題 54
2.6.1 識彆動物 54
2.6.2 我是預測大師 59
第3章深度學習是個什麼東西 66
3.1 機器學習 67
3.2 特徵 75
3.2.1 特徵粒度 75
3.2.2 提取淺層特徵 76
3.2.3 結構性特徵 78
3.3 淺層學習和深度學習 81
3.4 深度學習和神經網絡 83
3.5 如何訓練神經網絡 84
3.5.1 BP算法：神經網絡訓練 84
3.5.2 BP算法的問題 85
3.6 總結深度學習及訓練過程 86
第4章深度學習的常用方法 89
4.1 模擬大腦的學習和重構 90
4.1.1 灰度圖像 91
4.1.2 流行感冒 92
4.1.3 看看如何編解碼 93
4.1.4 如何訓練 95
4.1.5 有監督微調 97
4.2 快速感知：稀疏編碼（Sparse Coding） 98
4.3 棧式自編碼器 100
4.4 解決概率分布問題：限製波爾茲曼機 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 DBN 112
4.6 捲積神經網絡 114
4.6.1 捲積神經網絡的結構 116
4.6.2 關於參數減少與權值共享 120
4.6.3 舉個典型的例子：圖片內容識彆 124
4.7 不會忘記你：循環神經網絡 131
4.7.1 什麼是RNN 131
4.7.2 LSTM網絡 136
4.7.3 LSTM變體 141
4.7.4 結論 143
4.8 你是我的眼：利用稀疏編碼器找圖像的基本單位 143
4.9 你是我的眼（續） 150
4.10 使用深度信念網搞定花分類 160
第5章深度學習的勝利：AlphaGo 169
5.1 AI如何玩棋類遊戲 169
5.2 圍棋的復雜性 171
5.3 AlphaGo的主要原理 173
5.3.1 策略網絡 174
5.3.2 MCTS拯救瞭圍棋算法 176
5.3.3 強化學習："周伯通，左右互搏" 179
5.3.4 估值網絡 181
5.3.5 將所有組閤到一起：樹搜索 182
5.3.6 AlphaGo有多好 185
5.3.7 總結 187
5.4 重要的技術進步 189
5.5 一些可以改進的地方 190
5.6 未來 192
第6章兩個重要的概念 194
6.1 遷移學習 194
6.2 概率圖模型 197
6.2.1 貝葉斯的網絡結構 201
6.2.2 概率圖分類 204
6.2.3 如何應用PGM 208
第7章雜項 210
7.1 如何為不同類型的問題選擇模型 210
7.2 我們如何學習"深度學習" 211
7.3 如何理解機器學習和深度學習的差異 212
7.4 大規模學習（Large Scale Learning）和並行計算 214
7.5 如果喜歡應用領域，可以考慮以下幾種應用 215
7.6 類腦：人工智能的終極目標 216
參考文獻 218
術語 220