123,123

本書作為神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)領(lǐng)域的入門級教材，系統(tǒng)地梳理了神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的知識體系，闡述了神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的基礎(chǔ)知識，對主要模型進行了重點介紹，并通過案例進行詳細說明，以使讀者能在學(xué)習(xí)基礎(chǔ)理論知識的同時，掌握神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型的開發(fā)方法，且具備使用人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型解決實際問題的能力。全書共9章。內(nèi)容包括緒論、機器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、多層感知機、卷積神經(jīng)網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度生成模型、注意力機制與Transformer。本書可作為高校人工智能、計算機、大數(shù)據(jù)等專業(yè)的本科生教材，也可供相關(guān)領(lǐng)域工程技術(shù)人員參考。

目錄第　一章緒論（15-20頁） 1.1　人工智能 1.1.1　人工智能的起源 1.1.2　人工智能的發(fā)展與流派 1.1.3　人工智能的社會、倫理問題 1.2　機器學(xué)習(xí) 1.3　人工神經(jīng)網(wǎng)絡(luò) 1.3.1　人腦神經(jīng)網(wǎng)絡(luò) 1.3.2　人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生 1.3.3　人工神經(jīng)網(wǎng)絡(luò)的發(fā)展 1.4　深度學(xué)習(xí) 1.4.1　深度學(xué)習(xí)的產(chǎn)生和發(fā)展 1.4.2　深度學(xué)習(xí)主要開發(fā)框架 1.4.3　深度學(xué)習(xí)的應(yīng)用現(xiàn)狀 1.5　本書的知識結(jié)構(gòu) 1.6　關(guān)鍵知識梳理 1.7　問題與實踐第二章　機器學(xué)習(xí)（20頁） 2.1　基本概念 2.2　機器學(xué)習(xí)的類型和常見任務(wù) 2.2.1　機器學(xué)習(xí)的類型 2.2.2　機器學(xué)習(xí)的常見任務(wù) 2.3　機器學(xué)習(xí)任務(wù)的基本流程 2.4　模型評估與性能度量 2.4.1　誤差 2.4.2　性能度量 2.4.3　模型評估 2.5　關(guān)鍵知識梳理 2.6　問題與實踐第三章　人工神經(jīng)網(wǎng)絡(luò)（20頁） 3.1　大腦與人工神經(jīng)網(wǎng)絡(luò) 3.1.1　大腦 3.1.2　人工神經(jīng)網(wǎng)絡(luò) 3.2　感知機模型 3.2.1　可學(xué)習(xí)的感知機 3.2.2　利用感知機進行鳶尾花分類 3.3　關(guān)鍵知識梳理 3.4　問題與實踐第四章　多層感知機（MLP）（25頁） 4.1　MLP的結(jié)構(gòu) 4.1.1　輸入層 4.1.2　輸出層 4.1.3　隱含層 4.2　前饋算法 4.3　反向傳播算法 4.3.1　梯度下降 4.3.2　鏈式求導(dǎo) 4.4　利用MLP進行手寫字符識別 4.5　關(guān)鍵知識梳理 4.6　問題與實踐第五章　卷積神經(jīng)網(wǎng)絡(luò)（CNN）（20頁） 5.1　全連接網(wǎng)絡(luò)的弱點 5.2　感受野與卷積 5.2.1　感受野 5.2.2　平移不變性與卷積 5.2.3　尺度不變性與匯聚 5.3　CNN的結(jié)構(gòu) 5.3.1　CNN的一般結(jié)構(gòu) 5.3.2　LeNet-5網(wǎng)絡(luò) 5.4　利用LeNet-5進行Cifar 10分類 5.5　關(guān)鍵知識梳理 5.6　問題與實踐第六章　CNN的不同變體及應(yīng)用（30頁） 6.1　VGG及其應(yīng)用 6.1.1　VGG的結(jié)構(gòu)與特點 6.1.2　VGG的應(yīng)用案例 6.2　GoogleNet及其應(yīng)用 6.2.1　Inception及GoogleNet的結(jié)構(gòu) 6.2.2　GoogleNet的應(yīng)用案例 6.3　ResNet及其應(yīng)用 6.3.1　ResNet的結(jié)構(gòu) 6.3.2　LResNet的應(yīng)用案例 6.4　關(guān)鍵知識梳理 6.5　問題與實踐第七章　循環(huán)神經(jīng)網(wǎng)絡(luò)（20頁） 7.1　序列數(shù)據(jù)與循環(huán)神經(jīng)網(wǎng)絡(luò) 7.2　長程依賴與長短期記憶網(wǎng)絡(luò)（LSTM） 7.2.1　長程依賴 7.2.2　LSTM 7.3　LSTM應(yīng)用案例 7.4　關(guān)鍵知識梳理 7.5　問題與實踐第八章　深度生成模型（30頁） 8.1　生成模型 8.2　自編碼器（AE） 8.3　變分自編碼器（VAE） 8.3.1　VAE的結(jié)構(gòu)與原理 8.3.2　VAE的應(yīng)用案例 8.4　對抗生成網(wǎng)絡(luò)（GAN） 8.4.1　GAN的結(jié)構(gòu)與原理 8.4.2　GAN的應(yīng)用案例——風(fēng)格遷移 8.5　序列生成模型（seq2seq）及其應(yīng)用案例 8.6　關(guān)鍵知識梳理 8.7　問題與實踐第九章　注意力機制與Transformer（20頁） 9.1　注意力機制 9.2　Transformer 9.2.1　Transformer的原理 9.2.2　Transformer的應(yīng)用案例 9.3　ViT 9.3.1　ViT的原理 9.3.2　ViT的應(yīng)用案例 9.4　關(guān)鍵知識梳理 9.5　問題與實踐

你還可能感興趣

我要評論