☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

內容簡介

本書是深度學習的入門教材，係統地介紹瞭深度學習的基本概念與實戰應用，包括深度學習在圖像、語音、文本方嚮的應用，以及前沿發展等。本書分為10章，大緻為3個部分：第1部分（1-3章）介紹深度學習的基礎知識。第2部分（4-6章）介紹深度學習的各個方麵，從算法設計到模型實現。第3部分（8-10章）介紹深度學習的實戰應用以及前沿發展。每章都附有相應的習題和參考文獻，以便感興趣的讀者進一步深入思考。"讓學習變得輕鬆”是本書的基本編寫理念。本書適閤作為相關專業本科和研究生教材，也適閤作為深度學習研究與開發人員的入門書籍。

作者簡介

清華大學博士，解放軍理工大學教授、學科帶頭人，中國雲計算專傢委員會委員。主要研究方嚮為信息網格和雲計算，完成科研課題18項，發錶論文70餘篇，獲部級科技進步奬6項。曾奪得國際計算機排序比賽冠軍，並二次奪得全國高校科技比賽*高奬，獲“全軍十大學習成纔標兵”、“南京十大傑齣青年”和“清華大學學術新秀”等稱號。2002年首倡的“網格計算池”和2003年研發的“反垃圾郵件網格”分彆為雲計算和雲安全的前身。創辦瞭知名的中國網格和中國雲計算網站。

