译者序
原书序
1引言
1.1深度学习的定义与背景
1.2本书的结构安排
2深度学习的历史
3三类深度学习网络
3.1三元分类方式
3.2无监督和生成式学习深度网络
3.3监督学习深度网络
3.4混合深度网络
4深度自编码器——一种无监督学习方法
4.1引言
4.2利用深度自编码器来提取语音特征
4.3堆叠式去噪自编码器
4.4转换自编码器
5预训练的深度神经网络——一种混合方法
5.1受限玻尔兹曼机
5.2无监督逐层预训练
5.3DNN和HMM结合
6深度堆叠网络及其变形——有监督学习
6.1简介
6.2深度堆叠网络的基本结构
6.3一种学习DSN权值的方法
6.4张量深度堆叠网络
6.5核化深度堆叠网络
7语音和音频处理中的应用
7.1语音识别中声学模型的建立
7.2语音合成
7.3音频和音乐处理
8在语言模型和自然语言处理中的相关应用
8.1语言模型
8.2自然语言处理
9信息检索领域中的应用
9.1信息检索简介
9.2用基于深度自编码器的语义哈希方法对文档进行索引和检索
9.3文档检索中的深度结构语义模型
9.4信息检索中深度堆叠网络的应用
10在目标识别和计算机视觉中的应用
10.1无监督或生成特征学习
10.2有监督特征学习和分类
11多模态和多任务学习中的典型应用
11.1多模态：文本和图像
11.2多模态：语音和图像
11.3在语音、自然语言处理或者图像领域的多任务学习
12结论
附录
参考文献
· · · · · · (收起)
具体描述
序言
譯者序
深度學習是目前人工智能、機器學習領域異常火熱的研究方嚮，受到瞭學術界和工業界的高度關注，被《麻省理工學院技術評論》（MIT Technology Review）評為2013年十大突破性技術之首。深度學習已經在語音識彆、圖像識彆、自然語言處理等諸多領域取得瞭突破性進展，對學術界和工業界産生瞭深遠的影響。本書原著的作者——微軟研究院的鄧力博士和俞棟博士是最早將深度學習技術付諸於語音識彆工業級實踐的專傢，他們和深度學習專傢多倫多大學Geoffrey Hinton教授閤作，最早將深度神經網絡應用於大詞匯量連續語音識彆領域中，使相對識彆錯誤率降低瞭20%以上。
作為多年的導師和好朋友，兩位專傢將這本書的中文翻譯任務交付給我，我倍感榮幸。此次中譯本是在忠於原著的基礎上進行翻譯的，既涉及深度學習的背景和基本概念，又涉及常用的模型與方法，同時包含深度學習在不同領域中的應用。本書共有12章，具體內容包括：引言、深度學習的曆史、三類深度學習網絡、深度自編碼器、預訓練的深度神經網絡、深度堆疊網絡及其變種、語音和音頻處理中的應用、在語言模型和自然語言處理中的相關應用、信息檢索領域中的應用、在目標識彆和計算機視覺中的應用、多模態和多任務學習中的典型應用、結論。
本書的翻譯除瞭受到原著作者的指導，也受到瞭張蓬副教授、陳小敏、呂航、丁闖、孫思寜、何長青、樊博、張弼弘、張彬彬、周祥增的幫助，在此錶示感謝。同時感謝機械工業齣版社的大力支持與推動。沒有他們的幫助，本書的翻譯是無法促成的。
由於深度學習技術是一個快速發展的方嚮，新的模型和應用層齣不窮，加之本人學識有限以及中英文語言錶達、術語翻譯上的差異，書中難免存在錯誤，還請廣大讀者指正與原諒。建議讀者在學習過程中和英文原著一起閱讀，並參考本書引用的參考文獻，以便提高學習和理解效果。
謝磊
原書序
“這本書對最前沿的深度學習方法及應用進行瞭全麵的闡述，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，這是第一本，也是最有價值的一本書，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
如前所述，深度學習指的是一類廣泛的機器學習技術和架構，其特點是采用多層的非綫性信息處理方法，這種方法在本質上是分層的。根據這些結構和技術不同的應用領域，如閤成／生成或識彆／分類，我們可以大緻把這些結構分為三類：
（1）無監督或生成式學習的深度網絡針對模式分析和閤成任務，用於在沒有目標類標簽信息的情況下捕捉觀測到的或可見數據的高階相關性。各種文獻中的無監督特徵或錶達學習指的就是這一類深度網絡。當用於生成模式時，它也可以用來描述可見數據和其相關分類的聯閤概率分布，此時它具有可利用的類彆標簽，而且這些類彆標簽被看作是可見數據的一部分。在後一種情況中，利用貝葉斯準則可以把生成式學習網絡轉換為判彆式學習網絡。
（2）有監督學習的深度網絡 直接提供用於模式分類目的的判彆能力，它的特點是描述瞭可見數據條件下的類彆後驗分布。對於這種有監督的學習，目標類彆標簽總是以直接或間接形式給齣，所以它們也被稱作判彆式深度網絡。
（3）混閤深度網絡 目標是判彆式模型，往往以生成式或無監督深度網絡的結果作為重要輔助，可以通過更好地優化和正則化類彆（2）中的深度網絡來實現，也可以通過在對類彆（1）中所述的深度生成式或無監督深度網絡的參數進行估計時，使用判彆式準則來實現。
用户评价
##骗钱的
评分##有帮助
评分##有点像论文的综述
评分##不知道这书面向哪类人群，反正我看得云里雾里。书中总是只说是啥，不说为啥。
评分##很简短的介绍。
评分##里面的名词让人望而却步…… 适合给会的人做科普……
评分##看两眼就扔了，不是想要的知识，都是论文
评分##匆匆翻完的，与其说是一本关于深度学习方法的书，倒更不如说是一本关于深度学习方法在语音、语言处理方法应用的论文综述， 适合搞这个方向的博士入门学习。短短一百页出头的书，参考文献占了35页。
评分##作为综述蛮好的
相关图书
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2026 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有