加入VIP
深度学习导论及案例分析豆瓣在线阅读-深度学习导论及案例分析PDF电子书下载完整高清版

深度学习导论及案例分析豆瓣在线阅读-深度学习导论及案例分析PDF电子书下载完整高清版

编辑点评:

深度学习导论及案例分析是一部关于深度学习的导论性著作,也是了解深度学习的入门书籍。全书涵盖了深度学习的发展历史、特点优势,包括各种重要的模型、算法及应用,对读者把握深度学习的基本脉络和未来趋势,具有提纲挈领的指导意义。

深度学习导论及案例分析PDF电子书下载

编辑推荐

关于深度学习的导论性著作,也是了解深度学习的入门之书。

详述了深度学习的9大重要模型及其学习算法、变种模型和混杂模型,内容翔实,具有提纲挈领的指导意义。

基于Matlab、Python和C++相关的程序案例介绍深度学习模型,有助于读者全面了解深度学习模型和算法的实现途径

这是一部关于深度学习的导论性著作,也是了解深度学习的入门书籍。全书涵盖了深度学习的发展历史、特点优势,包括各种重要的模型、算法及应用,对读者把握深度学习的基本脉络和未来趋势,具有提纲挈领的指导意义。

深度学习是近年来在神经网络发展史上掀起的一波新浪潮,是机器学习的一大热点方向,是实现人工智能的一种强大技术,有关成果早已震撼了学术界和工业界。随着AlphaGo战胜人类的围棋冠军,深度学习又受到了空前绝*的爆炸性关注。

有兴趣的读者可以从本书开始,逐步揭开深度学习的神秘面纱,窥探其中的奥妙所在。

本书具有如下特色

内容布局注重深入浅出、引用文献丰富,方便读者学习和钻研。

试图纠正许多读者对深度学习的一些错误理解,比如认为多层感知器不是深度学习模型,认为自编码器能够直接用来进行手写字符识别,认为受限玻耳兹曼机也是严格意义上的深度学习模型,等等。

提供了许多深度学习的基本案例,涉及Matlab、Python和C++常用语言,以及Theano和Caffe等开源库,有助于读者通过不同语言的分析案例,全面了解深度学习模型和算法的实现途径。

内容简介

深度学习是近年来在神经网络发展史上掀起的一波新浪潮,是机器学习的一大热点方向,因在手写字符识别、维数约简、图像理解和语音处理等方面取得巨大进展,所以很快受到了学术界和工业界的高度关注。在本质上,深度学习就是对具有深层结构的网络进行有效学习的各种方法。

本书不仅介绍了深度学习的起源和发展、强调了深层网络的特点和优势,说明了判别模型和生成模型的相关概念,还详述了深度学习的9种重要模型及其学习算法、变种模型和混杂模型,包括受限玻耳兹曼机、自编码器、深层信念网络、深层玻耳兹曼机、和积网络、卷积神经网络、深层堆叠网络、循环神经网络和长短时记忆网络,以及它们在图像处理、语音处理和自然语言处理等领域的广泛应用。同时分析了一系列深度学习的基本案例。

本书每个案例包括模块简介、运行过程、代码分析和使用技巧4个部分,层次结构清晰,利于读者的选择和学习并在应用中拓展思路。涉及的编程语言有3种:Matlab、Python和C++。其中,很多深度学习程序是用Matlab编写的,可以直接运行;如果使用Python语言编写深度学习程序,则可以调用Theano开源库;若使用C++语言,则可以调用Caffe开源库。

作者简介

李玉鑑( 鉴 ) 北京工业大学教授,博士生导师。华中科技大学本科毕业,中国科学院数学研究所硕士毕业,中国科学院半导体研究所博士毕业,北京邮电大学博士后出站。曾在中国科学院生物物理所工作,对意识的本质问题关注过多年,并在《21世纪100个交叉科学难题》上发表《揭开意识的奥秘》一文,提出了解决意识问题的认知相对论纲领,对脑计划和类脑研究具有宏观指导意义。长期围绕人工智能的核心目标,在神经网络、自然语言处理、模式识别和机器学习等领域开展教学、科研工作,发表国内外期刊、会议论文数十篇,是本书的*一作者。

马尔可夫链蒙特卡罗方法

在统计学中,马尔可夫链蒙特卡罗方法是一类根据概率分布进行采样的方法,起源于物理

学科113]。这类方法以构造一个马尔可夫链为基础,其期望分布(desired distribution)就是平衡分布(equilibrium distribution)、极限分布(limiting distribution)或稳态分布(stationary disrtibu-

tion)。经过若干步骤之后,马尔可夫链的状态便被用作期望分布的一个样本。样本的质量随着步骤数目的增加而不断提高,并且在一定条件下能够渐近地收敛于平衡分布(或真实分布)。

随机游走蒙特卡罗(random walk Monte Carlo)方法是马尔可夫链蒙特卡罗方法的一大子类,其中包括M-H算法(Metropolis-Hastings algorithm)和吉布斯采样(Gibbs sampling)。

M-H算法的目的是根据一个期望分布P(X)产生一组马尔可夫过程的状态,逐渐逼近一个

唯一的稳态分布1(X),而且使得1(X)=P(X)。在直接采样困难时,M-H算法可以用来从一个概率分布产生一列随机样本。而这列随机样本能够用来逼近该分布(即生成一个直方图),或者计算一个积分(如一个期望值),M-H算法一般用来从高维分布采样,特别是在维数很高时。对任意概率分布P(X),只要能够计算一个与P(X)的密度成正比的函数值f(X),M-H算法就可以从P(X)抽取样本。M-H算法生成一列样本的工作目标是:随着产生的样本值越来越多,它们的分布会更加逼近期望分布P(X)。这些样本值是用仅依赖于当前样本值的下一个样本分布,通过一步一步迭代产生的,因此使得产生的样本序列是一个马尔可夫链。具体地说,M-H算法首先选择一个转移概率函数P(X1Y)(如任意一个条件概率密度函数),又称提议密度(proposal density)、提议分布(proposal distribution)或者跳跃分布(jumping distribution);然后,在每一次迭代中,利用这个转移函数基于当前的样本值挑选下一个样本候选值,并让候选值以一定的概率被接受在下一次迭代中使用,或被拒绝丢弃而在下一次迭代中继续使用当前值。接受的概率是通过比较关于期望分布P(X)的当前采样值和候选采样值的函数值/(X)确定的。在多维变量分布的情况下,如果维数较高,M-H算法的缺点是很难找到正确或合适的转移函数。此时,吉布斯采样常常是效果更好的替代方法。

深度学习导论及案例分析PDF电子书下载截图

深度学习导论及案例分析豆瓣在线阅读-深度学习导论及案例分析PDF电子书下载完整高清版插图(1)深度学习导论及案例分析豆瓣在线阅读-深度学习导论及案例分析PDF电子书下载完整高清版插图(2)深度学习导论及案例分析豆瓣在线阅读-深度学习导论及案例分析PDF电子书下载完整高清版插图(3)深度学习导论及案例分析豆瓣在线阅读-深度学习导论及案例分析PDF电子书下载完整高清版插图(4)

评分及评论

无用户评分

来评个分数吧

  • 5 分
    0
  • 4 分
    0
  • 3 分
    0
  • 2 分
    0
  • 1 分
    0

评论