深层学习：心智如何经验 9787111560937 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 斯特兰·奥尔松Stellan Ohlsson 著

图书标签:

• 认知科学
• 深度学习
• 人工智能
• 神经科学
• 心智哲学
• 经验
• 意识
• 认知模型
• 计算神经科学
• 心理学

店铺： 博学精华图书专营店

出版社： 机械工业出版社

ISBN：9787111560937

商品编码：29624472357

包装：平装-胶订

出版时间：2017-03-01

基本信息

书名:深层学习：心智如何经验

：99.00元

售价：72.3元,便宜26.7元,折扣73

作者:斯特兰·奥尔松(Stellan Ohlsson)

出版社：机械工业出版社

出版日期：2017-03-01

ISBN：9787111560937

字数：

页码：

版次：1

装帧：平装-胶订

开本：16开

商品重量：0.4kg

编辑推荐

内容提要

本书主要关注了三种深度的非单调认知变化——新颖事物的创造、对变化环境的认知技能的调适以及信念系统的转变，在对三种认知变化进行研究综述和理论解释之后，总结出一套充分体现它们共享的抽象原则的统合理论。全书共分为五个部分，包含12章内容。*部分从环境的变化出发，强调了非单调认知变化存在的必要性，并对相关的基本假设和理论成立的标准进行了回顾。第二到四部分研究了非单调变化的三个案例：新颖事物的创造，对不熟悉或者变化的任务环境的适应，从一个信念系统到另一个信念系统的转变。第五部分讨论了三个微理论之间如何彼此关联，并根据三个微理论各自体现的抽象原理，提出非单调认知变化的统合理论。

