当前位置：

神经网络与深度学习

作者：吴岸城

出版社：电子工业出版社

出版年：2016-6

评分：5.7

ISBN：9787121288692

所属分类：行业好书

书刊介绍

内容简介

随着AlphaGo与李世石大战的落幕，人工智能成为话题焦点。AlphaGo背后的工作原理"深度学习"也跳入大众的视野。什么是深度学习，什么是神经网络，为何一段程序在精密的围棋大赛中可以大获全胜？人工智终将会取代人类智慧吗？

本书结合日常生活中的寻常小事，生动形象地阐述了神经网络与深度学习的基本概念、原理和实践，案例丰富，深入浅出。对于正在进入人工智能时代的我们，这些内容无疑可以帮助我们更好地理解人工智能的原理，丰富我们对人类自身的认识，并启发我们对人机智能之争更深一层的思考与探索。

《神经网络与深度学习》是一本介绍神经网络和深度学习算法基本原理及相关实例的书籍，它不是教科书，作者已尽量把公式减少到最少，以适应绝大部分人的阅读基础和知识储备。《神经网络与深度学习》涵盖了神经网络的研究历史、基础原理、深度学习中的自编码器、深度信念网络、卷积神经网络等，这些算法都已在很多行业发挥了价值。

《神经网络与深度学习》适合有志于从事深度学习行业的，或想了解深度学习到底是什么的，或是有一定机器学习基础的朋友阅读。

作品目录

第0章　写在前面：神经网络的历史 1
第1章　神经网络是个什么东西 13
1.1　买橙子和机器学习 13
1.1.1　规则列表 14
1.1.2　机器学习 15
1.2　怎么定义神经网络 16
1.3　先来看看大脑如何学习 16
1.3.1　信息输入 17
1.3.2　模式加工 17
1.3.3　动作输出 18
1.4　生物意义上的神经元 19
1.4.1　神经元是如何工作的 19
1.4.2　组成神经网络 22
1.5　大脑如何解决现实生活中的分类问题 24
第2章　构造神经网络 26
2.1　构造一个神经元 26
2.2　感知机 30
2.3　感知机的学习 32
2.4　用代码实现一个感知机 34
2.4.1　Neuroph：一个基于Java的神经网络框架 34
2.4.2　代码实现感知机 37
2.4.3　感知机学习一个简单逻辑运算 39
2.4.4　XOR问题 42
2.5　构造一个神经网络 44
2.5.1　线性不可分 45
2.5.2　解决XOR问题（解决线性不可分） 49
2.5.3　XOR问题的代码实现 51
2.6　解决一些实际问题 54
2.6.1　识别动物 54
2.6.2　我是预测大师 59
第3章　深度学习是个什么东西 66
3.1　机器学习 67
3.2　特征 75
3.2.1　特征粒度 75
3.2.2　提取浅层特征 76
3.2.3　结构性特征 78
3.3　浅层学习和深度学习 81
3.4　深度学习和神经网络 83
3.5　如何训练神经网络 84
3.5.1　BP算法：神经网络训练 84
3.5.2　BP算法的问题 85
3.6　总结深度学习及训练过程 86
第4章　深度学习的常用方法 89
4.1　模拟大脑的学习和重构 90
4.1.1　灰度图像 91
4.1.2　流行感冒 92
4.1.3　看看如何编解码 93
4.1.4　如何训练 95
4.1.5　有监督微调 97
4.2　快速感知：稀疏编码（Sparse Coding） 98
4.3　栈式自编码器 100
4.4　解决概率分布问题：限制波尔兹曼机 102
4.4.1　生成模型和概率模型 102
4.4.2　能量模型 107
4.4.3　RBM的基本概念 109
4.4.4　再看流行感冒的例子 111
4.5　DBN 112
4.6　卷积神经网络 114
4.6.1　卷积神经网络的结构 116
4.6.2　关于参数减少与权值共享 120
4.6.3 举个典型的例子：图片内容识别 124
4.7　不会忘记你：循环神经网络 131
4.7.1　什么是RNN 131
4.7.2　LSTM网络 136
4.7.3　LSTM变体 141
4.7.4　结论 143
4.8　你是我的眼：利用稀疏编码器找图像的基本单位 143
4.9　你是我的眼（续） 150
4.10　使用深度信念网搞定花分类 160
第5章　深度学习的胜利：AlphaGo 169
5.1　AI如何玩棋类游戏 169
5.2　围棋的复杂性 171
5.3　AlphaGo的主要原理 173
5.3.1　策略网络 174
5.3.2　MCTS拯救了围棋算法 176
5.3.3　强化学习："周伯通，左右互搏" 179
5.3.4　估值网络 181
5.3.5　将所有组合到一起：树搜索 182
5.3.6　AlphaGo有多好 185
5.3.7　总结 187
5.4　重要的技术进步 189
5.5　一些可以改进的地方 190
5.6　未来 192
第6章　两个重要的概念 194
6.1　迁移学习 194
6.2　概率图模型 197
6.2.1　贝叶斯的网络结构 201
6.2.2　概率图分类 204
6.2.3　如何应用PGM 208
第7章　杂项 210
7.1　如何为不同类型的问题选择模型 210
7.2　我们如何学习"深度学习" 211
7.3　如何理解机器学习和深度学习的差异 212
7.4　大规模学习（Large Scale Learning）和并行计算 214
7.5　如果喜欢应用领域，可以考虑以下几种应用 215
7.6　类脑：人工智能的终极目标 216
参考文献 218
术语 220
· · · · · ·