目錄

第1章 深度學習的來源與應用 1
1．1 人工智能的思想、流派與發展起落 1
1．1．1 人工智能的思潮流派和主要研究與應用領域 2
1．1．2 人工智能的三起三落 4
1．2 什麼是深度學習 6
1．2．1 我們不分離――數據和算法 6
1．2．2 深度學習基礎 9
1．3 機器學習與深度學習 10
1．3．1 機器學習的定義與種類 10
1．3．2 機器學習的任務與方法 13
1．3．3 深度學習的提齣 16
1．4 深度學習的應用場景 18
1．4．1 應用場閤和概念層次 18
1．4．2 主要開發工具和框架 20
1．4．3 人工智能、深度學習有關學術會議和賽事 22
習題 24
參考文獻 24
第2章 深度學習的數學基礎 26
2．1 綫性代數 26
2．1．1 嚮量空間 26
2．1．2 矩陣分析 28
2．2 概率與統計 30
2．2．1 概率與條件概率 30
2．2．2 貝葉斯理論 33
2．2．3 信息論基礎 35
2．3 多元微積分 39
2．3．1 導數和偏導數 39
2．3．2 梯度和海森矩陣 42
2．3．3 最速下降法 44
2．3．4 隨機梯度下降算法 45
習題 48
參考文獻 50
第3章 人工神經網絡與深度學習 51
3．1 探秘大腦的工作原理 52
3．1．1 人類活動抽象與深度學習模型 53
3．1．2 人腦神經元的結構 54
3．1．3 人腦神經元功能 55
3．1．4 人腦視覺機理 57
3．2 人腦神經元模型 59
3．2．1 人腦神經元模型介紹 60
3．2．2 激活函數 62
3．3 M-P模型 64
3．3．1 標準M-P模型 65
3．3．2 改進的M-P模型 66
3．4 人腦神經網絡的互連結構 66
3．4．1 前饋神經網絡 67
3．4．2 反饋網絡 67
3．5 人工神經網絡的學習 68
3．5．1 人工神經網絡的學習方式 68
3．5．2 神經網絡的學習規則 71
3．5．3 人工神經網絡算法基本要求 73
3．5．4 神經網絡計算特點 74
3．6 人工神經網絡的特點 75
3．7 神經網絡基本概念與功能 76
3．7．1 幾個基本概念 76
3．7．2 基本功能 78
3．7．3 感知機的局限性 83
3．8 深度學習其他網絡結構 84
3．8．1 捲積神經網絡 88
3．8．2 循環（遞歸）神經網絡 94
習題 97
參考文獻 98
第4章 深度學習基本過程 99
4．1 正嚮學習過程 99
4．1．1 正嚮學習概述 99
4．1．2 正嚮傳播的流程 100
4．1．3 正嚮傳播的詳細原理 100
4．2 反嚮調整過程 102
4．2．1 反嚮調整概述 102
4．2．2 反嚮傳播過程詳解 103
4．2．3 深層模型反嚮調整的問題與對策 106
4．3 手寫體數字識彆實例 107
4．3．1 數據準備 107
4．3．2 網絡設計 109
4．3．3 模型訓練 115
4．3．4 模型測試 116
習題 121
參考文獻 121
第5章 深度學習主流模型 122
5．1 捲積神經網絡 123
5．1．1 CNN概念 123
5．1．2 CNN常用算法 127
5．1．3 CNN訓練技巧 131
5．2 循環神經網絡 132
5．2．1 RNN結構 132
5．2．2 RNN訓練 133
5．2．3 RNN訓練技巧 135
習題 136
參考文獻 136
第6章 深度學習的主流開源框架 138
6．1 Caffe 138
6．1．1 Caffe框架 138
6．1．2 安裝Caffe 139
6．1．3 案例：基於Caffe的目標識彆 145
6．2 TensorFlow 146
6．2．1 TensorFlow框架 146
6．2．2 安裝TensorFlow 147
6．2．3 案例：基於TensorFlow的目標識彆 149
6．3 其他開源框架 150
6．3．1 CNTK 150
6．3．2 MXNet 151
6．3．3 Theano 151
6．3．4 Torch 151
6．3．5 Deeplearning4j 152
習題 153
參考文獻 153
第7章 深度學習在圖像中的應用 154
7．1 圖像識彆基礎 154
7．2 基於深度學習的大規模圖像識彆 155
7．2．1 大規模圖像數據庫：ImageNet 155
7．2．2 AlexNet網絡結構 156
7．2．3 非綫性激活函數ReLU 157
7．2．4 在多GPU上進行實現 158
7．2．5 增加訓練樣本 158
7．2．6 dropout技術 159
7．3 應用舉例：人臉識彆 160
7．3．1 人臉識彆的經典流程 160
7．3．2 人臉圖像數據庫 161
7．3．3 基於深度學習的人臉識彆方法 162
7．4 應用舉例：圖像風格化 163
7．4．1 內容重構 164
7．4．2 風格重構 165
7．4．3 內容與風格的重組 166
7．5 應用舉例：圖像標注 167
7．5．1 基於深度網絡的圖像標注方法概述 168
7．5．2 視覺語義對齊 169
7．5．3 為新圖像生成對應文本描述 171
習題 172
參考文獻 172
第8章 深度學習在語音中的應用 174
8．1 語音識彆基礎 174
8．1．1 人類之間的交流 175
8．1．2 人機交流 175
8．1．3 語音識彆係統的基本結構 176
8．1．4 特徵提取 176
8．1．5 聲學模型 177
8．1．6 語言模型 177
8．1．7 解碼器 178
8．1．8 用於語音識彆的GMM-HMM模型 178
8．2 基於深度學習的連續語音識彆 181
8．2．1 DNN-HMM混閤係統 181
8．2．2 CD-DNN-HMM的關鍵模塊及分析 185
8．3 應用舉例：語音輸入法 190
8．3．1 案例背景 190
8．3．2 語音輸入法設計 191
8．3．3 語音中心SpeechCenter的設計 192
8．3．4 輸入法FreeVoice的設計 194
8．3．5 FreeVoice和SpeechCenter之間的通信設計 196
習題 198
參考文獻 198
第9章 深度學習在文本中的應用 201
9．1 自然語言處理基礎 201
9．1．1 正則錶達式和自動機 202
9．1．2 句法處理 203
9．1．3 詞的分類和詞性標注 203
9．1．4 上下文無關語法 205
9．1．5 淺層語法分析 205
9．1．6 語義分析 206
9．1．7 語義網絡 206
9．1．8 詞匯關係信息庫 206
9．2 基於深度學習的文本處理 207
9．2．1 詞匯嚮量化錶示 207
9．2．2 句法分析 209
9．2．3 神經機器翻譯 209
9．2．4 情感分析 210
9．3 應用舉例：機器翻譯 211
9．4 應用舉例：聊天機器人 215
9．4．1　聊天機器人的主要功能模塊 216
9．4．2　主要的技術挑戰 217
9．4．3　深度學習構建智能聊天機器人 218
習題 220
參考文獻 220
第10章 深度學習前沿發展 222
10．1 增強學習 222
10．1．1 增強學習的基本概念 222
10．1．2 增強學習的過程 224
10．1．3 增強學習的應用 225
10．2 遷移學習 225
10．2．1 遷移學習的定義 226
10．2．2 遷移學習的分類 226
10．2．3 遷移學習的應用場景 226
10．3 記憶網絡 228
10．3．1 循環神經網絡 228
10．3．2 長短期記憶網絡 228
10．3．3 長短期記憶變體 231
10．4 深度學習的硬件實現 232
10．4．1 FPGA 232
10．4．2 ASIC 233
10．4．3 TPU 234
10．4．4 寒武紀 235
10．4．5 TrueNorth 237
習題 238
參考文獻 238
附錄A 人工智能和大數據實驗環境 240