目录

目　录
Deep Learning: How the Mind Overrides Experience
译者序
前言
部分　引言
第1章经验之需求 2
1.1混乱的时钟 2
1.2在混乱的世界中学习 8
1.3深层学习 12
第2章项目的性质 14
2.1杜绝回避 14
2.2认知结构：基本要素 16
2.2.1表征的核心 17
2.2.2功能与过程 19
2.2.3控制的必要性 20
2.2.4Turing-Newell的观点 21
2.3解释变化 22
2.3.1成分解释 22
2.3.2学习机制表单 24
2.3.3触发条件 25
2.3.4作为解释目标的模式 25
2.3.5理论衔接 26
2.3.6成分解释的挑战 26
2.3.7充分性条件 27
2.4前景 28
第二部分　创造
第3章新颖事物产生 30
3.1创造性问题 30
3.1.1新颖如何成为一种可能？ 31
3.1.2创造中什么是创造性的？ 32
3.1.3创造行动的方向从何而来？ 35
3.1.4为什么创造有限制？又是如何限制的呢？ 35
3.1.5创造的四个问题 36
3.2新颖产品理论 36
3.2.1组合而成的新颖 36
3.2.2累积而成的新颖 39
3.2.3通过变异选择的累积？ 40
3.2.4通过启发式搜索的累积 41
3.2.5累积理论的评估 44
3.2.6重构的新颖 45
3.3观点表单 48
第4章创造性顿悟：重配理论 49
4.1构造顿悟问题 49
4.1.1反对顿悟问题的情况 50
4.1.2顿悟序列 51
4.2分析性问题解决 52
4.2.1问题知觉 53
4.2.2知识提取 55
4.2.3启发式搜索 57
4.2.4经验的利与弊 58
4.3顿悟理论 58
4.3.1无理由僵局的原因 58
4.3.2如何化解僵局 60
4.3.3结果：寻求新的选项 64
4.4创造性问题的回答 65
4.5评价 66
4.5.1完整性和简洁性 66
4.5.2实验证据 67
4.5.3与先前理论的关系 69
4.5.4组成完整的理论 72
第5章更广泛的创造性顿悟 73
5.1泛化与拓展 73
5.2跨时间和复杂性的拓展 75
5.2.1复杂性：分析性问题解决 75
5.2.2复杂性：僵局和顿悟 77
5.2.3跨时间的拓展 79
5.2.4拓展的其他属性 82
5.2.5总结和讨论 83
5.3从个体向集体拓展 84
5.3.1集体中的停滞与突破 85
5.3.2额外变化机制：更替 88
5.3.3总结 89
5.4合并时间与集体 89
5.5系统水平 93
第三部分　调适
第6章能力的增长 96
6.1关于练习的问题 97
6.2行动的规则与结构 100
6.2.1行为的单元 101
6.2.2目标 101
6.2.3任务环境 102
6.2.4实践性知识 103
6.2.5策略执行 105
6.3技能习得过程 106
6.3.1一个世纪以来的进展 106
6.3.2信息特异性原则 109
6.4九种模式理论 113
第7章错误校正：特异化理论 117
7.1构建问题框架 117
7.2错误检测 118
7.2.1客观错误与主观错误 119
7.2.2行动和判断的分离 120
7.2.3错误信号作为对约束条件的违反 121
7.3错误校正 123
7.3.1错误的起源 124
7.3.2基于约束条件的特异化 125
7.3.3规则族谱和冲突化解 127
7.3.4与备选机制的关系 128
7.3.5单一学习事件的剖析 130
7.3.6三个中心概念 133
7.4迁移的问题 133
7.4.1基于约束条件的迁移理论 134
7.4.2模拟成功的迁移 135
7.4.3调适的首要性 139
7.5辅导的问题 139
7.5.1模拟从辅导中学习 141
7.5.2基于约束条件的辅导 142
7.5.3从基于约束条件的模型到多种导学模式 143
7.6Norbert Wiener的见解 144
第8章情境中的错误校正 145
8.1跨时间和复杂性的拓展 145
8.1.1技能习得的模式 146
8.1.2对能力的剖析 152
8.2集体中的错误减少 155
8.2.1集体中基于约束条件的学习 155
8.2.2安全启示 161
8.3大错误和社会的命运 162
第四部分　转变
第9章信念的形成 166
9.1关于转变的问题 167
9.2抵制的理论 170
9.2.1知识依赖性加工 170
9.2.2中心-边缘结构 172
9.2.3失谐消减 174
9.2.4讨论 177
9.3转变：以科学为例 178
9.3.1证伪中的进步 178
9.3.2反常事件的累积 179
9.3.3《结构》一书之后的多种方法 180
9.3.4木制品中的Kuhn 182
9.4信念转变：儿童科学家 183
9.4.1理论-理论 183
9.4.2本体论的范畴迁移 183
9.4.3转向教育学 184
9.4.4孩子只是孩子 185
9.5证伪的证伪 186
第10章信念修正：重新归类理论 188
10.1信念、信念系统和认知冲突 188
10.1.1信念维度 188
10.1.2信念系统的结构 190
10.1.3冲突的成分 193
10.2转变理论 195
10.2.1局部一致性与潜在冲突 196
10.2.2异类联结与显性冲突 197
10.2.3竞争评估 198
10.2.4变化扩散 199
10.2.5三个例子 200
10.2.6总结 201
10.3和其他理论的关系 202
10.4实用需求 205
第五部分　结论
第11章统合理论的要素 208
11.1深层学习的原则 211
11.1.1自发活动 211
11.1.2结构化、无边界的表征 212
11.1.3分层的、选择性的、容量
有限的、前馈的加工过程 213
11.1.4普遍的单调学习 213
11.1.5局部一致性与潜在冲突 214
11.1.6反馈与节点的变化 214
11.1.7节点变化的放大传播 215
11.1.8解释与显性冲突 216
11.1.9依据认知效用的竞争评价 217
11.1.10　必要的、充分的抑或充要的？ 217
11.2进化起源 218
11.3非单调变化的难点

作者介绍

伊利诺伊大学芝加哥分校（UIC）心理学教授和计算机科学教授。他于1980年获得斯德哥尔摩大学心理学博士学位。在1996年加入UIC之前,他曾先后在卡内基梅隆大学机器人研究所和匹兹堡大学学习研发中心从事研究工作。他的工作得到了美国海军研究办公室（ONR）、美国国家科学基金会（NSF）和其他组织的支持。

