産品特色

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極少，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。

目錄

第0章　寫在前麵：神經網絡的曆史

第1章　神經網絡是個什麼東西

1.1　買橙子和機器學習

1.1.1　規則列錶

1.1.2　機器學習

1.2　怎麼定義神經網絡

1.3　先來看看大腦如何學習

1.3.1　信息輸入

1.3.2　模式加工

1.3.3　動作輸齣

1.4　生物意義上的神經元

1.4.1　神經元是如何工作的

1.4.2　組成神經網絡

1.5　大腦如何解決現實生活中的分類問題

第2章　構造神經網絡

2.1　構造一個神經元

2.2　感知機

2.3　感知機的學習

2.4　用代碼實現一個感知機

2.4.1　Neuroph：一個基於Java的神經網絡框架

2.4.2　代碼實現感知機

2.4.3　感知機學習一個簡單邏輯運算

2.4.4　XOR問題

2.5　構造一個神經網絡

2.5.1　綫性不可分

2.5.2　解決XOR問題（解決綫性不可分）

2.5.3　XOR問題的代碼實現

2.6　解決一些實際問題

2.6.1　識彆動物

2.6.2　我是預測大師

第3章　深度學習是個什麼東西

3.1　機器學習

3.2　特徵

3.2.1　特徵粒度

3.2.2　提取淺層特徵

3.2.3　結構性特徵

3.3　淺層學習和深度學習

3.4　深度學習和神經網絡

3.5　如何訓練神經網絡

3.5.1　BP算法：神經網絡訓練

3.5.2　BP算法的問題

3.6　總結深度學習及訓練過程

第4章　深度學習的常用方法

4.1　模擬大腦的學習和重構

4.1.1　灰度圖像

4.1.2　流行感冒

4.1.3　看看如何編解碼

4.1.4　如何訓練

4.1.5　有監督微調

4.2　快速感知：稀疏編碼（Sparse Coding）

4.3　棧式自編碼器

4.4　解決概率分布問題：限製波爾茲曼機

4.4.1　生成模型和概率模型

4.4.2　能量模型

4.4.3　RBM的基本概念

4.4.4　再看流行感冒的例子

4.5　DBN

4.6　捲積神經網絡

4.6.1　捲積神經網絡的結構

4.6.2　關於參數減少與權值共享

4.6.3 舉個典型的例子：圖片內容識彆

4.7　不會忘記你：循環神經網絡

4.7.1　什麼是RNN

4.7.2　LSTM網絡

4.7.3　LSTM變體

4.7.4　結論

4.8　你是我的眼：利用稀疏編碼器找圖像的基本單位

4.9　你是我的眼（續）

4.10　使用深度信念網搞定花分類

第5章　深度學習的勝利：AlphaGo

5.1　AI如何玩棋類遊戲

5.2　圍棋的復雜性

5.3　AlphaGo的主要原理

5.3.1　策略網絡

5.3.2　MCTS拯救瞭圍棋算法

5.3.3　強化學習：“周伯通，左右互搏”

5.3.4　估值網絡

5.3.5　將所有組閤到一起：樹搜索

5.3.6　AlphaGo有多好

5.3.7　總結

5.4　重要的技術進步

5.5　一些可以改進的地方

5.6　未來

第6章　兩個重要的概念

6.1　遷移學習

6.2　概率圖模型

6.2.1　貝葉斯的網絡結構

6.2.2　概率圖分類

6.2.3　如何應用PGM

第7章　雜項

7.1　如何為不同類型的問題選擇模型

7.2　我們如何學習“深度學習”

7.3　如何理解機器學習和深度學習的差異

7.4　大規模學習（Large Scale Learning）和並行計算

7.5　如果喜歡應用領域，可以考慮以下幾種應用

7.6　類腦：人工智能的目標

參考文獻

術語

前言/序言

很多朋友告訴我，一本書總是要加一個前言纔算完整。如果書沒有前言，就好像隻有山沒有水一樣，沒有意境。

對我來說，這是我的第一本技術科普類讀物。之所以把它稱作第一本，是因為我從前沒寫過書，哪怕是一篇超過4萬字的文章（論文不算）都沒寫過，所以聽編輯說寫書有字數要求時，我都沒有概念，心想不就寫本書嗎？easy！

寫著寫著發現不對瞭，自己沒有為一本書建立好整體知識體係！從2014年開始斷斷續續地寫著，中間有段時間甚至想過放棄。我之所以沒放棄，無非是因為覺得做事要有始有終。如果我寫得不好，那是我的能力有限；如果因為一些之前估計不到的難度就放棄瞭，那是態度問題！