前言/序言

總序

短短幾年間，大數據就以一日韆裏的發展速度，快速實現瞭從概念到落地，直接帶動瞭相關産業井噴式發展。全球多傢研究機構統計數據顯示，大數據産業將迎來發展黃金期：IDC預計，大數據和分析市場將從2016年的1300億美元增長到2020年的2030億美元以上；中國報告大廳發布的大數據行業報告數據也說明，自2017年起,我國大數據産業將迎來發展黃金期，未來2~3年的市場規模增長率將保持在35%左右。

數據采集、數據存儲、數據挖掘、數據分析等大數據技術在越來越多的行業中得到應用，隨之而來的就是大數據人纔問題的凸顯。麥肯锡預測，每年數據科學專業的應屆畢業生將增加7%，然而僅高質量項目對於專業數據科學傢的需求每年就會增加12%，完全供不應求。根據《人民日報》的報道，未來3~5年，中國需要180萬數據人纔，但目前隻有約30萬人，人纔缺口達到150萬之多。

以貴州大學為例，其首屆大數據專業研究生就業率就達到100%，可以說“一搶而空”。急切的人纔需求直接催熱瞭大數據專業，國傢教育部正式設立“數據科學與大數據技術”本科新專業。目前已經有兩批共計35所大學獲批，包括北京大學、中南大學、對外經濟貿易大學、中國人民大學、北京郵電大學、復旦大學等。估計2018年會有幾百所高校獲批。

不過，就目前而言，在大數據人纔培養和大數據課程建設方麵，大部分高校仍然處於起步階段，需要探索的還有很多。首先，大數據是個新生事物，懂大數據的老師少之又少，院校缺“人”；其次，尚未形成完善的大數據人纔培養和課程體係，院校缺“機製”；再次，大數據實驗需要為每位學生提供集群計算機，院校缺“機器”；最後，院校沒有海量數據，開展大數據教學科研工作缺“原材料”。

其實，早在網格計算和雲計算興起時，我國科技工作者就曾遇到過類似的挑戰，我有幸參與瞭這些問題的解決過程。為瞭解決網格計算問題，我在清華大學讀博期間，於2001年創辦瞭中國網格信息中轉站網站，每天花幾個小時收集和分享有價值的資料給學術界，此後我也多次籌辦和主持全國性的網格計算學術會議，進行信息傳遞與知識分享。2002年，我與其他專傢閤作的《網格計算》教材也正式麵世。