文摘

序言

深度学习：心智如何经验 作者： （此处应为作者姓名，但由于信息缺失，无法填写） 出版社： 机械工业出版社 ISBN： 9787111560937 定价： （此处应为书籍价格，但由于信息缺失，无法填写） 内容简介： 《深度学习：心智如何经验》一书，如同一场跨越学科界限的智力探险，它并非仅仅聚焦于计算机科学领域中那些冰冷的代码和抽象的算法，而是将目光投向了更深邃、更本质的领域——探寻人类心智是如何通过经验进行学习、认知和理解的。本书以独特的视角，将人工智能领域的“深度学习”这一革命性技术，与心理学、认知科学、神经科学乃至哲学中的核心问题巧妙地编织在一起，试图揭示人类智能涌现的奥秘，以及我们如何构建对世界的认识模型。 本书的核心论点在于，我们所认为的“智能”，无论是人类的智能还是机器的智能，都深深地植根于“经验”之中。这种经验，并非是孤立的数据点，而是经过多层次、多维度的抽象和提炼，最终形成我们理解和互动世界的强大能力。深度学习的出现，正是为我们提供了一个前所未有的工具和框架，来模拟、分析乃至部分复制这一经验驱动的学习过程。 第一部分：经验的基石——从感知到概念 在本书的开篇，作者首先带领读者深入探讨了“经验”的本质。我们如何从纷繁复杂的原始感官信息中提取有意义的信号？视觉、听觉、触觉等感官通道是如何协同工作，为我们构建一个连贯的世界图像？书中深入剖析了感觉输入的信息处理过程，从低级的特征提取，如边缘、颜色、声音频率，到更高级的模式识别，例如识别一张人脸、理解一句语音。 随后，作者着重阐述了“概念”的形成过程。我们如何将零散的感知经验整合成抽象的概念？一个“椅子”的概念是如何形成的？它不仅仅是腿、座面和靠背的简单组合，更包含了其功能、用途、以及在不同情境下的意义。本书借鉴了认知心理学中的经典理论，如原型理论、范例理论，并将其与深度学习中的表示学习（representation learning）相结合。作者指出，深度学习中的多层神经网络，通过逐层抽象，能够逐步构建出从原始输入到高层概念的层层递进的表示，这与人类心智形成概念的过程有着惊人的相似性。例如，在图像识别任务中，浅层网络可能识别出线条和形状，中层网络可能识别出五官和肢体，而深层网络则能够识别出具体的物体，如“人”或“猫”。这种层层抽象的过程，正是经验学习的关键所在。 第二部分：深度学习的内在机制——模拟心智的学习路径 本书的核心章节，深入浅出地解析了深度学习的内在工作原理。作者并非将深度学习仅仅视为一种技术工具，而是将其视为一种模拟心智学习过程的强大模型。 神经网络的结构与功能： 作者详细介绍了人工神经网络的基本构成，包括神经元、权重、激活函数等。但更重要的是，书中着重强调了“深度”的意义。为何需要多层网络？每一层的作用是什么？如何通过反向传播算法来调整权重，从而不断优化模型的性能？这些问题都与人类大脑的学习机制进行了类比。例如，作者可能探讨了大脑皮层中存在的多层处理结构，以及神经元之间复杂的连接方式，并将其与深度神经网络的层级结构和权重更新过程进行对比。 特征提取与表示学习： 这是深度学习的核心能力之一。本书强调，深度学习模型之所以强大，在于它们能够自动从原始数据中学习到有用的特征表示，而无需人工预先定义。这种“自动特征学习”的能力，正是深度学习在处理复杂、高维数据（如图像、文本、语音）时能够超越传统机器学习方法的关键。作者可能会深入剖析卷积神经网络（CNN）如何通过卷积层和池化层有效地提取图像的空间特征，以及循环神经网络（RNN）或Transformer模型如何捕捉序列数据中的时间依赖关系和上下文信息。这些机制的解析，都旨在揭示深度学习如何在经验数据中“学到”事物的本质。 模型训练与优化： 训练深度学习模型是一个不断迭代、优化权重的过程。本书将这一过程与人类的学习过程进行对比。我们如何通过不断的试错、反馈和修正来提升技能？深度学习中的梯度下降、动量优化、学习率调度等技术，都可以看作是对人类学习策略的一种数学化表达。例如，当一个模型预测错误时，反向传播算法会指示如何调整权重，以减少未来犯错的可能性，这与人类从错误中吸取教训的过程异曲同工。 第三部分：心智能力的映射——从语言到决策 本书进一步将深度学习的强大能力与人类核心的心智能力进行对接。 自然语言理解与生成： 语言是人类智能的载体，也是我们表达思想、交流信息的主要方式。深度学习在自然语言处理（NLP）领域的突破性进展，如机器翻译、文本摘要、情感分析、问答系统等，都证明了其在理解和生成人类语言方面的潜力。本书会探讨循环神经网络（RNN）、长短期记忆网络（LSTM）、以及近年来大放异彩的Transformer模型（如GPT系列）是如何通过学习大量的文本数据，掌握语法、语义、语境，甚至一定程度的常识性知识，从而实现对语言的深刻理解和流畅生成。这与我们学习母语、理解他人意图的过程有着深刻的关联。 视觉感知与图像理解： 深度学习在计算机视觉领域的成就更是显而易见，从图像分类、目标检测，到图像生成、风格迁移，都展现了机器在“看”和“理解”图像方面的能力。卷积神经网络（CNN）在这一领域扮演了核心角色。本书会深入分析CNN如何模拟人眼视觉皮层的层级处理机制，逐步提取图像的语义信息，并将其转化为可供机器识别和理解的表示。这为我们理解人类视觉系统的工作原理提供了新的视角。 决策制定与强化学习： 除了感知和理解，智能还体现在决策能力上。本书将探讨强化学习（Reinforcement Learning）这一深度学习的重要分支，它通过“试错”和“奖励”机制，让智能体在与环境的交互中学习最优的策略。这与人类通过经验积累，学习如何在复杂环境中做出最佳选择的过程如出一辙。从玩游戏到自动驾驶，强化学习的应用场景正在不断拓展，而其背后的学习原理，则揭示了智能体如何从经验中学习“做什么”以及“何时做”。 第四部分：超越算法——对智能本质的哲学与伦理思考 《深度学习：心智如何经验》并非止步于技术的介绍，它更进一步，引发了对智能本质的深刻哲学思考。 涌现性与复杂性： 深度学习的许多能力并非直接编码，而是从大量的参数和复杂的连接中“涌现”出来的。这一点与人类智能的涌现性有着异曲同工之妙。当简单的计算单元以复杂的方式组合在一起时，会产生超越个体能力的整体行为。本书将探讨涌现性在理解智能中的重要性，以及我们如何才能更好地预测和控制这种复杂系统的行为。 意识与理解的界限： 深度学习模型能否真正“理解”世界，抑或只是在进行高度复杂的模式匹配？书中将引导读者思考，真正的“理解”需要具备哪些要素？意识、自我认知、情感等人类特有的属性，是否是智能不可或缺的一部分？深度学习的进步，也迫使我们重新审视这些古老而深刻的哲学问题。 伦理与社会影响： 随着深度学习技术的飞速发展，其在社会生活中的应用也带来了诸多伦理挑战，例如偏见、隐私、就业等问题。本书在最后也会触及这些重要的议题，强调在追求技术进步的同时，我们必须审慎考虑其可能带来的社会影响，并积极探索负责任的技术发展路径。 总结： 《深度学习：心智如何经验》是一部兼具前瞻性、深度和广度的力作。它巧妙地融合了人工智能的最新进展与人类心智探索的经典智慧，为读者提供了一个理解智能的全新视角。本书不仅是一本关于深度学习技术的指南，更是一次关于人类自身智能本质的深刻反思。它告诉我们，无论是机器还是心智，对世界的认知和能力的提升，都离不开“经验”这一坚实的基础。通过揭示深度学习模拟经验学习的内在机制，本书为我们理解自身智能的运作提供了宝贵的线索，也为未来人工智能的发展指明了方向。它鼓励我们以更开阔的视野，去探索智能的无限可能，以及人类与智能机器共同进化的未来。

