资源详情

深入浅出深度学习：原理剖析与Python实践(博文视点出品)

作者: 黄安埠
出版社: 电子工业出版社
出品方: 博文视点
出版年: 2017-6
页数: 344
定价: 79
装帧: 平装
丛书: 博文视点AI系列
ISBN: 9787121312700

下载次数：37

本站推荐

下载地址

举报资源

书籍资料

内容简介
作者介绍
书籍目录

《深入浅出深度学习：原理剖析与Python实践》介绍了深度学习相关的原理与应用，全书共分为三大部分，第一部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和最优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。
《深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的最后都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。最后，理论与实践相结合，《深入浅出深度学习：原理剖析与Python实践》针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看《深入浅出深度学习：原理剖析与Python实践》的代码（https://github.com/innovation-cat/DeepLearningBook）。

黄安埠，2012年毕业于清华大学，获硕士学位，在校期间活跃于TopCoder等编程竞赛社区。现为腾讯基础研究高级工程师，研究领域包括个性化推荐、自然语言处理和大规模的相似度优化计算，特别是对于深度学习在推荐系统的应用有深入的研究，并申请了国内十余项相关专利。
本书的配套代码，读者也可以在作者的Github主页中下载查看：
https://github.com/innovation-cat/DeepLearningBook)

第1部分概要1
1绪论2
1.1人工智能、机器学习与深度学习的关系3
1.1.1人工智能——机器推理4
1.1.2机器学习——数据驱动的科学5
1.1.3深度学习——大脑的仿真8
1.2深度学习的发展历程8
1.3深度学习技术概述10
1.3.1从低层到高层的特征抽象11
1.3.2让网络变得更深13
1.3.3自动特征提取14
1.4深度学习框架15
2Theano基础19
2.1符号变量20
2.2符号计算的抽象——符号计算图模型23
2.3函数26
2.3.1函数的定义26
2.3.2Logistic回归27
2.3.3函数的复制29
2.4条件表达式31
2.5循环32
2.6共享变量39
2.7配置39
2.7.1通过THEANO_FLAGS配置40
2.7.2通过.theanorc文件配置41
2.8常用的Debug技巧42
2.9小结43
第2部分数学与机器学习基础篇45

线性代数基础46
3.1标量、向量、矩阵和张量46
3.2矩阵初等变换47
3.3线性相关与向量空间48
3.4范数49
3.4.1向量范数49
3.4.2矩阵范数53
3.5特殊的矩阵与向量56
3.6特征值分解57
3.7奇异值分解58
3.8迹运算60
3.9样例：主成分分析61
4概率统计基础64
4.1样本空间与随机变量65
4.2概率分布与分布函数65
4.3一维随机变量66
4.3.1离散型随机变量和分布律66
4.3.2连续型随机变量和概率密度函数67
4.4多维随机变量68
4.4.1离散型二维随机变量和联合分布律69
4.4.2连续型二维随机变量和联合密度函数69
4.5边缘分布70
4.6条件分布与链式法则71
4.6.1条件概率71
4.6.2链式法则73
4.7多维随机变量的独立性分析73
4.7.1边缘独立74
4.7.2条件独立74
4.8数学期望、方差、协方差75
4.8.1数学期望75
4.8.2方差76
4.8.3协方差76
4.8.4协方差矩阵78
4.9信息论基础81
4.9.1信息熵81
4.9.2条件熵83
4.9.3互信息84
4.9.4相对熵与交叉熵84
5概率图模型87
5.1生成模型与判别模型89
5.2图论基础90
5.2.1图的结构90
5.2.2子图91
5.2.3路径、迹、环与拓扑排序92
5.3贝叶斯网络95
5.3.1因子分解96
5.3.2局部马尔科夫独立性断言99
5.3.3I-Map与因子分解100
5.3.4有效迹103
5.3.5D-分离与全局马尔科夫独立性108
5.4马尔科夫网络108
5.4.1势函数因子与参数化表示109
5.4.2马尔科夫独立性111
5.5变量消除114
5.6信念传播116
5.6.1聚类图116
5.6.2团树120
5.6.3由变量消除构建团树123
5.7MCMC采样原理126
5.7.1随机采样127
5.7.2随机过程与马尔科夫链128
5.7.3MCMC采样132
5.7.4Gibbs采样134
5.8参数学习137
5.8.1最大似然估计137
5.8.2期望最大化算法138
5.9小结140
6机器学习基础142
6.1线性模型143
6.1.1线性回归143
6.1.2Logistic回归148
6.1.3广义的线性模型150
6.2支持向量机151
6.2.1最优间隔分类器152
6.2.2对偶问题155
6.2.3核函数156
6.3朴素贝叶斯160
6.4树模型162
6.4.1特征选择163
6.4.2剪枝策略165
6.5聚类166
6.5.1距离度量167
6.5.2层次聚类168
6.5.3K-means聚类171
6.5.4谱聚类172
7数值计算与最优化177
7.1无约束极小值的最优化条件177
7.2梯度下降179
7.2.1传统更新策略181
7.2.2动量更新策略183
7.2.3改进的动量更新策略184
7.2.4自适应梯度策略187
7.3共轭梯度188
7.4牛顿法192
7.5拟牛顿法194
7.5.1拟牛顿条件194
7.5.2DFP算法195
7.5.3BFGS算法196
7.5.4L-BFGS算法197
7.6约束最优化条件200
第3部分理论与应用篇205
8前馈神经网络206
8.1生物神经元结构207
8.2人工神经元结构208
8.3单层感知机209
8.4多层感知机212
8.5激活函数217
8.5.1激活函数的作用217
8.5.2常用的激活函数219
9反向传播与梯度消失225
9.1经验风险最小化227
9.2梯度计算228
9.2.1输出层梯度228
9.2.2隐藏层梯度230
9.2.3参数梯度234
9.3反向传播235
9.4深度学习训练的难点237
9.4.1欠拟合——梯度消失237
9.4.2过拟合240
10自编码器及其相关模型243
10.1自编码器243
10.2降噪自编码器245
10.3栈式自编码器247
10.4稀疏编码器250
10.5应用：cifar10图像分类254
11玻尔兹曼机及其相关模型258
11.1玻尔兹曼机258
11.2能量模型261
11.2.1能量函数261
11.2.2从能量函数到势函数262
11.2.3从势函数到概率分布263
11.3推断264
11.3.1边缘分布265
11.3.2条件分布267
11.4学习270
11.4.1最大似然估计271
11.4.2对比散度274
11.5应用：个性化推荐276
11.5.1个性化推荐概述276
11.5.2个性化推荐架构与算法279
11.5.3RBM与协同过滤285
12递归神经网络291
12.1Elman递归神经网络292
12.2时间反向传播295
12.3长短时记忆网络299
12.4结构递归神经网络302
12.5应用：语言模型308
12.5.1N元统计模型308
12.5.2基于LSTM构建语言模型312
13卷积神经网络318
13.1卷积运算319
13.2网络结构320
13.3卷积层324
13.4池化层329
13.5应用：文本分类333