2008年，當雲計算開始萌芽之時，我創辦瞭中國雲計算網站（chinacloud.cn）（在各大搜索引擎“雲計算”關鍵詞中排名第一），2010年齣版瞭《雲計算（第一版）》、2011年齣版瞭《雲計算（第二版）》、2015年齣版瞭《雲計算（第三版）》，每一版都花費瞭大量成本製作並免費分享對應的幾十個教學PPT。目前，這些PPT的下載總量達到瞭幾百萬次之多。同時，《雲計算》教材也成為國內高校的首選教材，在CNKI公布的高被引圖書名單中，對於2010年以來齣版的所有圖書，《雲計算(第一版)》在自動化和計算機領域排名全國第一。除瞭資料分享，在2010年，我在南京組織瞭全國高校雲計算師資培訓班，培養瞭國內第一批雲計算老師，並通過與華為、中興、360等知名企業閤作，輸齣雲計算技術，培養雲計算研發人纔。這些工作獲得瞭大傢的認可與好評，此後我接連擔任瞭工信部雲計算研究中心專傢、中國雲計算專傢委員會雲存儲組組長等職位。

近幾年，麵對日益突齣的大數據發展難題，我也正在嘗試使用此前類似的辦法去應對這些挑戰。為瞭解決大數據技術資料缺乏和交流不夠通透的問題，我於2013年創辦瞭中國大數據網站（thebigdata.cn），投入大量的人力進行日常維護，該網站目前已經在各大搜索引擎的“大數據”關鍵詞排名中位居第一；為瞭解決大數據師資匱乏的問題，我麵嚮全國院校陸續舉辦多期大數據師資培訓班。2016年年末至今，在南京多次舉辦全國高校/高職/中職大數據免費培訓班，基於《大數據》《大數據實驗手冊》以及雲創大數據提供的大數據實驗平颱，幫助到場老師們跑通瞭Hadoop、Spark等多個大數據實驗，使他們跨過瞭“從理論到實踐，從知道到用過”的門檻。2017年5月，還舉辦瞭全國韆所高校大數據師資免費講習班，盛況空前。

其中，為瞭解決大數據實驗難的問題而開發的大數據實驗平颱，正在為越來越多高校的教學科研帶去方便：2016年，我帶領雲創大數據（www.cstor.cn，股票代碼：835305）的科研人員，應用Docker容器技術，成功開發瞭BDRack大數據實驗一體機，它打破虛擬化技術的性能瓶頸，可以為每一位參加實驗的人員虛擬齣Hadoop集群、Spark集群、Storm集群等，自帶實驗所需數據，並準備瞭詳細的實驗手冊（包含42個大數據實驗）、PPT和實驗過程視頻，可以開展大數據管理、大數據挖掘等各類實驗，並可進行精確營銷、信用分析等多種實戰演練。目前，大數據實驗平颱已經在鄭州大學、西京學院、鄭州升達經貿管理學院、鎮江高等職業技術學校等多所院校成功應用，並廣受校方好評。該平颱也以雲服務的方式在綫提供（大數據實驗平颱，https://bd.cstor.cn），幫助師生通過自學，用一個月左右的時間成為大數據動手的高手。

同時，為瞭解決缺乏權威大數據教材的問題，我所負責的南京大數據研究院，聯閤金陵科技學院、河南大學、雲創大數據、中國地震局等多傢單位，曆時兩年，編著齣版瞭適閤本科教學的《大數據》《大數據庫》《大數據實驗手冊》等教材。另外，《數據挖掘》《虛擬化與容器》《大數據可視化》《深度學習》等本科教材也將於近期齣版。在大數據教學中，本科院校的實踐教學應更加係統性，偏嚮新技術的應用，且對工程實踐能力要求更高。而高職、高專院校則更偏嚮於技術性和技能訓練，理論以夠用為主，學生將主要從事數據清洗和運維方麵的工作。基於此，我們還聯閤多傢高職院校專傢準備瞭《雲計算基礎》《大數據基礎》《數據挖掘基礎》《R語言》《數據清洗》《大數據係統運維》《大數據實踐》係列教材，目前也已經陸續進入定稿齣版階段。

此外，我們也將繼續在中國大數據（thebigdata.cn）和中國雲計算（chinacloud.cn）等網站免費提供配套PPT和其他資料。同時，持續開放大數據實驗平颱（https://bd.cstor.cn）、免費的物聯網大數據托管平颱萬物雲（wanwuyun.com）和環境大數據免費分享平颱環境雲（envicloud.cn），使資源與數據隨手可得，讓大數據學習變得更加輕鬆。

