猜你喜欢
深入浅出神经网络与深度学习

深入浅出神经网络与深度学习

书籍作者:迈克尔·尼尔森 ISBN:9787115542090
书籍语言:简体中文 连载状态:全集
电子书格式:pdf,txt,epub,mobi,azw3 下载次数:4571
创建日期:2021-02-14 发布日期:2021-02-14
运行环境:PC/Windows/Linux/Mac/IOS/iPhone/iPad/Kindle/Android/安卓/平板
内容简介

本书深入讲解神经网络和深度学习技术,侧重于阐释深度学习的核心概念。作者以技术原理为导向,辅以贯穿全书的MNIST手写数字识别项目示例,介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容,以及如何利用这些知识改进深度学习项目。学完本书后,读者将能够通过编写Python代码来解决复杂的模式识别问题。

作者简介

【作者简介】

迈克尔.尼尔森(Michael Nielsen)

计算机科学家、量子物理学家、科普作家,Y Combinator Research的研究Fellow,曾受邀在哈佛大学、斯坦福大学、麻省理工学院、剑桥大学、牛津大学等高校以及谷歌和微软等公司做主题演讲,另著有高分作品《重塑发现》和《量子计算和量子信息》。

【译者简介】

朱小虎

University AI创始人兼首席科学家、Center for Safe AGI创始人、谷歌开发者机器学习专家、百度深度学习布道者。和团队核心成员一起创建了TASA、DL Center(深度学习知识中心全球价值网络)和AI Growth(行业智库培训)等。举办过多场国际性人工智能峰会和活动。在多个技术平台写下了近百万字的人工智能精品技术内容。曾受邀为多所国内高校制定人工智能学习规划和教授人工智能前沿课程,也曾为多家世界500强企业提供人工智能方面的战略布局建议及落地实施等方面的咨询建议。

编辑推荐
适读人群 :本书适合深度学习研究人员和爱好者阅读。

1.以原理为导向:本书细致阐释神经网络和深度学习的核心概念,而不是笼统地罗列想法,带领读者掌握神经网络的工作原理,技术兴衰起落,而原理是长久的;
2.注重实践:本书通过解决具体问题——教计算机识别手写数字——来介绍神经网络和深度学习的核心理论;
3.Michael Nielsen高分深度学习入门讲义正式版,本书基于Python语言编写,新手也可以很快入门;
4.李航、马少平、邱锡鹏等多位科学家重磅推荐;
5.配套动态示例,有助于直观理解神经网络输出,提供源代码。

目录
前言
第 1章 使用神经网络识别手写数字 1
1.1 感知机 2
1.2 sigmoid神经元 7
1.3 神经网络的架构 11
1.4 一个简单的神经网络:分类手写数字 13
1.5 利用梯度下降算法进行学习 17
1.6 实现分类数字的神经网络 25
1.7 迈向深度学习 37
第 2章 反向传播算法工作原理 41
2.1 热身:使用矩阵快速计算输出 41
2.2 关于代价函数的两个假设 43
2.3 阿达马积s⊙t 45
2.4 反向传播的4个基本方程 45
2.5 基本方程的证明(选学) 50
2.6 反向传播算法 51
2.7 反向传播代码 53
2.8 就何而言,反向传播算快 55
2.9 反向传播:全局观 56
第3章 改进神经网络的学习方法 60
3.1 交叉熵代价函数 60
3.1.1 引入交叉熵代价函数 64
3.1.2 使用交叉熵来对MNIST数字进行分类 71
3.1.3 交叉熵的含义与起源 72
3.1.4 softmax 74
3.2 过拟合和正则化 78
3.2.1 正则化 84
3.2.2 为何正则化有助于减轻过拟合 89
3.2.3 其他正则化技术 93
3.3 权重初始化 102
3.4 复探手写识别问题:代码 106
3.5 如何选择神经网络的超参数 116
3.6 其他技术 126
3.6.1 随机梯度下降算法的变化形式 126
3.6.2 其他人工神经元模型 129
3.6.3 有关神经网络的故事 132
第4章 神经网络可以计算任何函数的可视化证明 134
4.1 两个预先声明 136
4.2 一个输入和一个输出的普遍性 137
4.3 多个输入变量 146
4.4 不止sigmoid神经元 154
4.5 修补阶跃函数 156
4.6 小结 159
第5章 为何深度神经网络很难训练 160
5.1 梯度消失问题 163
5.2 梯度消失的原因 168
5.2.1 为何出现梯度消失 170
5.2.2 梯度爆炸问题 171
5.2.3 梯度不稳定问题 172
5.2.4 梯度消失问题普遍存在 172
5.3 复杂神经网络中的梯度不稳定 173
5.4 深度学习的其他障碍 174
第6章 深度学习 175
6.1 卷积神经网络入门 176
6.1.1 局部感受野 178
6.1.2 共享权重和偏置 180
6.1.3 池化层 182
6.2 卷积神经网络的实际应用 184
6.2.1 使用修正线性单元 188
6.2.2 扩展训练数据 189
6.2.3 插入额外的全连接层 191
6.2.4 集成神经网络 192
6.3 卷积神经网络的代码 195
6.4 图像识别领域近期的进展 208
6.4.1 2012年的LRMD论文 208
6.4.2 2012年的KSH论文 209
6.4.3 2014年的ILSVRC竞赛 211
6.4.4 其他活动 212
6.5 其他深度学习模型 214
6.5.1 循环神经网络 214
6.5.2 长短期记忆单元 216
6.5.3 深度信念网络、生成模型和玻尔兹曼机 216
6.5.4 其他想法 217
6.6 神经网络的未来 217
6.6.1 意图驱动的用户界面 217
6.6.2 机器学习、数据科学和创新的循环 218
6.6.3 神经网络和深度学习的作用 218
6.6.4 神经网络和深度学习将主导人工智能 219
附录 是否存在关于智能的简单算法 222
版权声明
短评

见过翻译得最差的,没有之一了,过拟合翻译成过匹配是什么操作?谷歌翻译都没这么坑呀,看这内容简介评价那么高,莫非我读的是假书???

2020-08-31

深入浅出神经网络与深度学习的书评

对于讲解技术问题,最好方式就是列数学公式,或者直接上代码, 这本书都做到了,非常之好。 这本书对于代码的基础就是简单的python入门,当然,python本身就非常容易入门的。数学基础就是基础的高数数学的求导和简单的矩阵运算,与代码层面相反,对于这个大多数人都学过内容,...

2017-05-07 18:15:54

这本书透彻地讲解了神经网络的基础知识。用MNIST手写数字图像的识别作为例子,给出了能实际运行的神经网络Python代码。训练后的网络从最初95%的准确率(一个隐藏层),逐渐加入各种优化手段,最后提高到99.67%(CNN,卷积神经网络)。 书中引用了不少新的论文,给人进一步研究...

2019-06-14 16:37:01

一直以为,读不懂书的时候,可能并不是因为你笨,而是,作者太垃圾了。爱因斯坦曾经说:“怎样才算你真正搞懂了一个东西?当你能把这个东西给你奶奶讲明白的时候,才算真正搞懂了它。” 本书最大的亮点在于用动画演示了那些重要的数学原理,非常直观。这也是网络出版书相比实体...

2017-12-14 19:36:13

标签
人工智能,深度学习,计算机,机器学习,数学,计算机科学,美国,Nielsen
产品特色