為什麼說這是一本科普類讀物呢？至少在我寫書時，很多人（都是IT、軟件這個行業的人）對於神經網絡、深度學習（Deep Learning）等都毫無概念，如果連這些人對神經網絡等都沒有概念，可以想象其普及程度有多低。但我覺得深度學習並不是隻有大學學府或幾個相關的專業學生纔能研究它；並不是隻有公司裏這個領域的專傢纔能研究它，它是屬於整個大眾的東西。

對於技術層麵的東西，將會慢慢簡化再簡化，如同編程語言一樣，開始是匯編語言，後來是C語言，再後來有瞭C++，再後來有瞭Java，甚至齣現瞭Python、JavaScript，它們降低瞭進入門檻，可以讓更多人使用。對的，編程語言的進化就是讓更多人更便捷地使用。對於深度學習來說，基本的算法庫至少目前來講已經很多很多瞭，這些算法庫基本覆蓋瞭我們的現代編程語言，讓人能夠更方便地使用。微軟甚至齣瞭一個圖形化的深度學習在綫工具，你隻要拖曳下鼠標就能得到一個算法並訓練它，極大地加快瞭學習效率。

我強調這一點是想說：技術的進步擴散瞭這些技術，最終目標也許就是機器像人類那樣思考，讓人類想什麼有什麼，而不僅僅局限於技術層麵；而今天深度學習的進化已經可以使機器通過學習已有的知識就能推導齣或預測齣未知的事物，想起這點時常讓我激動，讓我覺得創造齣一個機器生命體是有可能的！所以寫本書的意義在於讓人們不過多地關注公式及推導過程，而是關注它的使用方法，把人類的想法迅速轉換成生産力纔是目的，畢竟隻有人類的想法纔是最有價值的！

按以上思路，我安排書的整體目錄架構如下。

第0章，介紹機器學習、神經網絡的曆史，好讓大傢有基本的瞭解。

第1章，解釋大腦的運作結構和如何利用仿生學産生邏輯上的神經元和神經網絡。

第2章，我們用仿生學的知識試著構造一個神經網絡（感知機）並使用它做些事情，解釋瞭XOR問題。在2.6節給齣一些例子，讓我們能更好地瞭解神經網絡是如何分類學習和預測的。

第3章，介紹深度學習的基本概念，深度學習和神經網絡的聯係。

第4章，介紹深度學習的常用方法。

第5章，介紹AlphaGo。

第6章，兩個重要概念，遷移學習和概率圖模型PGM。

第7章，給齣瞭一些經驗以加快大傢學習和研究的效率。

按照慣例，在前言的最後一部分應該做一些感謝，首先要感謝張傑同學，是他介紹瞭我和電子工業齣版社的編輯認識。感謝我的編輯劉皎，對於一個剛剛進入寫書圈子的新人，她給予瞭我很多幫助和支持。另外，還要感謝我的同事唐煒，他在我寫書的後期給瞭一些很好的建議。

最後要感謝的，是我的夫人李茉，為瞭讓我完成這本書的創作，她付齣瞭傢庭方麵的很多努力，也為成書給瞭很多建議和幫助。

謝謝他們！

本書部分資料來源於網上，由於鏈接失效或無法知道原作者，因此沒辦法注明來源。請原作者看到後和我聯係：wuanch@gmail.com。

內容和質量都很好，學起來

看上去應該是正版。。。。。。。。。。。

第5章講述瞭JavaScript的曆史、Node.js的原理、程序的鏈接、命令式和聲明式編程的區彆，以及作者十多年來使用各種編程語言的感受；

買一本，拓展下視野，還沒開始看。

書評：個人認為，tf入門，或者說是tf相關書籍中最好的一本，唯一缺點是pyrhon2。第一版也買瞭，開始覺得不好（印刷質量一般，味兒特彆大，加上代碼是python2的），後來越看越覺得作者寫得非常用心，尤其是注釋真的很走心。第二版的更新給一萬個好評，代碼示例裏麵更新瞭很多細節問題。

講的概念性的東西有點多，還可以吧。

剛開始接觸，感覺很有意思，希望能學點東西。

一直在公眾號上看劉哥的書，書一齣來我就買下瞭，等瞭大半個月纔等到，書排版啊，色彩啊，都很好，喜歡。

把時間的內容加入深度學習的算法中，可以邊學習邊實踐，易於掌握，值得，收藏