作品简介

《神经网络与深度学习应用实战》结合实际应用介绍神经网络和深度学习等技术领域相关信息。从结构上重点介绍了前馈型神经网络、反馈型神经网络,以及自组织竞争型神经网络,并针对当下深度学习中比较重要的网络进行了详细介绍,包括卷积神经网络、循环(递归)神经网络、深度信念网络、生成对抗网络,以及深度强化学习。《神经网络与深度学习应用实战》不仅能让读者对当前神经网络和深度学习技术有体系的认知,更能让读者在人工智能领域进行一些深入思考。

刘凡平,硕士,毕业于中国科学技术大学,专注于大数据分析、搜索引擎、机器学习和深度学习研究,曾任职于微软亚太研发集团,现任职于百度(中国)有限公司,曾出版《大数据搜索引擎原理分析及编程》《大数据时代的算法》,是执着于将互联网技术演绎为艺术的完美追求者。

作品目录

  • 前言
  • 致谢
  • 基础篇
  • 第1章 时代崛起
  • 1.1 概要
  • 1.2 历史发展
  • 1.3 应用领域
  • 1.4 未来猜想
  • 1.5 本章小结
  • 第2章 数学理论基础
  • 2.1 向量
  • 2.2 矩阵
  • 2.3 导数
  • 2.4 数值计算
  • 2.5 概率分布
  • 2.6 参数估计
  • 2.7 回归分析
  • 2.8 判定问题
  • 2.9 本章小结
  • 第3章 机器学习概要
  • 3.1 机器学习的类型
  • 3.2 机器学习中常见的函数
  • 3.3 机器学习中的重要参数
  • 3.4 拟合问题
  • 3.5 交叉检验
  • 3.6 线性可分与不可分
  • 3.7 机器学习的学习特征
  • 3.8 产生式模型与判别式模型
  • 3.9 机器学习效果的一般评价指标
  • 3.10 本章小结
  • 第4章 神经网络基础
  • 4.1 概述
  • 4.2 常见学习方法
  • 4.3 优化方法:梯度下降
  • 4.4 常见的神经网络类型
  • 4.5 深度学习中常见的网络类型
  • 4.6 其他神经网络与深度学习
  • 4.7 深度学习与多层神经网络的关系
  • 4.8 调参技巧
  • 4.9 本章小结
  • 进阶篇
  • 第5章 前馈型神经网络
  • 5.1 概述
  • 5.2 常见结构
  • 5.3 单层感知器网络
  • 5.4 BP神经网络
  • 5.5 径向基函数神经网络
  • 5.6 本章小结
  • 第6章 反馈型神经网络
  • 6.1 概述
  • 6.2 Hopfield神经网络
  • 6.3 Elman神经网络
  • 6.4 递归神经网络
  • 6.5 本章小结
  • 第7章 自组织竞争型神经网络
  • 7.1 概述
  • 7.2 常见的聚类方法
  • 7.3 自组织映射网络
  • 7.4 其他自组织竞争型神经网络
  • 7.5 本章小结
  • 高阶篇
  • 第8章 卷积神经网络
  • 8.1 概述
  • 8.2 卷积
  • 8.3 卷积核
  • 8.4 卷积神经网络中各层工作原理
  • 8.5 卷积神经网络的逆向过程
  • 8.6 常见卷积神经网络结构
  • 8.7 应用场景与效果评估
  • 8.8 MAXOUT NETWORKS
  • 8.9 本章小结
  • 第9章 循环神经网络
  • 9.1 概述
  • 9.2 一般循环神经网络
  • 9.3 训练算法:BPTT算法
  • 9.4 长短时记忆网络
  • 9.5 常见循环神经网络结构
  • 9.6 与自然语言处理结合
  • 9.7 实例:文本自动生成
  • 9.8 本章小结
  • 第10章 深度信念网络
  • 10.1 概要
  • 10.2 受限玻尔兹曼机
  • 10.3 训练过程
  • 10.4 本章小结
  • 第11章 生成对抗网络
  • 11.1 概述
  • 11.2 朴素生成对抗网络
  • 11.3 深度卷积生成对抗网络
  • 11.4 条件生成对抗网络
  • 11.5 瓦瑟斯坦生成对抗网络
  • 11.6 生成对抗网络的探索
  • 11.7 本章小结
  • 第12章 深度强化学习
  • 12.1 概述
  • 12.2 马尔科夫决策过程
  • 12.3 深度强化学习算法
  • 12.4 强化学习的探索
  • 12.5 本章小结
展开全部