YL8208  9787115461476 9787302473671 9787121312700 9787121309120

深度学习

本书包括3 个部分：第1 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2 部分系统深入地讲解现今已成熟的深度学习方法和技术；第3 部分讨论某些具有前瞻性的方向和想法，它们被**为是深度学习未来的研究重点。

本书适合各类读者阅读，包括相关**的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师

致谢   

数学符号   

1章 前言   

1部分 应用数学与机器学习基础   

第二章 线性代数

第三章 概率与信息论

第四章 数值计算

第五章 机器学习基础

第二部分 深层网络：现代实践

第六章 深度前馈网络

第七章 深度学习中的正则化

第八章 深度模型中的优化

第九章 卷积网络

第十章 序列建模：循环和递归网络

第十一章 实践方法论

第十二章 应用

第三部分 深度学习研究

第十三章 线性因子模型

第十四章 自编码器

第十五章 表示学习

第十六章 深度学习中的结构化概率模型

第十七章 蒙特卡罗方法

第十八章 直面配分函数

第十九章 近似推断

第二十章 深度生成模型

深度学习、优化与识别

深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章，分为两个部分；*部分（第1章～10章）系统论述了理论及算法，包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等；第二部分（第11～15章）论述了常用的深度学习平台，以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用；第16章为总结与展望，给出了深度学习发展的历史图、前沿方向及*进展。每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。

本书可为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能等领域的研究人员提供参考，以及作为相关**本科生及研究生教学参考书，同时可供深度学习及其应用感兴趣的研究人员和工程技术人员参考。

第1章 深度学习基础1

1.1 数学基础2

1.1.1 矩阵论2

1.1.2 概率论3

1.1.3 优化分析5

1.1.4 框架分析6< 包邮 深度学习+深度学习、优化与识别+深入浅出深度学习+TensorFlow实战4本 电子书 下载 mobi epub pdf txt