评分☆☆☆☆☆

当我在书店里看到《深层学习：心智如何经验》这本书时，我的第一反应是：“这名字听起来就很有深度！”我对人工智能的了解还停留在一些皮毛的概念上，比如机器学习、神经网络等等，但一直没有一个非常清晰的整体认知。《心智如何经验》这个副标题更是让我眼前一亮，它似乎在暗示，这本书不仅仅是讲技术，更是在探讨智能的本质，以及机器如何能够像我们一样去“经验”和“理解”世界。我非常好奇，作者会如何将深层学习这个相对比较新的技术，与“心智”和“经验”这两个更偏向于人文和哲学概念联系起来。会不会有关于“具身智能”（embodied AI）的讨论？或者，书中会探讨深层学习在模拟人类感知、决策、甚至情感方面的潜力？我希望这本书能够为我揭示一些关于机器智能的“黑箱”，让我明白这些模型是如何工作的，它们的能力边界在哪里，以及它们在未来可能扮演的角色。我希望这本书能提供一些前沿的研究方向，或者一些引人深思的观点，让我能够更全面、更深入地理解深层学习这个领域，而不是仅仅停留在技术层面。

评分☆☆☆☆☆

说实话，我一直对人工智能领域有些敬畏，觉得那是一个非常高深莫测的领域。但《深层学习：心智如何经验》这本书的书名，听起来却异常亲切，仿佛在邀请我走进一个关于“学习”和“理解”的奇妙旅程。《心智如何经验》这几个字，让我立刻联想到我们人类自己是如何认识世界的，我们是通过感官输入、不断试错、然后形成认知模式的。那么，人工智能，特别是深层学习，又是如何“经验”世界的呢？这其中一定有很多我未曾想过的巧妙之处。我希望这本书能够避免那些枯燥乏味的数学推导，而是通过生动形象的例子，来解释深层学习的核心原理。比如，它会如何解释神经网络是如何“学习”识别一张猫的图片的？或者，它是如何理解一段文字的含义的？我特别期待能够看到一些关于“表示学习”（representation learning）的介绍，因为我觉得这才是深层学习最迷人的地方，它能够让机器自己去发现数据中隐藏的更有意义的特征。如果书中还能探讨一些关于“注意力机制”（attention mechanism）或者“记忆网络”（memory networks）的内容，那就太好了，因为我觉得这些技术离我们人类的学习方式越来越近了。我希望这本书能让我觉得，人工智能并不是遥不可及的，而是与我们自己的认知过程有着千丝万缕的联系。

