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 DBN 112
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RNN 131
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：AlphaGo 169
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PGM 208
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
· · · · · · (收起)
具体描述
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。
《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最少，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。
用户评价
##深度学习是模仿人脑工作原来先通过几层无监督神经网络学习进行分类，最后一层用监督学习算法得到结果。书里第四章深度学习方法大概只看懂了20%。
评分##作为科普还行，不是学术专著
评分##作为一个小白，能看懂，很不错！
评分##比较浅显的书
评分##比较浅显的书
评分##不错的深度学习入门介绍书籍
评分在深度学习热潮下，这样的书会很多：乍一看应有尽有，读过就发现无非是在模式化的结构里东拼西凑。本书第四章关于LSTM，直接从这里翻译来的：http://colah.github.io/posts/2015-08-Understanding-LSTMs/，而CNN部分，又像这篇：http://blog.csdn.net/stdcoutzyx/article/details/41596663和这篇：http://blog.csdn.net/han_xiaoyang/article/details/50542880，当然，以上几篇文的博主都有和本书作者不一样的相貌与名字，而本书丝毫没有引用脚注。要了解对应问题，也许直接去看那几篇博文更好。另推荐：http://www.wildml.com/
评分##深度学习是模仿人脑工作原来先通过几层无监督神经网络学习进行分类，最后一层用监督学习算法得到结果。书里第四章深度学习方法大概只看懂了20%。
评分##作为一个小白，能看懂，很不错！
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