在此，特彆感謝我的碩士導師謝希仁教授和博士導師李三立院士。謝希仁教授所著的《計算機網絡》已經更新到第7版，與時俱進且日臻完美，時時提醒學生要以這樣的標準來寫書。李三立院士是留蘇博士，為我國計算機事業做齣瞭傑齣貢獻，曾任國傢攀登計劃項目首席科學傢。他嚴謹治學的態度帶齣瞭一大批傑齣的學生。

本叢書是集體智慧的結晶，在此謹嚮付齣辛勤勞動的各位作者緻敬！書中難免會有不當之處，請讀者不吝賜教。我的郵箱：gloud@126.com，微信公眾號：劉鵬看未來（lpoutlook）。

劉鵬

於南京大數據研究院

前言

自2012年以來，深度學習在圖像識彆上取得瞭重大突破，使得深度學習技術得到瞭前所未有的關注。越來越多的科研人員與工程技術人員投入到深度學習的研究中，湧現齣瞭大量的深度學習開源框架和成功應用，各種基於深度學習的技術和應用也層齣不窮。有關深度學習的文章、評論、文檔也非常多。然而尚缺乏針對本科生入門的係統性深度學習教材，以使讀者可以瞭解深度學習的來龍去脈，為以後進一步使用深度學習做相關應用或者深入研究深度學習技術奠定基礎。

南京大數據研究院劉鵬教授順勢而為，周密思考，在高級大數據人纔培養課程體係中，專門設立深度學習課程，並邀請全國上百傢高校中從事一綫教學科研任務的教師一起，編撰高級大數據人纔培養叢書。本書即該套叢書之一。

本書的定位是深度學習。以“讓學習變得輕鬆”為根本齣發點，介紹深度學習的入門知識，通過淺顯易懂的語言，將深度學習的發展過程說清楚，以便將來對深度學習進行進一步深入研究或應用。本書特彆注重動手能力，因此對於書中所有的例子和實驗，都可以使用深度學習一體機進行練習。讀者在讀完本書之後，不僅僅瞭解瞭深度學習的原理，更重要的是，可以自己搭建深度學習的環境，訓練自己的深度學習模型，甚至構建深度學習的原型係統。

本書以教育部“十三五”規劃和學校的相關規劃發展為依據，響應國傢有關大力發展人工智能的號召，遵循本科教育的規律，順應學生身心發展的特點，緻力於構建開放而有力的教材體係，促進學生學習方式的改變，全麵提高學生的知識素養，為他們的終身學習、生活和工作奠定堅實的理論和實踐基礎。作為深度學習的入門教材，本書分彆從基本概念、基礎與應用（包括深度學習在圖像、語音、文本方嚮的應用），以及前沿發展等方麵係統介紹瞭深度學習。本書大緻分3個部分：第1部分介紹深度學習的基礎知識。第2部分介紹深度學習模型與算法。第3部分介紹深度學習的應用，最後附上人工智能和大數據實驗環境的介紹供讀者參考。

本書得到瞭南京大數據研究院院長劉鵬教授，金陵科技學院副校長張燕教授的大力支持。2015年度江蘇高校優秀科技創新團隊“大數據智能挖掘信息技術研究”在書稿提綱和內容組織上提齣瞭諸多建設性意見。編寫過程得到瞭金陵科 深度學習——高級大數據人纔培養叢書 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

好好好好好好好好好好好好好好好好好好好好好

評分☆☆☆☆☆

是本好書，對於入門和深入瞭解都有幫助

評分☆☆☆☆☆

推薦幾款距離空間裏幾個

評分☆☆☆☆☆

一直想買一本來看看

評分☆☆☆☆☆

強迫寫評論不厚道，不想寫評論

評分☆☆☆☆☆

關注瞭有一段時間，書拿到書之後看瞭一下，非常不錯，支持京東圖書。

評分☆☆☆☆☆

公司購買，同事說好用。

評分☆☆☆☆☆

快速，效率好高，贊

評分☆☆☆☆☆

類似圖書 點擊查看全場最低價