评分☆☆☆☆☆

哇，拿到这本《深层学习：心智如何经验》，我真是太期待了！这本书的书名就给我一种非常前沿的感觉，仿佛要揭示人工智能最核心的奥秘。我一直对人类的心智如何学习、如何形成经验充满好奇，而“深层学习”这个词汇又让我联想到那些能够处理复杂模式、模拟人脑神经网络的强大算法。这本书的作者又是谁呢？我迫不及待地想知道他们在这个领域的研究成果和独到见解。会不会像读一本科幻小说一样，让我遨游在未来的智能世界？我猜想书中一定会有很多关于神经网络、深度卷积网络、循环神经网络等概念的介绍，甚至可能会涉及到一些最新的研究进展，比如生成对抗网络（GANs）或者Transformer模型。我很希望作者能够用一种清晰易懂的方式来解释这些复杂的理论，让我这个非专业人士也能有所收获。同时，我也期待这本书能够提供一些实际的应用案例，让我看到深层学习是如何在图像识别、自然语言处理、语音识别等领域大放异彩的。如果书中还能探讨一些关于人工智能伦理、未来发展方向的思考，那就更棒了。总之，这本书对我来说，不仅仅是一本技术书籍，更像是一扇通往未知世界的窗户，我希望它能给我带来惊喜和启发，让我对智能的本质有更深刻的理解。

评分☆☆☆☆☆

我刚刚翻开了《深层学习：心智如何经验》，迫不及待地想要深入其中。这本书的装帧设计就给人一种沉甸甸的学术感，封面上那个抽象的图案仿佛象征着复杂的数据流和神经网络的连接。我一直对智能的起源和运作机制感到着迷，而“心智如何经验”这个副标题，更是精准地触及了我内心深处的疑问。我总觉得，真正的智能不仅仅是计算和逻辑，更在于它如何感知世界、如何从中提取意义、如何形成记忆和知识。这本书会不会从哲学、认知科学的角度出发，来探讨深层学习与人类心智之间的共通之处？我希望它不仅仅是关于算法的堆砌，更能引发我对智能本质的深刻思考。也许书中会介绍一些开创性的研究，比如Hinton、LeCun、Bengio等先驱者的贡献，以及他们如何一步步推动了深层学习的发展。我特别好奇，作者会如何阐述“经验”在深层学习中的作用，是仅仅指数据的输入，还是包含更深层次的理解和抽象？如果书中能够探讨一些关于“意识”和“涌现”的概念，那就更加出乎意料了。我期待着这本书能为我打开一个新的视角，让我看到技术与哲学、科学与人文的奇妙融合，而不是仅仅停留于冰冷的公式和代码。

评分☆☆☆☆☆

我怀着极大的兴趣拿起《深层学习：心智如何经验》这本书。我总觉得，人工智能，特别是深层学习，与我们人类自身的学习过程有着某种深刻的联系，但具体是怎样的联系，我一直不是很清楚。《心智如何经验》这个副标题，让我觉得这本书可能会触及一些关于“涌现”（emergence）、“自组织”（self-organization）或者“元学习”（meta-learning）的概念，这些都是我非常感兴趣的。我希望这本书能解释，为什么深层神经网络在经过大量的训练后，能够展现出如此强大的学习能力，甚至能够超越人类在某些特定任务上的表现。它会不会深入探讨“表示”（representation）在深层学习中的重要性？或者，书中会介绍一些关于“迁移学习”（transfer learning）或者“小样本学习”（few-shot learning）的最新进展，这些都让我觉得离我们人类的学习方式越来越近了。我非常期待这本书能够以一种引人入胜的方式，解释深层学习背后的逻辑和机制，并且能够引发我对未来智能的更多思考。如果书中能够探讨一些关于“因果推理”（causal inference）或者“可解释性AI”（explainable AI）的议题，那就更完美了，因为我觉得这些是深层学习在走向真正智能的道路上必须克服的挑战。