YL8208  9787115461476 9787302473671 9787121312700 9787121309120

深度學習

本書包括3 個部分：第1 部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2 部分係統深入地講解現今已成熟的深度學習方法和技術；第3 部分討論某些具有前瞻性的方嚮和想法，它們被**為是深度學習未來的研究重點。

本書適閤各類讀者閱讀，包括相關**的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際産品或平颱中應用的軟件工程師

緻謝   

數學符號   

1章 前言   

1部分 應用數學與機器學習基礎   

第二章 綫性代數

第三章 概率與信息論

第四章 數值計算

第五章 機器學習基礎

第二部分 深層網絡：現代實踐

第六章 深度前饋網絡

第七章 深度學習中的正則化

第八章 深度模型中的優化

第九章 捲積網絡

第十章 序列建模：循環和遞歸網絡

第十一章 實踐方法論

第十二章 應用

第三部分 深度學習研究

第十三章 綫性因子模型

第十四章 自編碼器

第十五章 錶示學習

第十六章 深度學習中的結構化概率模型

第十七章 濛特卡羅方法

第十八章 直麵配分函數

第十九章 近似推斷

第二十章 深度生成模型

深度學習、優化與識彆

深度神經網絡是近年來受到廣泛關注的研究方嚮，它已成為人工智能2.0的主要組成部分。本書係統地論述瞭深度神經網絡基本理論、算法及應用。全書共16章，分為兩個部分；*部分（第1章～10章）係統論述瞭理論及算法，包括深度前饋神經網絡、深度捲積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融閤網絡等；第二部分（第11～15章）論述瞭常用的深度學習平颱，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用；第16章為總結與展望，給齣瞭深度學習發展的曆史圖、前沿方嚮及*進展。每章都附有相關閱讀材料及仿真代碼，以便有興趣的讀者進一步鑽研探索。

本書可為高等院校計算機科學、電子科學與技術、信息科學、控製科學與工程、人工智能等領域的研究人員提供參考，以及作為相關**本科生及研究生教學參考書，同時可供深度學習及其應用感興趣的研究人員和工程技術人員參考。

第1章 深度學習基礎1

1.1 數學基礎2

1.1.1 矩陣論2

1.1.2 概率論3

1.1.3 優化分析5

1.1.4 框架分析6< 包郵 深度學習+深度學習、優化與識彆+深入淺齣深度學習+TensorFlow實戰4本 下載 mobi epub pdf txt 電子書